Memanto: Getypist Semantisch Geheugen met Informatietheoretische Retrieval voor Lange-Termijn Agenten

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

Samenvatting

De overgang van stateless inference door taalmodelen naar persistente, autonome agents met meerdere sessies heeft geheugen onthuld als een primair architectonisch knelpunt bij de implementatie van productieklasse agent-systemen. Bestaande methodologieën zijn grotendeels afhankelijk van hybride semantische grafiekarchitecturen, die een aanzienlijke rekenkostenoverhead met zich meebrengen tijdens zowel opname als retrieval. Deze systemen vereisen typisch door grote taalmodelen bemiddelde entiteitsextractie, expliciet onderhoud van grafiekschema's en multi-query retrieval-pipelines. Dit artikel introduceert Memanto, een universele geheugenlaag voor agent-gebaseerde kunstmatige intelligentie, die de heersende aanname uitdaagt dat complexiteit van kennisgrafieken noodzakelijk is om hoogfideliteit agentgeheugen te bereiken. Memanto integreert een getypeerd semantisch geheugenschema bestaande uit dertien vooraf gedefinieerde geheugencategorieën, een automatisch conflictoplossingsmechanisme en temporele versionering. Deze componenten worden mogelijk gemaakt door Moorcheh's Information Theoretic Search engine, een semantische database zonder indexering die deterministische retrieval biedt met een latentie van minder dan negentig milliseconden en daarbij opnamevertraging elimineert. Door middel van systematische benchmarking op de LongMemEval- en LoCoMo-evaluatiesuites behaalt Memanto state-of-the-art nauwkeurigheidsscores van respectievelijk 89,8 procent en 87,1 procent. Deze resultaten overtreffen alle geëvalueerde hybride op grafieken en vectoren gebaseerde systemen, terwijl slechts één retrieval-query nodig is, zonder opnamekosten en met een aanzienlijk lagere operationele complexiteit. Een vijftraps progressieve ablatiestudie wordt gepresenteerd om de bijdrage van elke architecturale component te kwantificeren, gevolgd door een bespreking van de implicaties voor schaalbare implementatie van agent-geheugensystemen.

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.