О создании систем памяти для задач долгосрочного рассуждения. Это действительно важная тема, особенно для улучшения кодирующих агентов, таких как Claude Code. Текущие подходы к генерации с увеличенной памятью полагаются на семантическое сходство в монолитных хранилищах памяти. Все переплетается: временная информация, причинно-следственные связи, ссылки на сущности. Когда вы извлекаете данные только на основе семантического сходства, вы теряете структуру, которая делает рассуждение возможным. Этот дизайн ограничивает интерпретируемость и создает несоответствие между тем, что на самом деле нужно запросу, и тем, что извлекается. Это новое исследование представляет MAGMA, архитектуру агентной памяти с множественными графами, которая представляет каждый элемент памяти через четыре ортогональных графа: семантический, временной, причинный и граф сущностей. Ключевая идея: Вместо того чтобы запихивать все в одно пространство встраивания, разделите различные типы отношений на отдельные графовые структуры. Семантическое сходство говорит вам, что связано по теме. Временные графы говорят вам, что произошло и когда. Причинные графы говорят вам, что привело к чему. Графы сущностей говорят вам, кто и что связано. MAGMA формулирует извлечение как ориентированное на политику перемещение по этим реляционным представлениям. Агент учится перемещаться по графам на основе намерения запроса, что позволяет адаптивный выбор и структурированное построение контекста. Разделяя представление памяти от логики извлечения, MAGMA предоставляет прозрачные пути рассуждения. Вы можете на самом деле увидеть, почему были извлечены определенные воспоминания и как они связаны с запросом. Эксперименты на LoCoMo и LongMemEval демонстрируют, что MAGMA последовательно превосходит современные агентные системы памяти в задачах долгосрочного рассуждения. Почему эта работа важна: Поскольку агенты обрабатывают все более сложные, длительные задачи, память становится узким местом. Монолитное извлечение ломается, когда вам нужно рассуждать о последовательностях событий, причинах и следствиях или отношениях между сущностями. Многографовая память предлагает путь вперед. Статья: Научитесь создавать эффективные AI-агенты в нашей академии: