MAGMA: Een Multi-Graaf gebaseerde Architectuur voor Agentisch Geheugen voor AI-Agenten
MAGMA: A Multi-Graph based Agentic Memory Architecture for AI Agents
January 6, 2026
Auteurs: Dongming Jiang, Yi Li, Guanpeng Li, Bingzhe Li
cs.AI
Samenvatting
Memory-Augmented Generation (MAG) breidt Large Language Models uit met extern geheugen om redeneren over lange contexten mogelijk te maken, maar bestaande benaderingen vertrouwen grotendeels op semantische gelijkenis in monolithische geheugenopslag, waarbij temporele, causale en entiteitsinformatie verweven raken. Dit ontwerp beperkt de interpreteerbaarheid en de afstemming tussen query-intentie en opgehaald bewijsmateriaal, wat leidt tot suboptimale redeneernauwkeurigheid. In dit artikel stellen we MAGMA voor, een multi-grafisch agent-gebaseerd geheugenarchitectuur waarbij elk geheugenitem wordt gerepresenteerd in orthogonale semantische, temporele, causale en entiteitsgrafen. MAGMA formuleert retrieval als beleidsgestuurd navigeren door deze relationele perspectieven, waardoor query-adaptieve selectie en gestructureerde contextconstructie mogelijk wordt. Door geheugenrepresentatie te ontkoppelen van retrievallogica biedt MAGMA transparante redeneerpaden en fijnmazige controle over retrieval. Experimenten op LoCoMo en LongMemEval tonen aan dat MAGMA consequent superieure prestaties levert vergeleken met state-of-the-art agent-gebaseerde geheugensystemen bij langetermijnredeneertaken.
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.