MAGMA：AI Agents 多圖記憶架構－從便利貼到偵探白板, 閱讀筆記與批判性反思

論文：MAGMA: A Multi-Graph based Agentic Memory Architecture for AI Agents
作者：Dongming Jiang、Yi Li、Guanpeng Li、Bingzhe Li
發表：ACL 2026 Long Papers (pp. 36848-36865)

一、問題出發：Vector Store 的尷尬

想像你問 AI 助理：「我為什麼取消登山？」

助理翻了半天，找到你買登山杖、研究登山路線，每一段都跟「登山」有關，可是都沒有回答為什麼；但真正的線索藏在更早的對話裡，你說「腳踝受傷，醫師叫我不能負重」。

這就是記憶系統尷尬的地方：東西存了，卻不一定找得到該用的那一段；向量搜尋擅長找語意相近的段落，但「相近」不等於「足以回答問題」；一條因果線，光靠相似度不一定浮得出來。

MAGMA 的核心想法：把散落的便利貼，變成一張偵探白板。
記憶不只是一堆存好的句子，還要知道誰跟誰有關、哪件事導致哪件事。

二、四張圖譜：四種顏色的毛線

MAGMA 把事件之間的關係分成四種，就像在偵探白板上用四種顏色的毛線把便利貼串起來：

註：時間和因果要分開，先發生不代表造成後者，例如「早上打噴嚏、下午下雨了」，不表示打噴嚏導致下雨；四張圖也不是四個資料庫，它們共用事件，只是用不同顏色的毛線表示不同關係。

三、系統架構：三層設計

圖片來源：Jiang, D., Li, Y., Li, G., and Li, B. (2026).MAGMA: A Multi-Graph based Agentic Memory Architecture for AI Agents.Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026), p. 36850

架構分成三層，由下往上看：

1. 寫入層：使用者說了一句話，先記事件、時間、向量，再排進佇列，慢慢補複雜關係。先貼便利貼，再整理毛線。

2. 記憶庫：圖結構和向量索引一起保留。

3. 查詢層：問題進來，找起點，沿線走，把證據整理成精簡上下文，交給 LLM 回答。

這套設計針對過度檢索（Over-fetching）：找到一個相關事件後，如果不斷往外擴張，很容易把大量無關內容也塞給模型。論文透過自適應走訪修剪分支，再整理上下文，讓 LLM 少讀一些用不到的證據。

Table 3 報告每次查詢的 token 從 Full Context 的 8.53k 降到 MAGMA 的 3.37k，平均延遲從 1.74 秒降到 1.47 秒。這可理解為提高提示中的有效訊息比例，但論文沒有直接量測「Prompt 訊號雜訊比」，也不能把全部效益單獨歸因於修剪。

四、兩個核心公式

4.1 RRF：搜尋起點

第一個公式負責找起點，倒數排名融合（Reciprocal Rank Fusion），想成三個人各給一份排行榜「向量語意相似度」、「關鍵字比對」、「時間訊號匹配度」；不同排行榜的原始分數不好直接比，所以改比名次：

Sanchor = TopK( ∑m 1 / (k + rm(n)) )
其中 m ∈ {vec, key, time}

小寫 k=60 是平滑常數（不是要找 60 個節點），大寫 K 才是要留下幾個起點，這個設計的優點：不同檢索器不用共享同一種分數尺度。

4.2 走訪策略：路線選擇

第二個公式決定路線，沿著哪條毛線走。拆成兩部分：

• 關係適合度：這種邊適不適合現在的問題？問「為什麼」，因果線加分；問「哪天」，時間線加分。

• 語意相關性：沿線找到的內容，跟問題有沒有關？

公式：

S(nj | ni, q) = exp( λ1 * φ(type(eij), Tq) + λ2 * sim(nj, q) )

4.2.1 怎麼讀這個分數？

在問題 q 下，從目前節點 nᵢ 走到鄰居 nⱼ，值不值得？公式主要看兩件事：

• φ「關係」，依查詢意圖 Tq，判斷這種關係適不適合。問 WHY，因果邊的權重就可以提高。

• sim「內容」，用節點與問題的向量餘弦相似度，衡量下一段記憶是否相關。

• λ₁、λ₂「權衡」，控制關係適合度與內容相似度各占多少。

所以，登山裝備雖然很像問題的主題，「腳踝受傷」仍可能因為因果關係而優先被追蹤。外面的 exp 把加權結果轉成正分數；這不是已正規化的機率。論文 Algorithm 1 再用 Heuristic Beam Search（啟發式集束搜尋）保留高分候選，公式本身不等於完整搜尋演算法。

