🤖 AI

Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents

यह शोध पत्र MRAgent को प्रस्तुत करता है, जो एक ऐसा फ्रेमवर्क है जो स्टैटिक रिट्रीवल (static retrieval) को क्यू-टैग-कंटेंट (Cue-Tag-Content) ग्राफ पर एक एक्टिव रिकंस्ट्रक्शन मैकेनिज्म से बदल देता है ताकि रीजनिंग के दौरान मेमोरी एक्सेस को डायनामिक रूप से अनुकूलित किया जा सके, जिससे LLM एजेंट बेंचमार्क पर लॉन्ग-होरिज़न (long-horizon) प्रदर्शन और दक्षता में महत्वपूर्ण सुधार होता है।

मूल लेखक: Shuo Ji, Yibo Li, Bryan Hooi

प्रकाशित 2026-06-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shuo Ji, Yibo Li, Bryan Hooi

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ "Memory is Reconstructed, Not Retrieved" पेपर का सरल भाषा और रचनात्मक उपमाओं (analogies) के साथ विवरण दिया गया है।

मुख्य विचार: AI लंबी बातचीत में क्यों खो जाता है

कल्पना कीजिए कि आप एक ऐसे दोस्त से बात कर रहे हैं जो हफ्तों से आपसे चैट कर रहा है। अचानक, आप उससे पूछते हैं, "उस फिल्म का नाम क्या था जिसके बारे में हमने जुलाई में बात की थी, ठीक उसी समय जब तुम बीच (beach) पर गए थे?"

यदि आपके मित्र के पास एक मानक AI मेमोरी सिस्टम है, तो वह एक सख्त नियम पुस्तिका वाले लाइब्रेरियन की तरह व्यवहार करता है। वह "फिल्म" और "जुलाई" सुनता है, और तुरंत लाइब्रेरी से हर वह फाइल निकाल लेता है जिसके स्पाइन (spine) पर "फिल्म" या "जुलाई" लिखा होता है। वे आपके सामने कागजों का एक बड़ा ढेर लगा देते हैं। आपको जनवरी की फिल्मों, अगले साल की फिल्मों और उन फिल्मों के बीच से छानबीन करनी पड़ती है जिनका आपकी बातचीत से कोई लेना-देना नहीं है। यह अव्यवस्थित, धीमा है, और वे अक्सर उस विशिष्ट फाइल को भी मिस कर देते हैं जिसकी आपको आवश्यकता थी क्योंकि उन्हें यह नहीं पता था कि आप किस फिल्म का मतलब निकाल रहे हैं जब तक कि उन्होंने वह ढेर नहीं देख लिया।

इस पेपर के लेखक, MRAgent, कहते हैं: "मानवीय स्मृति इस तरह काम नहीं करती।"

मानवीय स्मृति कोई लाइब्रेरी नहीं है जहाँ आप बस एक शब्द खोजते हैं। यह एक जासूसी कहानी (detective story) है। जब आप कुछ याद करने की कोशिश करते हैं, तो आप सिर्फ एक फाइल नहीं उठाते; बल्कि आप सुरागों के एक निशान (trail of clues) का पीछा करते हैं। आप सोचते हैं, "ओह, यह जुलाई था... और हम बीच के बारे में बात कर रहे थे... और फिल्म एक कॉमेडी थी।" आप उस सटीक स्मृति को खोजने के लिए उन मध्यवर्ती सुरागों का उपयोग करते हैं जब तक कि आप सही जगह न पहुँच जाएँ।

समस्या: "पैसिव" (Passive) बनाम "एक्टिव" (Active) दृष्टिकोण

पेपर का तर्क है कि वर्तमान AI एजेंट पैसिव रिट्रीवल (Passive Retrieval) विधि का उपयोग करते हैं।

उपमा: कल्पना कीजिए कि एक रोबोट के पास केवल एक टॉर्च है। जब आप कोई प्रश्न पूछते हैं, तो रोबट उन पहली कुछ चीजों पर रोशनी डालता है जो समान दिखती हैं और रुक जाता है। यदि उत्तर वहीं नहीं मिलता, तो रोबोट हार मान लेता है या गलत अनुमान लगा देता है। वह खोज के बीच में अपना निर्णय नहीं बदल सकता।

पेपर एक्टिव मेमोरी रिकंस्ट्रक्शन (Active Memory Reconstruction) का प्रस्ताव देता है।

उपमा: कल्पना कीजिए कि एक जासूस के पास एक आवर्धक लेंस (magnifying glass) और एक नोटबुक है।
1. सुराग (The Clue): आप जासूस को एक संकेत देते हैं (जैसे, "जुलाई")।
2. जांच (The Investigation): जासूस को "जुलाई" लेबल वाली एक फाइल मिलती है। उसके अंदर, उसे एक नोट मिलता है: "हमने एक फिल्म के बारे में बात की थी।"
3. मोड़ (The Pivot): जासूस को एहसास होता है, "रुको, मुझे जानना है कि वह किस तरह की फिल्म थी।" वह उस नई जानकारी का उपयोग "कॉमेडी" टैग खोजने के लिए करता है।
4. खोज (The Discovery): अब वह जुलाई की उस कॉमेडी फिल्म के बारे में विशिष्ट फाइल पा लेता है।

AI केवल उत्तर "रिट्रीव" (निकालना) नहीं करता; यह चरण-दर-चरण उत्तर तक पहुँचने के मार्ग का पुनर्निर्माण (reconstruct) करता है, एक चरण में मिली जानकारी का उपयोग अगले चरण को निर्देशित करने के लिए करता है।

MRAgent कैसे काम करता है: "क्यू-टैग-कंटेंट" (Cue–Tag–Content) मैप

इस जासूसी कार्य को संभव बनाने के लिए, लेखकों ने एक विशेष मेमोरी संरचना बनाई है जिसे क्यू-टैग-कंटेंट ग्राफ (Cue–Tag–Content Graph) कहा जाता है। इसे तीन-स्तरीय मानचित्र प्रणाली के रूप में समझें:

क्यूज़ (Cues - सुराग): ये छोटे कीवर्ड्स हैं जैसे "Nate," "July," या "Video Games।"
टैग्स (Tags - पुल/सेतु): यह असली जादू है। "Nate" को सीधे एक लंबी कहानी से जोड़ने के बजाय, वे "Nate" को "Summer Vacation" जैसे टैग से जोड़ते हैं। टैग एक सिमेंटिक ब्रिज (semantic bridge) के रूप में कार्य करता है। यह AI को बताता है, "यदि आप Nate को खोज रहे हैं, तो पहले 'Summer Vacation' फोल्डर की जाँच करें।" टैग एक सेतु की तरह है।
कंटेंट (Content - कहानी): यह वास्तविक स्मृति (जो हुआ उसकी लंबी टेक्स्ट) है।

यह बेहतर क्यों है?
यदि AI सीधे "Nate" से "कहानी" पर कूदने की कोशिश करता है, तो वह असंबंधित कहानियों के समुद्र में खो सकता है। लेकिन पहले टैग पर रुककर, AI खुद से पूछ सकता है: "क्या 'Summer Vacation' टैग मेरे वर्तमान प्रश्न के लिए प्रासंगिक लग रहा है?" यदि हाँ, तो वह गहराई में उतर जाता है। यदि नहीं, तो वह उस रास्ते को काट देता है और दूसरा टैग आज़माता है। यह AI को अप्रासंगिक कहानियाँ पढ़ने में समय बर्बाद करने से रोकता है।

"एक्टिव रिकंस्ट्रक्शन" की प्रक्रिया

पेपर में AI की सोचने की प्रक्रिया को एक लूप के रूप में वर्णित किया गया है:

तर्क (Reason): AI प्रश्न और अपने वर्तमान सुरागों को देखता है।
मार्ग चुनना (Choose a Path): वह निर्णय लेता है, "मुझे पहले 'July' टैग की जाँच करनी चाहिए।"
अन्वेषण (Explore): वह देखता है कि उस टैग के अंतर्गत क्या है।
परिष्कृत करना (Refine): उसे एक नया सुराग मिलता है (जैसे, "Caroline")। वह अपनी योजना अपडेट करता है: "ठीक है, अब मुझे जुलाई में कैरोलिन की गतिविधियों की जाँच करनी होगी।"
दोहराना (Repeat): वह तब तक यह करता रहता है जब तक कि उसके पास उत्तर देने के लिए पर्याप्त साक्ष्य न हो।

यह पुराने सिस्टमों से अलग है जो केवल निश्चित संख्या में दस्तावेज़ उठाते हैं और उम्मीद करते हैं कि सब ठीक होगा। MRAgent डायनेमिक (dynamic) है; यह रास्ते में जो कुछ भी पाता है, उसके आधार पर अपनी खोज रणनीति बदलता है।

परिणाम: तेज़, स्मार्ट, सस्ता

लेखकों ने इसका परीक्षण दो बड़ी चुनौतियों (LOCOMO और LONGMEMEVAL) पर किया, जहाँ AI एजेंटों को बहुत लंबी बातचीत के विवरण को याद रखना होता है।

सटीकता (Accuracy): जटिल प्रश्नों के उत्तर देने में MRAgent काफी बेहतर (23% तक सुधार) था, जिनमें समय के साथ कड़ियों को जोड़ने की आवश्यकता होती है।
दक्षता (Efficiency): क्योंकि यह गलत रास्तों को जल्दी ही काट देता है, यह अन्य तरीकों की तुलना में कम शब्द (tokens) पढ़ता है और इसमें कम समय लगता है। यह पूरी लाइब्रेरी पढ़ने में ऊर्जा बर्बाद नहीं करता; यह केवल उसी विशिष्ट शेल्फ को पढ़ता है जिसकी उसे आवश्यकता है।

एक वाक्य में सारांश

एक कठोर लाइब्रेरियन की तरह व्यवहार करने के बजाय, जो आपके डेस्क पर किताबों का ढेर लगा देता है, MRAgent एक स्मार्ट जासूस की तरह काम करता है जो सुरागों के निशान का पीछा करता है, स्मृतियों के मानचित्र का उपयोग करके मध्यवर्ती संकेतों के माध्यम से नेविगेट करता है, जिससे यह सुनिश्चित होता है कि वह शोर-शराबे में खोए बिना सही उत्तर खोज ले।

तकनीकी सारांश: मेमोरी का पुनर्निर्माण किया जाता है, पुनर्प्राप्त नहीं: LLM एजेंटों के लिए ग्राफ मेमोरी

1. समस्या विवरण

लार्ज लैंग्वेज मॉडल (LLM) एजेंट वर्तमान में लंबी बातचीत के इतिहास पर तर्क करने (reasoning) में संघर्ष कर रहे हैं। जबकि मौजूदा मेमोरी-ऑगमेंटेड एजेंट बाहरी मेमोरी सिस्टम का उपयोग करते हैं, वे मुख्य रूप से एक स्थिर "रिट्रीव-देन-रीज़निंग" (retrieve-then-reason) प्रतिमान पर निर्भर करते हैं। इस कठोर पाइपलाइन में, मेमोरी एक्सेस, रीजनिंग प्रक्रिया से अलग होता है, जो एजेंटों को इन्फरेंस के दौरान खोजी गई मध्यवर्ती साक्ष्य (intermediate evidence) के आधार पर अपनी रिट्रीवल रणनीतियों को गतिशील रूप से अनुकूलित करने से रोकता है।

वर्तमान दृष्टिकोण दो श्रेणियों में आते हैं जिनकी विशिष्ट सीमाएँ हैं:

