Google Researchは、過去の成功と失敗を活用してAIエージェントの学習能力を向上させることを目的とした新しいエージェントメモリフレームワーク「ReasoningBank」を発表しました。4月22日にリリースされたReasoningBankは、大規模モデル駆動のエージェントが経験を一般化された推論戦略に抽出し、それをメモリバンクに保存して将来のタスク実行に活用できるようにします。このアプローチは、行動の連続ではなく推論パターンに焦点を当て、成功した経験と失敗した経験の両方を取り入れることで、従来の方法を改善しています。 このフレームワークは、ICLRで発表された論文に詳細が記載されており、GitHubでも公開されています。推論時に追加の計算リソースを割り当てるMemory-aware Test-time Scaling（MaTTS）を含んでおり、これによりエージェントは複数のタスク経路を同時に探索し、自己比較を通じて戦略を洗練させることが可能です。ベンチマークでは、ReasoningBankはWebArenaタスクで8.3％、SWE-Bench-Verifiedタスクで4.6％の成功率向上を示し、MaTTS適用時にはさらに改善が見られました。