ReasoningBank: AI Ajanlarının Başarı ve Başarısızlıklardan Öğrenmesi İçin Bir Bellek Çerçevesi
Google/DeepMind
Google araştırmacıları, web tarama ve yazılım mühendisliği kıyaslamalarında başarılı ve başarısız deneyimlerden genellenebilir akıl yürütme stratejileri çıkaran, dağıtım sonrası sürekli öğrenmeyi mümkün kılan yeni bir ajan bellek çerçevesi olan ReasoningBank'ı öneriyor. Değerlendirmeler, ajan etkinliğini ve verimliliğini artırdığını gösteriyor. Çerçeve, keşif yörüngelerinden yararlanmak için bellek duyarlı test zamanı ölçeklendirmesini (MaTTS) kullanıyor.
Google Cloud'tan araştırma bilimcileri Jun Yan ve Chen-Yu Lee, ICLR 2025'te sunulan ReasoningBank adlı yeni bir ajan bellek çerçevesini tanıttı. Bu çerçeve, mevcut ajanların dağıtımdan sonra geçmiş deneyimlerden öğrenememesi sınırlamasını ele alıyor. Kapsamlı eylem günlükleri veya yalnızca başarılı iş akışlarını depolayan mevcut yöntemlerin aksine, ReasoningBank hem başarılardan hem de başarısızlıklardan üst düzey, aktarılabilir akıl yürütme kalıplarını damıtıyor. Her bellek öğesi, senaryo, talimat, akıl yürütme stratejisi ve eylem taslağı içeren yapılandırılmış kayıtlar olarak saklanıyor. Sistem, öz değerlendirme için yargıç olarak büyük dil modeli (LLM) kullanan bir geri alma, çıkarma ve birleştirme döngüsünde çalışıyor. ReasoningBank ayrıca, yüksek kaliteli bellekler üretmek için karşılaştırmalı ve iyileştirme sinyalleri aracılığıyla keşif yörüngelerini kullanan bellek bilinçli test zamanı ölçeklemesini (MaTTS) tanıtıyor. WebArena ve SWE-Bench-Doğrulanmış üzerinde Gemini-2.5-Flash kullanılarak değerlendirilen ReasoningBank, Vanilla ReAct, Synapse ve Agent Workflow Memory gibi temel yöntemlere göre görev başarı oranı ve verimlilikte daha iyi performans gösterdi. Araştırmacılar, zamanla stratejik olgunlaşma gözlemlediler; basit prosedürel kurallar karmaşık, önleyici mantık yapılarına dönüştü.
Kaynak: Google Research —
orijinal