@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。
ReasoningBank 是一种全新的智能体记忆框架，让 LLM 智能体能够从成功与失败的经验中持续学习。实验表明，它显著增强了智能体的效果，提高了成功率与效率。了解更多：http://goo.gle/4dWrPGb
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。
记忆是重构的，而非检索：LLM 代理的图记忆
MRAgent 提出了一种新颖的基于图的记忆框架，能在推理过程中动态重构记忆，在长程基准测试上实现高达 23% 的性能提升，同时降低了计算成本。
@rohanpaul_ai: 伊利诺伊大学和清华大学等实验室的新研究发现，LLM代理的记忆仍然不可靠，并且可能…
伊利诺伊大学和清华大学的一项研究发现，当不断重写LLM代理的记忆时，其记忆变得不可靠，在ARC-AGI任务上性能从100%下降到54%。该论文提出应保留原始经历，而不是总是进行总结。
受人类启发的LLM智能体记忆架构
微软研究人员提出了一种受生物学启发的LLM智能体记忆架构，该架构结合了睡眠阶段巩固和基于干扰的遗忘机制，以高效管理持久性记忆。