收录解读
很多 agent memory 系统虽然名义上支持长期记忆，但底层仍把不同类型的关系都压进单一 memory store，再依赖语义相似度或统一索引来检索。这会把时间、因果、实体和语义线索纠缠在一起，导致查询意图和被召回证据之间经常错位，尤其在长程多跳问题上会出现看似相关、实则结构不匹配的检索结果。
MAGMA 的核心新意是把每条 memory item 同时表示在多种正交关系图上：semantic、temporal、causal 和 entity graph。系统把 retrieval 从“在同一个库里做一次相似度搜索”改写为“在多视图关系结构上做 policy-guided traversal”，按当前 query 的需求选择不同关系视角并组装结构化上下文。这让 memory representation 与 retrieval logic 显式解耦，也使 reasoning path 更透明。
它值得正式收录，因为这不是又一个 graph memory 名字，而是对 agent memory architecture 的清晰重写：不同关系应该分层表达，检索应该是 query-adaptive graph traversal，而不是把所有东西混到一个 embedding space 再让 reranker 硬救。对长期 agent、profile memory 和结构化 retrieval 都有明显外溢。
它目前仍是 breakthrough，因为证据主要来自 arXiv 阶段和 LoCoMo/LongMemEval 一类 benchmark，离成为长期 memory 默认架构还有距离；同时 policy-guided traversal 的稳定性、成本和更开放场景泛化能力仍需更多验证。