O budování paměťových systémů pro úkoly uvažování s dlouhým horizontem. Tohle je opravdu důležité téma, zvlášť pro zlepšení programovacích agentů jako Claude Code. Současné přístupy k generování s rozšířenou pamětí spoléhají na sémantickou podobnost oproti monolitickým paměťovým úložištím. Všechno se promotá: časové informace, kauzální vztahy, odkazy na entity. Když získáváte pouze na základě sémantické podobnosti, ztrácíte strukturu, která umožňuje uvažování. Tento design omezuje interpretovatelnost a vytváří nesoulad mezi tím, co dotaz skutečně potřebuje, a tím, co se získává. Tento nový výzkum představuje MAGMA, vícegrafovou architekturu agentické paměti, která reprezentuje každou paměťovou položku napříč čtyřmi ortogonálními grafy: sémantické, časové, kauzální a entity. Klíčová myšlenka: Místo toho, abyste vše nacpali do jednoho prostoru pro vložení, oddělte různé typy vztahů do samostatných grafových struktur. Sémantická podobnost vám říká, co je tematicky spojeno. Časové grafy vám říkají, co se kdy stalo. Kauzální grafy vám řeknou, co k čemu vedlo. Entity grafy vám říkají, kdo a co je propojeno. MAGMA formuluje vyhledávání jako politicky řízené procházení těmito relačními pohledy. Agent se učí pohybovat mezi grafy na základě záměru dotazu, což umožňuje adaptivní výběr a strukturovanou konstrukci kontextu. Oddělením paměťové reprezentace od logiky vyhledávání poskytuje MAGMA transparentní cesty uvažování. Ve skutečnosti můžete vidět, proč byly určité vzpomínky získány a jak souvisejí s dotazem. Experimenty na LoCoMo a LongMemEval ukazují, že MAGMA konzistentně překonává špičkové systémy agentické paměti v úkolech dlouhodobého uvažování. Proč je tato práce důležitá: Jak agenti řeší stále složitější a dlouhodobější úkoly, paměť se stává úzkým hrdlem. Monolitické vyhledávání selhává, když potřebujete uvažovat o posloupnostech událostí, příčině a následku nebo vztazích mezi entitami. Paměť s více grafy nabízí cestu vpřed. Článek: Naučte se vytvářet efektivní AI agenty v naší akademii: