ReasoningBank: Ein Gedächtnis-Framework für KI-Agenten, das aus Erfolgen und Misserfolgen lernt

Die Forschungswissenschaftler Jun Yan und Chen-Yu Lee von Google Cloud haben ReasoningBank vorgestellt, ein neues Framework für Agentengedächtnis, das auf der ICLR 2025 präsentiert wurde. Es adressiert die Einschränkung aktueller Agenten, die nach dem Einsatz nicht aus vergangenen Erfahrungen lernen können. Im Gegensatz zu existierenden Methoden, die entweder vollständige Aktionsprotokolle oder nur erfolgreiche Arbeitsabläufe speichern, destilliert ReasoningBank hochrangige, übertragbare Denkmuster aus sowohl Erfolgen als auch Misserfolgen. Jeder Gedächtniseintrag wird als strukturierter Datensatz gespeichert, der Szenario, Anweisung, Denkstrategie und Aktionsskizze enthält. Das System arbeitet in einer geschlossenen Schleife aus Abruf, Extraktion und Konsolidierung und verwendet ein LLM als Richter zur Selbsteinschätzung. ReasoningBank führt außerdem ein Memory-Aware Test-Time Scaling (MaTTS) ein, das Erkundungstrajektorien nutzt, um durch Kontrast- und Verfeinerungssignale qualitativ hochwertige Gedächtnisinhalte zu generieren. Auf WebArena und SWE-Bench-Verified mit Gemini-2.5-Flash evaluiert, übertraf ReasoningBank die Basislinien, darunter Vanilla ReAct, Synapse und Agent Workflow Memory, sowohl in der Aufgaben-Erfolgsrate als auch in der Effizienz. Die Forscher beobachteten im Laufe der Zeit eine strategische Reife, bei der sich einfache prozedurale Regeln zu komplexen, präventiven Logikstrukturen entwickelten.