Google Research hat ReasoningBank vorgestellt, ein neues Agenten-Speicherframework, das darauf ausgelegt ist, die Lernfähigkeiten von KI-Agenten durch Nutzung vergangener Erfolge und Misserfolge zu verbessern. ReasoningBank, das am 22. April veröffentlicht wurde, ermöglicht es großmodellgetriebenen Agenten, Erfahrungen in verallgemeinerte Denkstrategien zu destillieren und diese in einem Speicherbank für die zukünftige Aufgabenausführung zu speichern. Dieser Ansatz verbessert frühere Methoden, indem er sich auf Denk- und Argumentationsmuster statt auf Handlungssequenzen konzentriert und sowohl erfolgreiche als auch gescheiterte Aufgaben-Erfahrungen einbezieht. Das Framework, das in einem bei ICLR veröffentlichten Papier detailliert beschrieben und auf GitHub verfügbar ist, beinhaltet Memory-aware Test-time Scaling (MaTTS), um während der Inferenz zusätzliche Rechenressourcen zuzuweisen. Dies ermöglicht es den Agenten, mehrere Aufgabenverläufe gleichzeitig zu erkunden und Strategien durch Selbstvergleich zu verfeinern. In Benchmark-Tests zeigte ReasoningBank eine um 8,3 % höhere Erfolgsrate bei WebArena-Aufgaben und eine um 4,6 % verbesserte Leistung bei SWE-Bench-Verified-Aufgaben im Vergleich zu speicherlosen Baselines, mit weiteren Verbesserungen bei Anwendung von MaTTS.