Over het bouwen van geheugensystemen voor redeneringstaken met een lange horizon. Dit is een echt belangrijk onderwerp, vooral voor het verbeteren van coderingsagenten zoals Claude Code. Huidige benaderingen van geheugenversterkte generatie zijn afhankelijk van semantische gelijkenis over monolithische geheugens. Alles raakt verstrengeld: temporele informatie, causale relaties, entiteitsverwijzingen. Wanneer je alleen op basis van semantische gelijkenis ophaalt, verlies je de structuur die redeneren mogelijk maakt. Dit ontwerp beperkt de interpreteerbaarheid en creëert een misalignment tussen wat de query daadwerkelijk nodig heeft en wat wordt opgehaald. Dit nieuwe onderzoek introduceert MAGMA, een multi-graf agentisch geheugensysteem dat elk geheugenelement over vier orthogonale grafieken vertegenwoordigt: semantisch, temporeel, causaal en entiteit. Belangrijk idee: In plaats van alles in één inbeddingsruimte te proppen, scheid je de verschillende soorten relaties in aparte grafstructuren. Semantische gelijkenis vertelt je wat thematisch gerelateerd is. Temporele grafieken vertellen je wat wanneer is gebeurd. Causale grafieken vertellen je wat tot wat leidde. Entiteitsgrafieken vertellen je wie en wat met elkaar verbonden zijn. MAGMA formuleert ophalen als beleidsgeleide traversie over deze relationele weergaven. De agent leert te navigeren over grafieken op basis van de intentie van de query, waardoor adaptieve selectie en gestructureerde contextconstructie mogelijk worden. Door de geheugenrepresentatie te ontkoppelen van de ophaallogica, biedt MAGMA transparante redeneringspaden. Je kunt daadwerkelijk zien waarom bepaalde herinneringen zijn opgehaald en hoe ze met de query zijn verbonden. Experimenten op LoCoMo en LongMemEval tonen aan dat MAGMA consequent beter presteert dan de beste agentische geheugensystemen in redeneringstaken met een lange horizon. Waarom dit werk belangrijk is: Naarmate agenten steeds complexere, langdurige taken uitvoeren, wordt geheugen de bottleneck. Monolithisch ophalen faalt wanneer je moet redeneren over sequenties van gebeurtenissen, oorzaak en gevolg, of relaties tussen entiteiten. Multi-graf geheugen biedt een pad vooruit. Paper: Leer effectieve AI-agenten te bouwen in onze academie: