关于构建用于长时间推理任务的记忆系统。 这是一个非常重要的话题，特别是对于改善像Claude Code这样的编码代理。 当前的记忆增强生成方法依赖于单一记忆存储的语义相似性。一切都变得纠缠在一起：时间信息、因果关系、实体引用。当你仅仅基于语义相似性进行检索时，你会失去使推理成为可能的结构。 这种设计限制了可解释性，并造成了查询实际需要的内容与检索到的内容之间的不一致。 这项新研究引入了MAGMA，一种多图代理记忆架构，它在四个正交图中表示每个记忆项：语义、时间、因果和实体。 关键思想： 与其将所有内容塞入一个嵌入空间，不如将不同类型的关系分开到不同的图结构中。语义相似性告诉你什么是主题相关的。时间图告诉你发生了什么。因果图告诉你是什么导致了什么。实体图告诉你谁和什么是相互关联的。 MAGMA将检索公式化为基于策略的遍历这些关系视图。代理根据查询意图学习在图之间导航，从而实现自适应选择和结构化上下文构建。 通过将记忆表示与检索逻辑解耦，MAGMA提供了透明的推理路径。你可以实际看到为什么某些记忆被检索出来，以及它们如何与查询连接。 在LoCoMo和LongMemEval上的实验表明，MAGMA在长时间推理任务中始终优于最先进的代理记忆系统。 这项工作的意义： 随着代理处理越来越复杂、持续时间较长的任务，记忆成为瓶颈。当你需要推理事件序列、因果关系或实体之间的关系时，单一检索会崩溃。多图记忆提供了一条前进的道路。 论文： 在我们的学院学习构建有效的AI代理：