Memanto: Memoria Semantica Tipizzata con Recupero di Tipo Teorico-Informativo per Agenti a Lungo Orizzonte

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

April 23, 2026

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

cs.AI

Abstract

La transizione dall'inferenza di modelli linguistici senza stato ad agenti autonomi persistenti e multi-sessione ha rivelato che la memoria rappresenta un collo di bottiglia architetturale primario nella distribuzione di sistemi agentici di livello production. Le metodologie esistenti dipendono in larga misura da architetture ibride di grafi semantici, che impongono un sovraccarico computazionale sostanziale sia durante l'ingestione che il recupero. Questi sistemi richiedono tipicamente l'estrazione di entità mediata da grandi modelli linguistici, la manutenzione esplicita di schemi di grafo e pipeline di recupero multi-query. Questo articolo introduce Memanto, un layer di memoria universale per l'intelligenza artificiale agentica che sfida l'assunzione prevalente secondo cui la complessità dei grafi della conoscenza sia necessaria per ottenere una memoria agentica ad alta fedeltà. Memanto integra uno schema di memoria semantica tipizzato comprendente tredici categorie di memoria predefinite, un meccanismo automatizzato di risoluzione dei conflitti e un versionamento temporale. Questi componenti sono abilitati da Moorcheh's Information Theoretic Search engine, un database semantico senza indicizzazione che fornisce un recupero deterministico con latenza inferiore a novanta millisecondi, eliminando al contempo il ritardo di ingestione. Attraverso benchmark sistematici sulle suite di valutazione LongMemEval e LoCoMo, Memanto raggiunge punteggi di accuratezza state-of-the-art rispettivamente dell'89,8 percento e dell'87,1 percento. Questi risultati superano tutti i sistemi ibridi basati su grafi e vettori valutati, richiedendo solamente una singola query di recupero, non comportando costi di ingestione e mantenendo una complessità operativa sostanzialmente inferiore. Viene presentato uno studio di ablazione progressiva a cinque stadi per quantificare il contributo di ciascun componente architetturale, seguito da una discussione sulle implicazioni per la distribuzione scalabile di sistemi di memoria agentici.

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.