समानता-आधारित रिट्रीवल (जैसे, RAG, Mem0): ये सिस्टम निश्चित समानता स्कोरिंग फंक्शन के आधार पर मेमोरी यूनिट्स को रिट्रीव करते हैं। वे नए रिट्रीवल संकेतों (cues) को निकालने या मध्यवर्ती निष्कर्षों के आधार पर अनुकूलित होने में विफल रहते हैं, जिससे अक्सर सतही तौर पर प्रासंगिक लेकिन अर्थपूर्ण रूप से गलत घटनाओं को रिट्रीव करके काफी शोर (noise) पैदा होता है।
ग्राफ-आधारित मेमोरी रिट्रीवल (जैसे, A-Mem, Zep): ये सिस्टम संरचित मेमोरी ग्राफ का उपयोग करते हैं लेकिन पूर्व-निर्धारित ट्रैवर्सल ऑपरेटरों (जैसे, निश्चित $N$ -hop नेबर एक्सपेंशन) पर निर्भर करते हैं। हालांकि वे संरचनात्मक संबंधों को कैप्चर करते हैं, वे नए रिट्रीवल पाथ खोजने या संचित साक्ष्य के आधार पर अप्रासंगिक शाखाओं को छांटने (pruning) में सक्षम नहीं हैं, जिससे कॉम्बिनेटोरियल विस्फोट और शोर की स्थिति उत्पन्न होती है।

मुख्य चुनौती मेमोरी एक्सेस को एक निष्क्रिय, वन-शॉट रिट्रीवल प्रक्रिया से बदलकर एक सक्रिय, बहु-चरणीय पुनर्निर्माण प्रक्रिया में बदलना है जो एक एसोसिएटिव मेमोरी स्ट्रक्चर द्वारा निर्देशित होकर, रीजनिंग स्टेप्स के माध्यम से सूचना को क्रमिक रूप से प्रकट करती है।

2. कार्यप्रणाली: MRAgent

लेखक MRAgent (मेमोरी रीजनिंग आर्किटेक्चर फॉर LLM एजेंट्स) का प्रस्ताव करते हैं, जो एक फ्रेमवर्क है जो मेमोरी एक्सेस में LLM रीजनिंग को सीधे एकीकृत करता है। यह सिस्टम एक क्यू–टैग–कंटेंट (Cue–Tag–Content) एसोसिएटिव मेमोरी ग्राफ पर कार्य करता है और एक सक्रिय पुनर्निर्माण तंत्र का उपयोग करता है।

2.1. एसोसिएटिव मेमोरी स्ट्रक्चर

मेमोरी को एक हेट्रोजेनियस ग्राफ $\mathcal{M} = (\mathcal{C}, \mathcal{V}, \mathcal{R})$ के रूप में व्यवस्थित किया गया है जिसमें तीन प्राथमिक घटक शामिल हैं:

क्यूज़ ( $\mathcal{C}$ ): सूक्ष्म कीवर्ड जैसे एंटिटीज, एट्रिब्यूट्स, या कॉन्टेक्स्टुअल डिस्क्रिप्टर्स।
कंटेंट ( $\mathcal{V}$ ): विशिष्ट मेमोरी आइटम्स, जिन्हें तीन परतों में वर्गीकृत किया गया है:
- एपिसोडिक लेयर (Episodic Layer): विशिष्ट संदर्भों और टाइमलाइनों में आधारित ठोस घटनाएँ।
- सिमेंटिक लेयर (Semantic Layer): घटनाओं से निकाला गया स्थिर, अमूर्त ज्ञान (जैसे, प्राथमिकताएं, तथ्य)।
- एब्स्ट्रैक्शन लेयर (Abstraction Layer): एपिसोड्स में बार-बार आने वाले पैटर्न का सारांश देने वाले टॉपिक नोड्स।
टैग्स ( $\mathcal{G}$ ): एसोसिएटिव संबंध जो सिमेंटिक ब्रिज के रूप में कार्य करते हैं। एक ट्रिपल $(c, g, v) \in \mathcal{R}$ एक क्यू $c$ को एक टैग $g$ के माध्यम से कंटेंट नोड $v$ से जोड़ता है।

