ReasoningBank: Un Marco de Memoria para Agentes de IA que Aprenden de Éxitos y Fracasos

Los investigadores científicos de Google Cloud, Jun Yan y Chen-Yu Lee, presentaron ReasoningBank, un nuevo marco de memoria para agentes presentado en ICLR 2025. Aborda la limitación de los agentes actuales que no logran aprender de experiencias pasadas tras su despliegue. A diferencia de métodos existentes que almacenan registros exhaustivos de acciones o solo flujos de trabajo exitosos, ReasoningBank destila patrones de razonamiento transferibles de alto nivel tanto de exitos como de fracasos. Cada elemento de memoria se almacena como registros estructurados que contienen escenario, instrucción, estrategia de razonamiento y bosquejo de acción. El sistema opera en un ciclo cerrado de recuperación, extracción y consolidación, utilizando un LLM como juez para la autoevaluación. ReasoningBank también introduce el escalado en tiempo de prueba consciente de la memoria (MaTTS por sus siglas en inglés), que usa trayectorias de exploración para generar memorias de alta calidad a través de señales contrastivas y de refinamiento. Evaluado en WebArena y SWE-Bench-Verified usando Gemini-2.5-Flash, ReasoningBank superó a las líneas base, incluyendo Vanilla ReAct, Synapse y Agent Workflow Memory, en tasa de éxito de tareas y eficiencia. Los investigadores observaron madurez estratégica a lo largo del tiempo, donde reglas procedimentales simples evolucionaron en estructuras lógicas complejas y preventivas.