關於為長期推理任務構建記憶系統。 這是一個非常重要的主題，特別是對於改善像 Claude Code 這樣的編碼代理。 當前的記憶增強生成方法依賴於單一記憶存儲的語義相似性。一切都變得交織在一起：時間信息、因果關係、實體引用。當你僅根據語義相似性進行檢索時，你會失去使推理成為可能的結構。 這種設計限制了可解釋性，並造成查詢實際需要的內容與檢索到的內容之間的不一致。 這項新研究介紹了 MAGMA，一種多圖代理記憶架構，將每個記憶項目表示為四個正交圖：語義、時間、因果和實體。 關鍵思想： 與其將所有內容塞進一個嵌入空間，不如將不同類型的關係分開到不同的圖結構中。語義相似性告訴你什麼是主題相關的。時間圖告訴你什麼時候發生了什麼。因果圖告訴你什麼導致了什麼。實體圖告訴你誰和什麼是相互連接的。 MAGMA 將檢索公式化為基於政策的遍歷這些關係視圖。代理學會根據查詢意圖在圖中導航，實現自適應選擇和結構化上下文構建。 通過將記憶表示與檢索邏輯解耦，MAGMA 提供了透明的推理路徑。你可以實際看到為什麼某些記憶被檢索出來，以及它們如何與查詢相連。 在 LoCoMo 和 LongMemEval 上的實驗表明，MAGMA 在長期推理任務中始終超越最先進的代理記憶系統。 這項工作的意義： 隨著代理處理越來越複雜、長期的任務，記憶成為瓶頸。當你需要推理事件序列、因果關係或實體之間的關係時，單一檢索會崩潰。多圖記憶提供了一條前進的道路。 論文： 在我們的學院學習如何構建有效的 AI 代理：