Sobre construir sistemas de memória para tarefas de raciocínio de longo prazo. Esse é um tema realmente importante, especialmente para melhorar agentes de codificação como Claude Code. As abordagens atuais de Geração Aumentada de Memória dependem da similaridade semântica em relação a armazenamentos de memória monolítica. Tudo se entrelaça: informações temporais, relações causais, referências de entidades. Quando você recupera apenas com base na similaridade semântica, perde a estrutura que torna o raciocínio possível. Esse design limita a interpretabilidade e cria desalinhamento entre o que a consulta realmente precisa e o que é recuperado. Essa nova pesquisa introduz o MAGMA, uma arquitetura de memória agente multigrafo que representa cada item de memória em quatro grafos ortogonais: semântico, temporal, causal e de entidade. Ideia-chave: Em vez de encaixar tudo em um único espaço de imersão, separe os diferentes tipos de relações em estruturas de grafo distintas. Semelhança semântica diz o que está relacionado por tópicos. Gráficos temporais mostram o que aconteceu e quando. Grafos causais dizem o que levou a quê. Grafos de entidade dizem quem e o que estão conectados. O MAGMA formula a recuperação como uma travessia guiada por políticas sobre essas visões relacionais. O agente aprende a navegar entre grafos com base na intenção da consulta, permitindo seleção adaptativa e construção estruturada de contexto. Ao desacoplar a representação de memória da lógica de recuperação, o MAGMA fornece caminhos de raciocínio transparentes. Você pode realmente ver por que certas memórias foram recuperadas e como elas se conectam à consulta. Experimentos com LoCoMo e LongMemEval demonstram que o MAGMA supera consistentemente sistemas de memória agentica de última geração em tarefas de raciocínio de longo prazo. Por que este trabalho é importante: À medida que os agentes lidam com tarefas cada vez mais complexas e de longa duração, a memória se torna o gargalo. A recuperação monolítica quebra quando você precisa raciocinar sobre sequências de eventos, causa e efeito, ou relações entre entidades. A memória multi-grafo oferece um caminho a seguir. Papel: Aprenda a construir Agentes de IA eficazes em nossa academia: