Memanto : Mémoire sémantique typée avec récupération informationnelle pour les agents à horizon long

Memanto: Typed Semantic Memory with Information-Theoretic Retrieval for Long-Horizon Agents

April 23, 2026

Auteurs: Seyed Moein Abtahi, Rasa Rahnema, Hetkumar Patel, Neel Patel, Majid Fekri, Tara Khani

cs.AI

Résumé

La transition des modèles de langage sans état vers des agents autonomes persistants et multi-sessions a révélé que la mémoire constitue un goulot d'étranglement architectural majeur dans le déploiement de systèmes agentiels de qualité production. Les méthodologies existantes reposent largement sur des architectures hybrides de graphes sémantiques, qui imposent une surcharge computationnelle substantielle lors de l'ingestion et de la récupération. Ces systèmes nécessitent généralement l'extraction d'entités médiée par de grands modèles de langage, la maintenance explicite de schémas de graphes et des pipelines de récupération multi-requêtes. Cet article présente Memanto, une couche de mémoire universelle pour l'intelligence artificielle agentielle qui remet en cause l'hypothèse dominante selon laquelle la complexité des graphes de connaissances est nécessaire pour obtenir une mémoire agentielle de haute fidélité. Memanto intègre un schéma de mémoire sémantique typé comprenant treize catégories de mémoire prédéfinies, un mécanisme automatisé de résolution de conflits et un versionnement temporel. Ces composants sont activés par Moorcheh's Information Theoretic Search engine, une base de données sémantique sans indexation qui fournit une récupération déterministe avec une latence inférieure à quatre-vingt-dix millisecondes tout en éliminant les délais d'ingestion. Par des évaluations systématiques sur les suites LongMemEval et LoCoMo, Memanto atteint des scores de précision de pointe de 89,8 % et 87,1 % respectivement. Ces résultats surpassent tous les systèmes hybrides évalués basés sur des graphes et des vecteurs, tout en ne nécessitant qu'une seule requête de récupération, n'occasionnant aucun coût d'ingestion et maintenant une complexité opérationnelle substantiellement plus faible. Une étude d'ablation progressive en cinq étapes est présentée pour quantifier la contribution de chaque composant architectural, suivie d'une discussion sur les implications pour le déploiement évolutif des systèmes de mémoire agentiels.

English

The transition from stateless language model inference to persistent, multi session autonomous agents has revealed memory to be a primary architectural bottleneck in the deployment of production grade agentic systems. Existing methodologies largely depend on hybrid semantic graph architectures, which impose substantial computational overhead during both ingestion and retrieval. These systems typically require large language model mediated entity extraction, explicit graph schema maintenance, and multi query retrieval pipelines. This paper introduces Memanto, a universal memory layer for agentic artificial intelligence that challenges the prevailing assumption that knowledge graph complexity is necessary to achieve high fidelity agent memory. Memanto integrates a typed semantic memory schema comprising thirteen predefined memory categories, an automated conflict resolution mechanism, and temporal versioning. These components are enabled by Moorcheh's Information Theoretic Search engine, a no indexing semantic database that provides deterministic retrieval within sub ninety millisecond latency while eliminating ingestion delay. Through systematic benchmarking on the LongMemEval and LoCoMo evaluation suites, Memanto achieves state of the art accuracy scores of 89.8 percent and 87.1 percent respectively. These results surpass all evaluated hybrid graph and vector based systems while requiring only a single retrieval query, incurring no ingestion cost, and maintaining substantially lower operational complexity. A five stage progressive ablation study is presented to quantify the contribution of each architectural component, followed by a discussion of the implications for scalable deployment of agentic memory systems.