BMAM: Фреймворк мозгоподобной мультиагентной памяти

BMAM: Brain-inspired Multi-Agent Memory Framework

January 28, 2026

Авторы: Yang Li, Jiaxiang Liu, Yusong Wang, Yujie Wu, Mingkun Xu

cs.AI

Аннотация

Агенты на основе языковых моделей, функционирующие в условиях продолжительных серий взаимодействий, сталкиваются с устойчивыми проблемами сохранения актуальной во времени информации и поддержания поведенческой согласованности между сессиями — сбой, который мы обозначаем как «размывание агентной сущности» (soul erosion). Мы представляем BMAM (Brain-inspired Multi-Agent Memory) — архитектуру памяти общего назначения, которая моделирует память агента как набор функционально специализированных подсистем, а не единое неструктурированное хранилище. Вдохновленная когнитивными системами памяти, BMAM декомпозирует память на эпизодический, семантический, учитывающий значимость и ориентированный на управление компоненты, которые функционируют на комплементарных временных масштабах. Для поддержки рассуждений на длительных горизонтах BMAM организует эпизодические воспоминания вдоль явных временных линий и извлекает свидетельства путем слияния множественных комплементарных сигналов. Эксперименты на бенчмарке LoCoMo показывают, что BMAM достигает точности 78,45% в стандартных условиях оценки на длительных горизонтах, а ablation-анализ подтверждает, что вдохновленная гиппокампом подсистема эпизодической памяти играет ключевую роль в темпоральных рассуждениях.

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.