@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。
摘要
ReasoningBank introduces an agent memory framework that lets LLM agents continuously learn from successes and failures, boosting task success rates and efficiency.
查看缓存全文
缓存时间: 2026/04/22 15:00
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。
相似文章
@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……
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。
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。
@QingQ77: 30 个可跑的 Jupyter notebook，把 LLM 智能体的记忆技术从短到长、从简单到生产级全部讲透。 https://github.com/NirDiamant/Agent_Memory_Techniques… 这个仓库把 L…
一个包含30个可运行Jupyter notebook的GitHub仓库，全面讲解LLM智能体记忆技术，从短期上下文到生产级模式，覆盖MemGPT、Zep、Graphiti等方法，并附有决策树和对比表。
学习如何让大语言模型进行推理
OpenAI 发布了一篇文章，通过密码破译示例探索大语言模型的推理技术，展示了语言模型的逐步问题求解和模式识别能力。