五、實驗成績一覽

LoCoMo 基準測試：Table 1 完整 Judge 欄位｜論文報告值，未獨立重現

註：Judge 是 [0,1] 的語意評分，允許部分給分；0.700 不等於「70% 題目完全答對」。A-MEM、MemoryOS、Nemori 是其他研究者提出的 AI 長期記憶架構。MAGMA 的 Overall、Single-Hop、Adversarial 表現突出，但 Multi-Hop 低於 Nemori 與 MemoryOS。只看 Overall，會錯過它在不同題型上的差異。

消融實驗：Table 4｜論文報告值，未獨立重現；下降幅度為相對完整 MAGMA 的分數差。

註：表中降幅最大的是移除「自適應走訪策略」：.700 → .637。這讓我更想測試策略本身的作用：同樣一組關係，依問題換路線，究竟能多找回多少有用證據？

六、心得

6.1 這篇最漂亮的設計是什麼？

讀完這篇論文，我覺得 MAGMA 最值得學習的，不只是「建了四張圖」，而是把「記憶裡存什麼關係」和「問題該沿什麼關係找證據」分開設計。

換句話說：

• 四張圖是表示層（representation），記住世界的不同面向。

• Adaptive Traversal Policy 是控制層（control），根據問題決定怎麼搜索。

這個解耦（decoupling）的好處非常實際：同一張白板可以換路線，問題變了，不用重新建一份記憶；問「為什麼」的時候走因果線，問「什麼時候」的時候走時間線，底層資料完全不用動。

我最有興趣的不是增加圖的數量，而是把關係變成可以控制、量測與否證的設計，例如：開啟 Entity Graph 後是否真的補齊跨 session 事實？錯誤因果邊增加時，系統表現何時開始變差？

6.2 公開程式碼：沿著資料流查下去

本文是論文與公開程式的對照閱讀，沒有重跑完整 benchmark。檢視固定在 commit 467cb70b67ac337b22fdb42194d37c04ad701b62，沿著記憶建置、查詢走訪與評估流程追蹤。以下結論限定這個版本；這些程式不足以證明作者產生論文數字時的歷史執行環境。我最想借鑑的是「表示與策略分離」。但公開實作讓我先停在幾個更基本的問題：同名的人怎麼分開？一條因果邊憑什麼成立？評估時，答案資訊到底有沒有流進作答過程？如果這些地方沒有處理好，後面的高分就很難解讀。

6.2.1 關係品質與搜尋路徑

• 同名不等於同人。 create_entity_links 把抽取出的實體字串做 lower().strip()，再按相同字串分組。假設健身教練和軟體工程師都叫 Alex，就有誤連風險。這是建邊規則的限制；不能因此說前面的實體抽取也完全沒有用 LLM。查證：create_entity_links · L722

• 先後不等於因果。 _infer_latent_edges 雖然準備了提示文字，該函式卻沒有呼叫 LLM，而是檢查前三個鄰居，把時間較早者接成 LEADS_TO，信心值固定為 0.5。「早上打噴嚏、下午下雨」正好說明這種判準缺少什麼：先發生，沒有回答為什麼造成後者。這是規則風險的示意，不是實測錯答。查證：_infer_latent_edges · L610。同檔另有呼叫 LLM 的 _infer_causality；這裡指出的是上述簡化路徑，並非所有因果方法。

• 輪次不等於時間。 建圖程式以 session timestamp + timedelta(hours=turn_number) 產生事件時間戳。多說一輪話，就被當成多過一小時；這改變了時間關係的語意，不能直接當成情境中事件真正發生的時間。查證：事件時間戳 · L285

• Beam Search 函式存在，但主要查詢路徑沒有走它。 論文 Algorithm 1 描述 Heuristic Beam Search。公開程式保留了 _probabilistic_beam_search，但我追蹤的主要 query 路徑呼叫的是 _adaptive_graph_traversal，註解稱為 Adaptive BFS（調適性廣度優先搜尋）。集束搜尋每層保留高分候選；這個 BFS 路徑則逐層擴展並套用過濾條件。探索順序、證據集合和成本都可能不同，不能視為同一方法的等價重現。查證：query · L682、_probabilistic_beam_search · L1002、_adaptive_graph_traversal · L1099

