BMAM: Hersen-geïnspireerd Geheugenkader voor Multi-Agent Systemen
BMAM: Brain-inspired Multi-Agent Memory Framework
January 28, 2026
Auteurs: Yang Li, Jiaxiang Liu, Yusong Wang, Yujie Wu, Mingkun Xu
cs.AI
Samenvatting
Taalmodel-gebaseerde agenten die over langere interactiehorizons opereren, kampen met hardnekkige uitdagingen bij het behoud van tijdelijk verankerde informatie en het handhaven van gedragsconsistentie tussen sessies – een faalmodus die we *zielserosie* noemen. Wij presenteren BMAM (Brain-inspired Multi-Agent Memory), een algemene geheugenarchitectuur die agentgeheugen modelleert als een set van functioneel gespecialiseerde subsystemen in plaats van als een enkele ongestructureerde opslag. Geïnspireerd door cognitieve geheugensystemen, decomposeert BMAM geheugen in episodische, semantische, op-salientie gerichte en op-controle gerichte componenten die op complementaire tijdschalen opereren. Om redenering over lange horizons te ondersteunen, organiseert BMAM episodische herinneringen langs expliciete tijdlijnen en retrieveert het bewijs door meerdere complementaire signalen te fuseren. Experimenten op de LoCoMo-benchmark tonen aan dat BMAM een nauwkeurigheid van 78,45 procent bereikt onder de standaard evaluatie-instelling voor lange horizons, en ablatie-analyses bevestigen dat het door de hippocampus geïnspireerde episodische geheugensubsysteem een kritieke rol speelt bij temporeel redeneren.
English
Language-model-based agents operating over extended interaction horizons face persistent challenges in preserving temporally grounded information and maintaining behavioral consistency across sessions, a failure mode we term soul erosion. We present BMAM (Brain-inspired Multi-Agent Memory), a general-purpose memory architecture that models agent memory as a set of functionally specialized subsystems rather than a single unstructured store. Inspired by cognitive memory systems, BMAM decomposes memory into episodic, semantic, salience-aware, and control-oriented components that operate at complementary time scales. To support long-horizon reasoning, BMAM organizes episodic memories along explicit timelines and retrieves evidence by fusing multiple complementary signals. Experiments on the LoCoMo benchmark show that BMAM achieves 78.45 percent accuracy under the standard long-horizon evaluation setting, and ablation analyses confirm that the hippocampus-inspired episodic memory subsystem plays a critical role in temporal reasoning.