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 de Memoria se basan en la similitud semántica en lugar de almacenes de memoria monolíticos. Todo se entrelaza: información temporal, relaciones causales, referencias de 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 multigrafo que representa cada elemento de memoria a través de cuatro grafos ortogonales: semántico, temporal, causal y entidad. Idea clave: En lugar de meter todo en un solo espacio de incrustación, separa los diferentes tipos de relaciones en estructuras de grafos distintas. La similitud semántica te dice qué está relacionado con el tema. Los gráficos temporales te dicen qué pasó y cuándo. Los gráficos causales te dicen qué llevó a qué. Los gráficos de entidades te indican quién y qué están conectados. MAGMA formula la recuperación como un recorrido guiado por políticas sobre estas vistas relacionales. El agente aprende a navegar entre grafos según la intención de la consulta, permitiendo la selección adaptativa y la construcción estructurada del contexto. Al desacoplar la representación de memoria de la lógica de recuperación, MAGMA proporciona caminos de razonamiento transparentes. De hecho, puedes ver por qué se recuperaron ciertos recuerdos y cómo se relacionan con la consulta. Experimentos con 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 importa este trabajo: A medida que los agentes gestionan tareas cada vez más complejas y de larga duración, la memoria se convierte en el cuello de botella. La recuperación monolítica se rompe cuando necesitas razonar sobre secuencias de eventos, causa y efecto o relaciones entre entidades. La memoria multi-grafo ofrece un camino a seguir. Papel: Aprende a crear agentes de IA efectivos en nuestra academia: