MAGMA: AI 에이전트를 위한 다중 그래프 기반 에이전트 메모리 아키텍처

MAGMA: A Multi-Graph based Agentic Memory Architecture for AI Agents

메모리 증강 생성(MAG)은 긴 문맥 추론을 지원하기 위해 대규모 언어 모델을 외부 메모리로 확장하지만, 기존의 접근 방식들은 대개 단일 형태의 메모리 저장소에서 의미적 유사도에만 의존함으로써 시간, 인과, 개체 정보를 뒤섞는 한계가 있다. 이러한 설계는 해석 가능성을 저해하고 질의 의도와 검색된 증거 간의 정렬을 제한하여 추론 정확도를 떨어뜨리는 원인이 된다. 본 논문에서는 각 메모리 항목을 직교하는 의미, 시간, 인과, 개체 그래프로 표현하는 다중 그래프 에이전트 메모리 아키텍처인 MAGMA를 제안한다. MAGMA는 검색 과정을 이러한 관계형 뷰에 대한 정책 기반 순회로 정의하여, 질의에 적응하는 선택과 구조화된 문맥 구성을 가능하게 한다. 메모리 표현과 검색 로직을 분리함으로써 MAGMA는 투명한 추론 경로와 검색에 대한 세밀한 제어를 제공한다. LoCoMo 및 LongMemEval에서의 실험 결과, MAGMA는 장기 추론 작업에서 최신 에이전트 메모리 시스템들을 일관되게 능가하는 성능을 보였다.

Memory-Augmented Generation (MAG) extends Large Language Models with external memory to support long-context reasoning, but existing approaches largely rely on semantic similarity over monolithic memory stores, entangling temporal, causal, and entity information. This design limits interpretability and alignment between query intent and retrieved evidence, leading to suboptimal reasoning accuracy. In this paper, we propose MAGMA, a multi-graph agentic memory architecture that represents each memory item across orthogonal semantic, temporal, causal, and entity graphs. MAGMA formulates retrieval as policy-guided traversal over these relational views, enabling query-adaptive selection and structured context construction. By decoupling memory representation from retrieval logic, MAGMA provides transparent reasoning paths and fine-grained control over retrieval. Experiments on LoCoMo and LongMemEval demonstrate that MAGMA consistently outperforms state-of-the-art agentic memory systems in long-horizon reasoning tasks.