@GoogleResearch：ReasoningBank，一种新型智能体记忆框架，使LLM智能体能从成功与失败中持续学习……
摘要
Google Research 推出 ReasoningBank，一个让 LLM 智能体持续从成败经验中学习的记忆框架，可提升成功率与效率。
相似文章
@seclink: ReasoningBank 是一套新颖的智能体记忆框架，使大型语言模型（LLM）智能体能够持续从成功与失败的经验中进行学习。 我们的评估结果表明，该框架能够提升智能体的效能，显著提高其任务成功率与工作效率。
ReasoningBank introduces an agent memory framework that lets LLM agents continuously learn from successes and failures, boosting task success rates and efficiency.
PolicyBank：为LLM智能体演进策略理解
PolicyBank提出了一种记忆机制，使LLM智能体能够通过迭代交互和纠正反馈自主改进对组织策略的理解，弥补导致系统性行为偏离真实需求的规范差距。该工作引入了一个系统化测试平台，并展示PolicyBank能够解决高达82%的策略差距对齐失败，显著超越现有记忆机制。
MemReranker：面向智能体记忆检索的推理感知重排序
MemReranker 是一个针对智能体记忆检索设计的推理感知重排序模型家族（0.6B/4B），通过结合 LLM 知识蒸馏技术解决语义相似性匹配的局限性，从而提升模型的时间与因果推理能力。
rohitg00/agentmemory
agentmemory 是一个开源的持久化记忆层，专为 AI 编程智能体（Claude Code、Cursor、Gemini CLI、Codex CLI 等）设计。它通过知识图谱、置信度评分和混合搜索技术，借助 MCP、Hooks 或 REST API，为智能体提供跨会话的长期记忆能力。该项目基于 iii 引擎构建，无需外部数据库，提供 51 个 MCP 工具。
SuperLocalMemory V3.3: 活体大脑——面向零LLM智能体记忆系统的生物启发式遗忘、认知量化与多通道检索
SuperLocalMemory V3.3 引入了一种面向AI智能体的统一记忆与学习系统，具备生物启发式遗忘、多通道检索和P2P网状协调。该系统在LoCoMo基准测试上达到74.8%的成绩，并具有三流学习、生命周期管理和符合欧盟AI法案的特点。