ReasoningBank: Um Framework de Memória para Agentes de IA Aprendendo com Sucessos e Falhas

Pesquisadores do Google Cloud, Jun Yan e Chen-Yu Lee, apresentaram o ReasoningBank, uma nova estrutura de memória para agentes apresentada no ICLR 2025. Ela aborda a limitação dos agentes atuais que não conseguem aprender com experiências passadas após a implantação. Diferentemente dos métodos existentes, que armazenam logs de ações exaustivos ou apenas fluxos de trabalho bem-sucedidos, o ReasoningBank destila padrões de raciocínio de alto nível e transferíveis tanto de sucessos quanto de fracassos. Cada item de memória é armazenado como registros estruturados contendo cenário, instrução, estratégia de raciocínio e esboço de ação. O sistema opera em um ciclo fechado de recuperação, extração e consolidação, usando um LLM como juiz para autoavaliação. O ReasoningBank também introduz o dimensionamento em tempo de teste com reconhecimento de memória (MaTTS), que utiliza trajetórias de exploração para gerar memórias de alta qualidade por meio de sinais contrastivos e de refinamento. Avaliado no WebArena e no SWE-Bench-Verified usando o Gemini-2.5-Flash, o ReasoningBank superou as linhas de base, incluindo Vanilla ReAct, Synapse e Agent Workflow Memory, em taxa de sucesso de tarefas e eficiência. Os pesquisadores observaram maturidade estratégica ao longo do tempo, onde regras procedurais simples evoluíram para estruturas de lógica preventiva complexas.