長期的思考課題のための記憶システムの構築について。 これは特にClaude Codeのようなコーディングエージェントの改善において非常に重要なテーマです。 現在のメモリ拡張生成手法は、モノリシックな記憶ストレージに対する意味的類似性に依存しています。すべてが絡み合います:時間情報、因果関係、エンティティ参照。意味的類似性だけで検索すると、推論を可能にする構造を失います。 この設計は解釈性を制限し、クエリが実際に必要とするものと取得されるものとの間に不一致を生み出します。 この新しい研究では、MAGMAという多グラフのエージェント記憶アーキテクチャを紹介し、各記憶項目を4つの直交グラフ(意味的、時間的、因果的、実体)にわたって表現します。 重要なアイデア: すべてを一つの埋め込み空間に詰めるのではなく、異なる関係タイプを別々のグラフ構造に分けましょう。意味の類似性は、何が主題に関連しているかを示します。時間グラフは、いつ何が起こったかを教えてくれます。因果グラフは、何が何に至ったのかを教えてくれます。エンティティグラフは、誰が何が繋がっているかを示します。 MAGMAは、これらの関係的ビューに対するポリシーガイドに基づくトラバーサールとして検索を定式化します。エージェントはクエリの意図に基づいてグラフ間をナビゲートすることを学習し、適応選択と構造化されたコンテキスト構築を可能にします。 メモリ表現を検索ロジックから切り離すことで、MAGMAは透明な推論経路を提供します。なぜ特定の記憶が検索されたのか、そしてそれがクエリとどう結びついているのかを実際に確認できます。 LoCoMoとLongMemEvalでの実験は、MAGMAが長期推論課題において最先端のエージェント記憶システムを一貫して上回ることを示しています。 この仕事が重要な理由: エージェントがますます複雑で長期的なタスクを処理する中で、メモリがボトルネックとなります。モノリシック検索は、出来事の連続性、因果関係、あるいは実体間の関係性について推論する必要があるときに機能しません。マルチグラフメモリは前進の道を提供します。 論文: 私たちのアカデミーで効果的なAIエージェントの構築方法を学びましょう: