Sur la construction de systèmes de mémoire pour des tâches de raisonnement à long terme. C'est un sujet vraiment important, surtout pour améliorer des agents de codage comme Claude Code. Les approches actuelles de génération augmentée par la mémoire reposent sur la similarité sémantique au sein de mémoires monolithiques. Tout devient entremêlé : informations temporelles, relations causales, références d'entités. Lorsque vous récupérez uniquement sur la base de la similarité sémantique, vous perdez la structure qui rend le raisonnement possible. Ce design limite l'interprétabilité et crée un désalignement entre ce dont la requête a réellement besoin et ce qui est récupéré. Cette nouvelle recherche introduit MAGMA, une architecture de mémoire agentique multi-graphe qui représente chaque élément de mémoire à travers quatre graphes orthogonaux : sémantique, temporel, causal et d'entité. Idée clé : Au lieu de tout entasser dans un seul espace d'embedding, séparez les différents types de relations en structures de graphes distinctes. La similarité sémantique vous indique ce qui est thématiquement lié. Les graphes temporels vous indiquent ce qui s'est passé quand. Les graphes causaux vous indiquent ce qui a conduit à quoi. Les graphes d'entité vous indiquent qui et quoi sont connectés. MAGMA formule la récupération comme une traversée guidée par la politique à travers ces vues relationnelles. L'agent apprend à naviguer à travers les graphes en fonction de l'intention de la requête, permettant une sélection adaptative et une construction de contexte structurée. En découplant la représentation de la mémoire de la logique de récupération, MAGMA fournit des chemins de raisonnement transparents. Vous pouvez réellement voir pourquoi certains souvenirs ont été récupérés et comment ils se connectent à la requête. Des expériences sur LoCoMo et LongMemEval démontrent que MAGMA surpasse systématiquement les systèmes de mémoire agentique à la pointe de la technologie dans les tâches de raisonnement à long terme. Pourquoi ce travail est important : Alors que les agents gèrent des tâches de plus en plus complexes et de longue durée, la mémoire devient le goulot d'étranglement. La récupération monolithique s'effondre lorsque vous devez raisonner sur des séquences d'événements, des causes et des effets, ou des relations entre entités. La mémoire multi-graphe offre une voie à suivre. Article : Apprenez à construire des agents IA efficaces dans notre académie :