यह संरचना एक दो-चरणीय रिट्रीवल प्रक्रिया को सक्षम बनाती है: LLM पहले क्यूज़ के आधार पर प्रासंगिक टैग्स का चयन करता है, और फिर उन टैग्स की स्थिति में कंटेंट को रिट्रीव करता है। यह एसोसिएटिव रीजनिंग को कंटेंट-लेवल रिट्रीवल से अलग करता है, जिससे गाइडेड एक्सप्लोरेशन और अप्रासंगिक शाखाओं की छंटाई संभव होती है।

2.2. सक्रिय मेमोरी पुनर्निर्माण प्रक्रिया (Active Memory Reconstruction Process)

MRAgent मेमोरी एक्सेस को एक अनुक्रमिक निर्णय प्रक्रिया के रूप में फॉर्म्युलेट करता है जिसे पुनर्निर्माण अवस्था $S(t) = (Z(t), H(t))$ द्वारा परिभाषित किया गया है, जहाँ $Z(t)$ सक्रिय मेमोरी तत्वों का सेट है और $H(t)$ संचित साक्ष्य (accumulated evidence) है।

प्रक्रिया निम्नलिखित चरणों के माध्यम से पुनरावृत्त होती है:

LLM रीजनिंग और एक्शन सिलेक्शन: वर्तमान क्वेरी $x$ $x$ , संचित कॉन्टेक्स्ट $H(t)$ $H (t)$ , और सक्रिय सेट $Z(t)$ $Z (t)$ के आधार पर, LLM ट्रैवर्सल एक्शन्स का एक सेट $\mathcal{A}(t)$ $A (t)$ चुनता है। इन एक्शन्स में शामिल हैं:
- फॉरवर्ड ट्रैवर्सल (Forward Traversal): क्यूज़ से टैग्स ( $\Pi_{c \to g}$ ) की ओर विस्तार, या (क्यू, टैग) से कंटेंट ( $\Pi_{(c,g) \to v}$ ) की ओर विस्तार।
- रिवर्स ट्रैवर्सल (Reverse Traversal): रिट्रीव किए गए कंटेंट से नए क्यूज़ और टैग्स को सक्रिय करना ( $\Pi_{v \to (c,g)}$ )।
नियंत्रित मेमोरी ट्रैवर्सल (Controlled Memory Traversal): सिस्टम चयनित एक्शन्स को निष्पादित करके कैंडिडेट नोड्स जेनरेट करता है। व्यापक ग्राफ विस्तार के विपरीत, यह चरण LLM के चयन द्वारा निर्देशित होता है, जिससे शोर कम होता है।
LLM रूटिंग और स्टेट अपडेट: LLM कैंडिडेट का मूल्यांकन करता है, सबसे प्रासंगिक कंटेंट का चयन करता है और अप्रासंगिक शाखाओं को हटा देता है। सक्रिय सेट $Z(t+1)$ और संचित कॉन्टेक्स्ट $H(t+1)$ को अपडेट किया जाता है।
समाप्ति (Termination): यह प्रक्रिया तब तक चलती है जब तक कि संचित साक्ष्य क्वेरी का उत्तर देने के लिए पर्याप्त न हो जाए या अधिकतम स्टेप लिमिट तक न पहुँच जाए।

2.3. मेमोरी पॉपुलेशन

मेमोरी ग्राफ को एक स्वचालित डिस्टिलेशन पाइपलाइन के माध्यम से भरा जाता है। एक LLM इनपुट डायलॉग स्ट्रीम को प्रोसेस करता है ताकि:

