Sobre la construcción de sistemas de memoria para tareas de razonamiento a largo plazo. Este es un tema realmente importante, especialmente para mejorar agentes de codificación como Claude Code. Los enfoques actuales de Generación Aumentada por Memoria dependen de la similitud semántica sobre almacenes de memoria monolíticos. Todo se entrelaza: información temporal, relaciones causales, referencias a entidades. Cuando recuperas basándote únicamente en la similitud semántica, pierdes la estructura que hace posible el razonamiento. Este diseño limita la interpretabilidad y crea desalineación entre lo que realmente necesita la consulta y lo que se recupera. Esta nueva investigación introduce MAGMA, una arquitectura de memoria agente multi-gráfico que representa cada elemento de memoria a través de cuatro gráficos ortogonales: semántico, temporal, causal y de entidad. Idea clave: En lugar de meter todo en un único espacio de incrustación, separa los diferentes tipos de relaciones en estructuras gráficas distintas. La similitud semántica te dice qué está relacionado temáticamente. Los gráficos temporales te dicen qué sucedió cuándo. Los gráficos causales te dicen qué llevó a qué. Los gráficos de entidad te dicen quién y qué están conectados. MAGMA formula la recuperación como un recorrido guiado por políticas a través de estas vistas relacionales. El agente aprende a navegar a través de los gráficos según la intención de la consulta, lo que permite una selección adaptativa y una construcción de contexto estructurada. Al desacoplar la representación de la memoria de la lógica de recuperación, MAGMA proporciona caminos de razonamiento transparentes. Puedes ver realmente por qué se recuperaron ciertos recuerdos y cómo se conectan a la consulta. Los experimentos en LoCoMo y LongMemEval demuestran que MAGMA supera consistentemente a los sistemas de memoria agente de última generación en tareas de razonamiento a largo plazo. Por qué este trabajo es importante: A medida que los agentes manejan tareas cada vez más complejas y prolongadas, la memoria se convierte en el cuello de botella. La recuperación monolítica se descompone cuando necesitas razonar sobre secuencias de eventos, causa y efecto, o relaciones entre entidades. La memoria multi-gráfica ofrece un camino a seguir. Artículo: Aprende a construir agentes de IA efectivos en nuestra academia: