구글 리서치는 과거의 성공과 실패를 활용하여 AI 에이전트의 학습 능력을 향상시키기 위해 설계된 새로운 에이전트 메모리 프레임워크인 ReasoningBank를 발표했습니다. 4월 22일에 공개된 ReasoningBank는 대규모 모델 기반 에이전트가 경험을 일반화된 추론 전략으로 정제하여 이를 메모리 뱅크에 저장하고, 향후 작업 수행에 활용할 수 있도록 합니다. 이 접근법은 행동 시퀀스보다는 추론 패턴에 중점을 두고 성공과 실패한 작업 경험을 모두 통합함으로써 이전 방법들보다 개선되었습니다. ICLR에서 발표된 논문과 GitHub에서 확인할 수 있는 이 프레임워크는 추론 시 추가 계산 자원을 할당하는 Memory-aware Test-time Scaling(MaTTS)을 포함합니다. 이를 통해 에이전트는 여러 작업 경로를 동시에 탐색하며 자기 비교를 통해 전략을 정교화할 수 있습니다. 벤치마크에서 ReasoningBank는 메모리 없는 기준선에 비해 WebArena 작업에서 8.3% 높은 성공률을, SWE-Bench-Verified 작업에서는 4.6% 향상된 성과를 보였으며, MaTTS 적용 시 추가적인 성능 향상이 나타났습니다.