टेक्स्ट को एपिसोडिक यूनिट्स में विभाजित किया जा सके।
सूक्ष्म क्यूज़ निकाले जा सकें और प्रत्येक एपिसोड के लिए एसोसिएटिव टैग्स जेनरेट किए जा सकें।
स्थिर सिमेंटिक फैक्ट्स और एब्स्ट्रैक्ट टॉपिक नोड्स को डिस्टिल किया जा सके।
यह एक मल्टी-ग्रैनुलर स्ट्रक्चर बनाता है जो इवेंट-लेवल और कॉन्सेप्चुअल रीजनिंग दोनों का समर्थन करता है।

3. प्रमुख योगदान

सक्रिय मेमोरी पुनर्निर्माण (Active Memory Reconstruction): एक नया प्रतिमान जो मेमोरी एक्सेस को रीजनिंग लूप में एकीकृत करता है, जिससे एजेंटों को मध्यवर्ती साक्ष्य के आधार पर अपनी खोज रणनीतियों को गतिशील रूप से अनुकूलित करने की अनुमति मिलती है।
क्यू–टैग–कंटेंट मेमोरी ग्राफ: एक नवीन आर्किटेक्चर जहाँ एसोसिएटिव टैग्स रिट्रीवल को मध्यस्थ बनाते हैं, जिससे LLM को विस्तृत कंटेंट तक पहुँचने से पहले ही आशाजनक रास्तों की पहचान करने और अप्रासंगिक शाखाओं को छांटने में सक्षम बनाया जाता है।
सैद्धांतिक अभिव्यक्तता (Theoretical Expressivity): एक प्रमाण जो दर्शाता है कि सक्रिय रिट्रीवल पॉलिसीज, निष्क्रिय रिट्रीवल पॉलिसीज की तुलना में स्पष्ट रूप से अधिक अभिव्यंजक हैं। विशेष रूप से, किसी भी रिट्रीवल बजट $T \ge 2$ के लिए, सक्रिय रिट्रीवर्स का हाइपोथीसिस क्लास ( $\mathcal{H}_{active}^{LM}(T)$ ), निष्क्रिय रिट्रीवर्स ( $\mathcal{H}_{passive}^{LM}(T)$ ) के क्लास को सख्ती से समाहित करता है।
अनुभवजन्य सत्यापन (Empirical Validation): मजबूत बेसलाइन्स पर महत्वपूर्ण प्रदर्शन सुधार दिखाते हुए व्यापक प्रयोग।

4. प्रयोगात्मक परिणाम

लेखकों ने LOCOMO (लॉन्ग कन्वर्सेशनल मेमोरी) और LONGMEMEVAL (लॉन्ग-टर्म मेमोरी क्रॉस सेशन्स) बेंचमार्क पर MRAgent का मूल्यांकन किया।

