MAGMA: AI 에이전트를 위한 다중 그래프 기반 에이전트 메모리 아키텍처

초록

메모리 증강 생성(MAG)은 외부 메모리를 활용해 대규모 언어 모델의 장문 맥락 추론 능력을 확장하지만, 기존 접근법은 단일 메모리 저장소에 대한 의미적 유사성에 크게 의존하여 시간적, 인과적, 개체 정보가 혼재됩니다. 이러한 설계는 해석 가능성과 질의 의도-검증 증거 간 정합성을 저해하여 최적에 미치지 못하는 추론 정확도를 초래합니다. 본 논문에서는 직교적인 의미, 시간, 인과, 개체 그래프를 통해 각 메모리 항목을 표현하는 다중 그래프 에이전트 메모리 아키텍처인 MAGMA를 제안합니다. MAGMA는 이러한 관계적 뷰를 정책 기반으로 탐색하는 검색 방식을 구현하여 질의 적응형 선택과 구조화된 맥락 구성을 가능하게 합니다. 메모리 표현과 검색 로직을 분리함으로써 MAGMA는 투명한 추론 경로와 세분화된 검색 제어를 제공합니다. LoCoMo 및 LongMemEval에서의 실험 결과, MAGMA가 장기적 추론 과제에서 최신 에이전트 메모리 시스템을 지속적으로 능가함을 입증하였습니다.

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.

MAGMA: AI 에이전트를 위한 다중 그래프 기반 에이전트 메모리 아키텍처

MAGMA: A Multi-Graph based Agentic Memory Architecture for AI Agents

초록

Support