Memanto: Memória Semântica Tipada com Recuperação Baseada em Teoria da Informação para Agentes de Longo Horizonte

Memanto: Typed Semantic Memory with Information-Theoretic Retrieval for Long-Horizon Agents

April 23, 2026

Autores: Seyed Moein Abtahi, Rasa Rahnema, Hetkumar Patel, Neel Patel, Majid Fekri, Tara Khani

cs.AI

Resumo

A transição da inferência de modelos de linguagem sem estado para agentes autónomos persistentes e multi-sessão revelou que a memória é um dos principais estrangulamentos arquitetónicos na implantação de sistemas agentivos de nível produtivo. As metodologias existentes dependem maioritariamente de arquiteturas híbridas de grafos semânticos, que impõem uma sobrecarga computacional substancial durante a ingestão e a recuperação de informação. Estes sistemas normalmente requerem extração de entidades mediada por modelos de linguagem de grande escala, manutenção explícita de esquemas de grafos e pipelines de recuperação com múltiplas consultas. Este artigo introduz o Memanto, uma camada de memória universal para inteligência artificial agentiva que desafia a premissa predominante de que a complexidade de grafos de conhecimento é necessária para alcançar memória de agente de alta fidelidade. O Memanto integra um esquema de memória semântica tipada composto por treze categorias de memória predefinidas, um mecanismo automático de resolução de conflitos e um controlo de versões temporal. Estes componentes são possibilitados pelo Motor de Busca Information Theoretic da Moorcheh, uma base de dados semântica sem indexação que fornece recuperação determinística com latência inferior a noventa milissegundos, eliminando simultaneamente o atraso de ingestão. Através de uma avaliação sistemática nos conjuntos de testes LongMemEval e LoCoMo, o Memanto alcança pontuações de precisão state-of-the-art de 89,8% e 87,1%, respetivamente. Estes resultados superam todos os sistemas híbridos baseados em grafos e vetores avaliados, exigindo apenas uma única consulta de recuperação, não incorrendo em custos de ingestão e mantendo uma complexidade operacional substancialmente inferior. É apresentado um estudo de ablação progressiva de cinco estágios para quantificar a contribuição de cada componente arquitetónico, seguido de uma discussão sobre as implicações para a implantação escalável de sistemas de memória agentivos.

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.