प्रदर्शन: MRAgent ने सभी बेसलाइन्स (A-Mem, MemoryOS, LangMem, और Mem0 सहित RAG को छोड़कर) को पछाड़ दिया।
- Gemini बैकबोन के साथ LOCOMO पर, MRAgent ने 84.21 का समग्र LLM-Judge स्कोर प्राप्त किया, जो सर्वश्रेष्ठ बेसलाइन (Mem0 68.31 पर) से 23.3% का सापेक्ष सुधार है।
- LONGMEMEVAL पर, MRAgent ने सबसे मजबूत बेसलाइन की तुलना में 32% का सापेक्ष सुधार हासिल किया।
दक्षता: MRAgent ने टोकन खपत और रनटाइम को काफी कम कर दिया। LONGMEMEVAL पर, इसने A-Mem के 632k और LangMem के 3,268k की तुलना में प्रति सैंपल केवल 118k टोकन का उपभोग किया, जबकि 586 सेकंड का रनटाइम बनाए रखा (MemoryOS के 3,135 सेकंड की तुलना में)।
एब्लेशन स्टडीज (Ablation Studies):
- रीजनिंग: मल्टी-स्टेप रीजनिंग वेरिएंट्स ने लगातार स्ट्रक्चर-ओनली वेरिएंट्स से बेहतर प्रदर्शन किया, जो इटरेटिव एविडेंस एक्यूमुलेशन की आवश्यकता की पुष्टि करता है।
- टैग्स: एसोसिएटिव टैग्स (CTC स्ट्रक्चर) के समावेश ने डायरेक्ट इंडेक्सिंग (CE) या मेडिएटेड एपिसोडिक रिट्रीवल (CTE) की तुलना में रिट्रीवल विश्वसनीयता में सुधार किया।
- मेमोरी लेयर्स: सिमेंटिक मेमोरी लेयर को हटाने से प्रदर्शन में गिरावट आई, जो एपिसोडिक और सिमेंटिक मेमोरी की पूरक भूमिका को उजागर करता है।
मल्टी-टर्न विश्लेषण: साक्ष्य रिकॉल (evidence recall) रीजनिंग टर्न्स के साथ प्रगतिशील रूप से सुधरा, जिसमें मल्टी-हॉप क्वेरीज को इटरेटिव एक्सप्लोरेशन से सबसे अधिक लाभ हुआ। एजेंट ने प्रभावी ढंग से यह निर्धारित किया कि कब खोजना बंद करना है, जिससे अनावश्यक एक्सप्लोरेशन कम हुआ।

5. महत्व और सीमाएँ

महत्व:
यह पेपर तर्क देता है कि मेमोरी रिट्रीवल को एक निष्क्रिय रीडआउट के बजाय एक सक्रिय, पुनर्निर्माण प्रक्रिया के रूप में मॉडल किया जाना चाहिए। जटिल रिलेशनल डिपेंडेंसीज की मॉडलिंग को रिट्रीवल स्टेज पर स्थानांतरित करके, MRAgent एजेंटों को लक्षित, स्टेट-डिपेंडेंट एक्सप्लोरेशन के माध्यम से कम कम्प्यूटेशनल संसाधनों के साथ जटिल, मल्टी-हॉप क्वेरीज़ को हल करने में सक्षम बनाता है। यह दृष्टिकोण संज्ञानात्मक तंत्रिका विज्ञान (cognitive neuroscience) के दृष्टिकोण के अनुरूप है, जहाँ क्यूज़ 'एंग्राम्स' (engrams) के पुनर्सक्रियन को ट्रिगर करते हैं ताकि सुसंगत अनुभवों का क्रमिक पुनर्निर्माण किया जा सके।

सीमाएँ:
लेखक अपने वर्तमान कार्यान्वयन में विशिष्ट सीमाओं को स्वीकार करते हैं:

विलंबता (Latency): क्योंकि रिलेशनल रीजनिंग को रिट्रीवल स्टेज के लिए टाल दिया गया है, इसलिए पुनर्निर्माण की लागत एक्सप्लोरेशन की गहराई के साथ बढ़ती है। कई ट्रैवर्सल स्टेप्स की आवश्यकता वाली क्वेरीज़ में सिंगल-शॉट रिट्रीवल की तुलना में उच्च विलंबता होती है।
स्थिर निर्माण (Static Construction): वर्तमान मेमोरी ग्राफ बिना किसी तंत्र के मोनोटोनिक रूप से बढ़ता है जो समय के साथ मेमोरी को अपडेट या कंसोलिडेट कर सके, जिससे लंबे समय तक चलने वाले डिप्लॉयमेंट में स्टोरेज ओवरहेड की संभावना बढ़ सकती है।

लेखक सुझाव देते हैं कि भविष्य के कार्यों को व्यापक लॉन्ग-होरिजन सेटिंग्स तक सक्रिय पुनर्निर्माण को विस्तारित करने के लिए एडेप्टिव कंस्ट्रक्शन, लाइटवेट मेमोरी मेंटेनेंस और अधिक मजबूत ट्रैवर्सल पॉलिसीज पर ध्यान केंद्रित करना चाहिए।