MAGMA: Мультиграфовая архитектура агентной памяти для ИИ-агентов

MAGMA: A Multi-Graph based Agentic Memory Architecture for AI Agents

January 6, 2026

Авторы: Dongming Jiang, Yi Li, Guanpeng Li, Bingzhe Li

cs.AI

Аннотация

Поколение с расширенной памятью (MAG) расширяет большие языковые модели за счет внешней памяти для поддержки рассуждений в длинном контексте, однако существующие подходы в значительной степени опираются на семантическое сходство в монолитных хранилищах памяти, переплетая временную, каузальную и объектную информацию. Такая конструкция ограничивает интерпретируемость и соответствие между интенцией запроса и извлекаемыми свидетельствами, что приводит к неоптимальной точности рассуждений. В данной статье мы предлагаем MAGMA — архитектуру агентной памяти на основе мультиграфов, которая представляет каждый элемент памяти в ортогональных семантическом, временном, каузальном и объектном графах. MAGMA формулирует извлечение как обход этих реляционных представлений, направляемый политикой, что позволяет осуществлять адаптивный к запросу выбор и структурированное построение контекста. Разделяя представление памяти и логику извлечения, MAGMA обеспечивает прозрачные пути рассуждений и детализированный контроль над процессом поиска. Эксперименты на LoCoMo и LongMemEval демонстрируют, что MAGMA стабильно превосходит современные системы агентной памяти в задачах долгосрочного логического вывода.

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.