ReasoningBank: 成功と失敗から学ぶAIエージェントの記憶フレームワーク

Google Cloudの研究科学者であるJUN Yan氏とChen-Yu Lee氏は、ICLR 2025で発表された新しいエージェントメモリフレームワーク「ReasoningBank」を紹介した。これは、現在のエージェントがデプロイ後に過去の経験から学習できないという限界に対処するものである。全てのアクションログや成功したワークフローのみを保存する既存の手法とは異なり、ReasoningBankは成功と失敗の両方から高レベルで転移可能な推論パターンを抽出する。各メモリ項目は、シナリオ、指示、推論戦略、アクションスケッチを含む構造化レコードとして保存される。システムは、検索、抽出、統合の閉ループで動作し、LLMを判定役として自己評価を行う。ReasoningBankはまた、探索軌跡を用いて対照信号と洗練信号を通じて高品質なメモリを生成するメモリ認識型テスト時スケーリング（MaTTS）を導入する。WebArenaとSWE-Bench-VerifiedでGemini-2.5-Flashを用いて評価した結果、ReasoningBankはVanilla ReAct、Synapse、Agent Workflow Memoryなどのベースラインをタスク成功率と効率で上回った。研究者らは時間の経過とともに戦略的な成熟を観察し、単純な手続きルールが複雑な予防的論理構造へと進化することを確認した。