Sulla costruzione di sistemi di memoria per compiti di ragionamento a lungo termine. Questo è un argomento davvero importante, specialmente per migliorare agenti di codifica come Claude Code. Gli attuali approcci di Generazione Aumentata da Memoria si basano sulla similarità semantica su memorie monolitiche. Tutto si intreccia: informazioni temporali, relazioni causali, riferimenti a entità. Quando recuperi solo in base alla similarità semantica, perdi la struttura che rende possibile il ragionamento. Questo design limita l'interpretabilità e crea disallineamento tra ciò di cui la query ha realmente bisogno e ciò che viene recuperato. Questa nuova ricerca introduce MAGMA, un'architettura di memoria agentica multi-grafica che rappresenta ogni elemento di memoria attraverso quattro grafi ortogonali: semantico, temporale, causale ed entità. Idea chiave: Invece di stipare tutto in uno spazio di embedding, separa i diversi tipi di relazioni in strutture grafiche distinte. La similarità semantica ti dice cosa è tematicamente correlato. I grafi temporali ti dicono cosa è successo quando. I grafi causali ti dicono cosa ha portato a cosa. I grafi delle entità ti dicono chi e cosa sono connessi. MAGMA formula il recupero come un attraversamento guidato da politiche su queste visioni relazionali. L'agente impara a navigare tra i grafi in base all'intento della query, abilitando una selezione adattiva e una costruzione di contesto strutturata. Decouplando la rappresentazione della memoria dalla logica di recupero, MAGMA fornisce percorsi di ragionamento trasparenti. Puoi effettivamente vedere perché certe memorie sono state recuperate e come si collegano alla query. Esperimenti su LoCoMo e LongMemEval dimostrano che MAGMA supera costantemente i sistemi di memoria agentica all'avanguardia nei compiti di ragionamento a lungo termine. Perché questo lavoro è importante: Man mano che gli agenti gestiscono compiti sempre più complessi e prolungati, la memoria diventa il collo di bottiglia. Il recupero monolitico si rompe quando devi ragionare su sequenze di eventi, causa ed effetto, o relazioni tra entità. La memoria multi-grafica offre una via da seguire. Articolo: Impara a costruire agenti AI efficaci nella nostra accademia: