MAGMA: Uma Arquitetura de Memória Agêntica Baseada em Multigrafos para Agentes de IA
MAGMA: A Multi-Graph based Agentic Memory Architecture for AI Agents
January 6, 2026
Autores: Dongming Jiang, Yi Li, Guanpeng Li, Bingzhe Li
cs.AI
Resumo
A Geração Aumentada por Memória (MAG) estende os Modelos de Linguagem de Grande Porte com memória externa para suportar o raciocínio de contexto longo, mas as abordagens existentes dependem amplamente da similaridade semântica sobre armazenamentos de memória monolíticos, entrelaçando informações temporais, causais e de entidades. Este projeto limita a interpretabilidade e o alinhamento entre a intenção da consulta e a evidência recuperada, levando a uma precisão de raciocínio subótima. Neste artigo, propomos o MAGMA, uma arquitetura de memória agentiva multigrafo que representa cada item de memória através de grafos ortogonais semânticos, temporais, causais e de entidades. O MAGMA formula a recuperação como uma travessia guiada por políticas sobre essas visões relacionais, permitindo a seleção adaptável à consulta e a construção de contexto estruturado. Ao desacoplar a representação da memória da lógica de recuperação, o MAGMA fornece caminhos de raciocínio transparentes e controlo de granularidade fina sobre a recuperação. Experiências no LoCoMo e no LongMemEval demonstram que o MAGMA supera consistentemente os sistemas de memória agentiva state-of-the-art em tarefas de raciocínio de longo horizonte.
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.