ReasoningBank: Een Geheugenraamwerk voor AI-Agenten die Leren van Successen en Mislukkingen
Google/DeepMind
Onderzoekers van Google stellen ReasoningBank voor, een nieuw agentgeheugenraamwerk dat generaliseerbare redeneerstrategieën destilleert uit zowel succesvolle als mislukte ervaringen, wat continu leren na implementatie mogelijk maakt. Geëvalueerd op benchmarks voor web browsen en software-engineering verbetert het de effectiviteit en efficiëntie van agenten. Het raamwerk gebruikt geheugenbewuste test-time scaling (MaTTS) om exploratietrajecten te benutten.
Onderzoekers van Google Cloud, Jun Yan en Chen-Yu Lee, hebben ReasoningBank geïntroduceerd, een nieuw geheugenframework voor agenten dat werd gepresenteerd op ICLR 2025. Het pakt de beperking aan van huidige agenten die na implementatie niet leren van eerdere ervaringen. In tegenstelling tot bestaande methoden die volledige actielogboeken of alleen succesvolle workflows opslaan, distilleert ReasoningBank hoogwaardige, overdraagbare redeneerpatronen uit zowel successen als mislukkingen. Elk geheugenitem wordt opgeslagen als gestructureerde records met scenario, instructie, redeneerstrategie en actieschets. Het systeem werkt in een gesloten lus van ophalen, extractie en consolidatie, waarbij een LLM-as-a-judge wordt gebruikt voor zelfbeoordeling. ReasoningBank introduceert ook memory-aware test-time scaling (MaTTS), dat exploratietrajecten gebruikt om hoogwaardige herinneringen te genereren via contrastieve en verfijningssignalen. Geëvalueerd op WebArena en SWE-Bench-Verified met Gemini-2.5-Flash presteerde ReasoningBank beter dan basislijnen zoals Vanilla ReAct, Synapse en Agent Workflow Memory in taaksuccesratio en efficiëntie. De onderzoekers observeerden strategische volwassenheid in de loop van de tijd, waarbij eenvoudige procedurele regels evolueerden naar complexe, preventieve logische structuren.
Bron: Google Research —
origineel