ReasoningBank：一种让AI代理从成功与失败中学习的记忆框架

来自谷歌云的研究科学家严军（Jun Yan）和陈宇（Chen-Yu Lee）在ICLR 2025上提出了ReasoningBank，这是一种新的智能体记忆框架。该框架解决了当前智能体在部署后无法从过往经验中学习的局限性。与现有方法（如存储全部操作日志或仅存储成功工作流）不同，ReasoningBank能从成功和失败案例中提炼出高层次、可迁移的推理模式。每个记忆项以结构化记录的形式存储，包含场景、指令、推理策略和操作草图。该系统通过检索、提取和巩固的闭环运行，利用大语言模型作为评判器进行自我评估。ReasoningBank还引入了记忆感知的测试时扩展（MaTTS），通过对比和优化信号，利用探索轨迹生成高质量记忆。在WebArena和SWE-Bench-Verified上的评估（使用Gemini-2.5-Flash）显示，ReasoningBank在任务成功率和效率上均优于Vanilla ReAct、Synapse和Agent Workflow Memory等基线模型。研究人员观察到，随着时间推移，其策略逐步成熟：简单的程序化规则演变为复杂的预防性逻辑结构。