MAGMA: un'architettura di memoria agentica basata su multi-grafo per agenti IA
MAGMA: A Multi-Graph based Agentic Memory Architecture for AI Agents
January 6, 2026
Autori: Dongming Jiang, Yi Li, Guanpeng Li, Bingzhe Li
cs.AI
Abstract
La Generazione Aumentata dalla Memoria (MAG) estende i Modelli Linguistici di Grande Dimensione con una memoria esterna per supportare il ragionamento su contesti lunghi, ma gli approcci esistenti si basano in larga misura sulla similarità semantica su archivi di memoria monolitici, intrecciando informazioni temporali, causali e di entità. Questa progettazione limita l'interpretabilità e l'allineamento tra l'intento della query e le evidenze recuperate, portando a un'accuratezza di ragionamento subottimale. In questo articolo, proponiamo MAGMA, un'architettura di memoria agentica multi-grafo che rappresenta ogni elemento della memoria attraverso grafi ortogonali semantici, temporali, causali e di entità. MAGMA formula il recupero come una traversata guidata da policy su queste viste relazionali, consentendo una selezione adattiva alla query e una costruzione contestualizzata del contesto. Disaccoppiando la rappresentazione della memoria dalla logica di recupero, MAGMA fornisce percorsi di ragionamento trasparenti e un controllo granulare sul recupero. Esperimenti su LoCoMo e LongMemEval dimostrano che MAGMA supera costantemente i sistemi di memoria agentica all'avanguardia in compiti di ragionamento a lungo orizzonte.
English
Memory-Augmented Generation (MAG) extends Large Language Models with external memory to support long-context reasoning, but existing approaches largely rely on semantic similarity over monolithic memory stores, entangling temporal, causal, and entity information. This design limits interpretability and alignment between query intent and retrieved evidence, leading to suboptimal reasoning accuracy. In this paper, we propose MAGMA, a multi-graph agentic memory architecture that represents each memory item across orthogonal semantic, temporal, causal, and entity graphs. MAGMA formulates retrieval as policy-guided traversal over these relational views, enabling query-adaptive selection and structured context construction. By decoupling memory representation from retrieval logic, MAGMA provides transparent reasoning paths and fine-grained control over retrieval. Experiments on LoCoMo and LongMemEval demonstrate that MAGMA consistently outperforms state-of-the-art agentic memory systems in long-horizon reasoning tasks.