6.2.2 評估洩漏：三種資訊進了三個不同環節

三種情況分別是拿正解選答案、提供真實題型，以及標出答案所在資料；介入的位置與資訊量都不同。

• 正解選答（Gold-answer leakage）就像先寫三份答案，再翻標準解答，挑最接近的那份交卷。LoCoMo 入口預設 --best-of-n=3、--best-of-n-method=llm_judge；選答函式把 expected 正解交給 evaluator，保留分數最高的候選。問題出在正解參與了最終答案的選擇；即使生成候選時沒有把正解直接塞進 prompt，這也已經不是獨立作答。Best-of-N 本身不是洩漏，拿 gold answer 挑答案才是。查證：預設參數 · L364、_answer_question_best_of_n · L94

• 題型提示（Benchmark-label leakage）就像考試時有人先告訴你「這題是多跳推理」。程式讀取真實 qa.category，把 multi-hop 的 top_k 設成 30，其他設成 15，並將 category 傳入 QA prompt，切換作答提示。題型不是正解，但它是 benchmark 提供的額外標籤（privileged label）。若要測試系統從問題自行判斷策略的能力，就不應把這份標籤提前交給它。查證：題型與檢索設定 · L277；同檔 _answer_question_single 的 category 提示分支。

• 答案位置（Gold-evidence leakage）就像翻出幾頁資料後，有人指出哪一頁藏著答案。LongMemEval 以 answer_session_ids 辨識已召回的正解會話，優先選入上下文，並依是否為正解會話採取不同的內容抽取路徑，最後還加上 CONTAINS ANSWER 標記。它不是無條件補入所有未召回的正解資料，但仍把測試答案的位置用來篩選與標註證據。這會干預原本應由檢索器自己完成的工作。查證：正解會話優先選擇 · L1400、分流抽取 · L1450、CONTAINS ANSWER · L1596

這些資料流足以否定「直接跑這套預設流程，就是乾淨盲測」的說法。 要用分數支持架構有效，必須先切斷這些標籤與作答流程的連接，再重新比較基線與消融。

6.3 三個值得借鑑的設計

如果要重新實作，我會保留以下設計：

• 記憶有關聯
  能從「取消登山」沿關係追到「腳踝受傷」，補充只靠相似度排名可能漏掉的證據。

• 同板可換路線
  問題變了，不用重建記憶，只需要換走訪策略；同一份記憶因此能比較不同檢索策略。

• 先記再整理
  Fast Path 先留下可查詢的骨架，Slow Path 再補複雜關係；兼顧即時性與完整性。

6.4 如果要自己做，如何調整？

如果要把 MAGMA 的思想落地，我認為路線應該是：

1. 先建乾淨的基線：Semantic + Temporal + Entity，用明確規則和小型資料驗證；先觀察實體誤連與時間解析錯誤，確認每條邊都能回到來源。

2. 再加因果作為獨立變因：有來源的 Causal Edge，搭配品質量測（例如「因果邊錯誤率 vs. 表現下降」的曲線），不要一開始就假設因果邊一定有用。

3. 最後比較策略：Fixed Policy（固定走所有邊）vs. Intent-aware Policy（依意圖調整權重），在完全相同的圖和 token 預算下比較。

這樣的模組化實驗設計，可以幫助分辨「方法有效」和「某段 benchmark 特化規則有效」，後者不等於前者。

七、我的取捨

　　我會借鑑 MAGMA 把關係表示與檢索策略分開的設計，同一份記憶可以換不同路線，讓「哪種關係有幫助」變成能逐項測試的問題。論文的消融結果提供了值得驗證的假設，卻不能代替乾淨的評估流程。如果由我重新實作，我會先重做關係品質控制，把建圖、檢索、作答與評分拆開，讓正解只在答案固定後進入評分器。接著用相同資料與 token 預算，比較固定走訪、自適應走訪和各種關係消融，要確認的是：拿掉這些額外提示後，多圖記憶究竟還能帶來多少改善。

八、來源與資料說明

本文表格均為論文報告值，未獨立重現；登山、Alex 與打噴嚏情境是教學示意，非模型實測輸出。

程式證據固定於 467cb70b67ac337b22fdb42194d37c04ad701b62，各處查證連結指向該版本。

Jiang, D., Li, Y., Li, G., and Li, B. (2026). MAGMA: A Multi-Graph based Agentic Memory Architecture for AI Agents. Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), pp. 36848–36865. 架構：Figure 2；公式：Eq. (4)–(6)、Algorithm 1；LoCoMo：Table 1；查詢成本：Table 3；消融：Table 4；RRF 常數：Table 6。