MAGMA：一种基于多图的智能体记忆架构

记忆增强生成（MAG）通过外部记忆扩展大语言模型以支持长上下文推理，但现有方法主要依赖单一记忆库中的语义相似性，将时间、因果和实体信息混杂在一起，限制了可解释性及查询意图与检索证据的一致性，导致推理准确性不足。本文提出MAGMA——一种多图智能体记忆架构，将每个记忆项在正交的语义、时间、因果和实体图中分别表示，并将检索建模为在这些关系视图上的策略引导遍历，实现查询自适应的记忆选择与结构化上下文构建。通过解耦记忆表示与检索逻辑，MAGMA提供透明的推理路径和细粒度的检索控制。在LoCoMo和LongMemEval上的实验表明，MAGMA在长周期推理任务中持续优于当前最先进的智能体记忆系统。