O budowaniu systemów pamięci dla zadań wymagających długoterminowego rozumowania. To naprawdę ważny temat, szczególnie w kontekście poprawy agentów kodujących, takich jak Claude Code. Obecne podejścia do generacji z pamięcią opartą na augmentacji polegają na podobieństwie semantycznym w monolitycznych magazynach pamięci. Wszystko się splata: informacje temporalne, relacje przyczynowe, odniesienia do podmiotów. Kiedy pobierasz dane wyłącznie na podstawie podobieństwa semantycznego, tracisz strukturę, która umożliwia rozumowanie. Ten projekt ogranicza interpretowalność i tworzy niezgodność między tym, czego rzeczywiście potrzebuje zapytanie, a tym, co zostaje pobrane. Nowe badania wprowadzają MAGMA, architekturę pamięci agentowej opartą na wielu grafach, która reprezentuje każdy element pamięci w czterech ortogonalnych grafach: semantycznym, temporalnym, przyczynowym i podmiotowym. Kluczowa idea: Zamiast upychać wszystko w jednej przestrzeni osadzeń, oddziel różne typy relacji w odrębne struktury grafowe. Podobieństwo semantyczne mówi ci, co jest tematycznie powiązane. Grafy temporalne informują, co się wydarzyło i kiedy. Grafy przyczynowe mówią, co doprowadziło do czego. Grafy podmiotowe informują, kto i co jest ze sobą powiązane. MAGMA formułuje pobieranie jako przejście prowadzone przez politykę po tych relacyjnych widokach. Agent uczy się nawigować po grafach w oparciu o intencje zapytania, co umożliwia adaptacyjny wybór i strukturalne konstruowanie kontekstu. Dzięki oddzieleniu reprezentacji pamięci od logiki pobierania, MAGMA zapewnia przejrzyste ścieżki rozumowania. Możesz rzeczywiście zobaczyć, dlaczego pewne wspomnienia zostały pobrane i jak są powiązane z zapytaniem. Eksperymenty na LoCoMo i LongMemEval pokazują, że MAGMA konsekwentnie przewyższa najnowocześniejsze systemy pamięci agentowej w zadaniach wymagających długoterminowego rozumowania. Dlaczego ta praca ma znaczenie: W miarę jak agenci radzą sobie z coraz bardziej złożonymi, długoterminowymi zadaniami, pamięć staje się wąskim gardłem. Monolityczne pobieranie nie sprawdza się, gdy musisz rozumować o sekwencjach zdarzeń, przyczynach i skutkach lub relacjach między podmiotami. Pamięć oparta na wielu grafach oferuje drogę naprzód. Artykuł: Naucz się budować skuteczne AI Agents w naszej akademii: