BMAM: Estrutura de Memória Multiagente Inspirada no Cérebro
BMAM: Brain-inspired Multi-Agent Memory Framework
January 28, 2026
Autores: Yang Li, Jiaxiang Liu, Yusong Wang, Yujie Wu, Mingkun Xu
cs.AI
Resumo
Agentes baseados em modelos de linguagem que operam em horizontes interativos prolongados enfrentam desafios persistentes na preservação de informações temporalmente fundamentadas e na manutenção da consistência comportamental entre sessões, uma falha que denominamos erosão da alma. Apresentamos o BMAM (Memória Multi-Agente de Inspiração Cerebral), uma arquitetura de memória de propósito geral que modela a memória do agente como um conjunto de subsistemas funcionalmente especializados, em vez de um único armazenamento não estruturado. Inspirado pelos sistemas de memória cognitiva, o BMAM decompõe a memória em componentes episódicos, semânticos, conscientes da saliência e orientados ao controle, que operam em escalas de tempo complementares. Para suportar o raciocínio de longo horizonte, o BMAM organiza as memórias episódicas ao longo de linhas do tempo explícitas e recupera evidências fundindo múltiplos sinais complementares. Experimentos no benchmark LoCoMo mostram que o BMAM atinge 78,45% de precisão na configuração padrão de avaliação de longo horizonte, e análises de ablação confirmam que o subsistema de memória episódica inspirado no hipocampo desempenha um papel crítico no raciocínio temporal.
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.