@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。

X AI KOLs Following 论文
agent-memory llm-reasoning learning-framework task-efficiency

摘要

ReasoningBank introduces an agent memory framework that lets LLM agents continuously learn from successes and failures, boosting task success rates and efficiency.

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。
查看原文
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

@chenchengpro: 给 LLM Agent 堆越花哨的"记忆"架构，效果不一定越好。一篇新论文实测了 12 个记忆系统，没有通用赢家。 它把 Agent 记忆当成数据库来拆——表示与存储、抽取、检索与路由、维护四个模块，拉来 Mem0、Letta、Zep、C…

X AI KOLs Timeline

一篇论文系统评估了12个LLM Agent记忆系统，将其拆分为四个模块，发现没有单一架构在所有场景下占优，并揭示了成本-性能权衡和常见问题（如“过去的幻觉”）。

PolicyBank：为LLM智能体演进策略理解

arXiv cs.CL

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。

受人类启发的LLM智能体记忆架构

arXiv cs.AI

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。