23.04.2026 11:01
🧠 ReasoningBank: память для ИИ-агентов Google Research представил ReasoningBank — фреймворк, который даёт ИИ-агентам во
🧠 ReasoningBank: память для ИИ-агентов
Google Research представил ReasoningBank — фреймворк, который даёт ИИ-агентам возможность учиться на собственных ошибках. В отличие от предшественников (Synapse, AWM), запоминавших лишь успешные прогоны, новая система извлекает уроки и из неудач.
Как это работает
Агент получает задачу вроде «найди дату первой покупки». Без памяти — заходит в «Последние заказы», видит свежий и ошибается. С ReasoningBank — вспоминает стратегию: проверять все страницы, а не первую. И находит верный ответ.
Другой пример: задача «купи самый топовый товар из мужской обуви». Без памяти — 29 шагов, с памятью — всего 10, так как стратегия фильтрации уже загружена.
Техническая структура
После каждой задачи LLM оценивает успешность попытки. Из траектории извлекаются абстрагированные от конкретного сайта записи (заголовок, описание, содержание). Перед новой задачей агент ищет похожие записи через эмбеддинг-поиск и подставляет в промпт.
Поверх ReasoningBank построили MaTTS (Memory-aware Test-Time Scaling) — метод масштабирования вычислений на инференсе. Агент генерирует несколько попыток, сравнивает их и выделяет устойчивые паттерны. Цикл: хорошая память направляет попытки → разнообразные попытки обогащают память.
Цифры
• WebArena: +8,3 п.п. успеха с Gemini-2.5-flash, +7,2 п.п. с Gemini-2.5-pro. Число шагов сократилось до 16%
• SWE-Bench-Verified: resolve rate вырос с 54% до 57,4% при росте расхода токенов не более 4,3%
• Gemma-3-12B на WebArena-Shopping: улучшение с 17,1% до 24,1%
🧠 Нейросети и Технологии. Подписаться
Google Research представил ReasoningBank — фреймворк, который даёт ИИ-агентам возможность учиться на собственных ошибках. В отличие от предшественников (Synapse, AWM), запоминавших лишь успешные прогоны, новая система извлекает уроки и из неудач.
Как это работает
Агент получает задачу вроде «найди дату первой покупки». Без памяти — заходит в «Последние заказы», видит свежий и ошибается. С ReasoningBank — вспоминает стратегию: проверять все страницы, а не первую. И находит верный ответ.
Другой пример: задача «купи самый топовый товар из мужской обуви». Без памяти — 29 шагов, с памятью — всего 10, так как стратегия фильтрации уже загружена.
Техническая структура
После каждой задачи LLM оценивает успешность попытки. Из траектории извлекаются абстрагированные от конкретного сайта записи (заголовок, описание, содержание). Перед новой задачей агент ищет похожие записи через эмбеддинг-поиск и подставляет в промпт.
Поверх ReasoningBank построили MaTTS (Memory-aware Test-Time Scaling) — метод масштабирования вычислений на инференсе. Агент генерирует несколько попыток, сравнивает их и выделяет устойчивые паттерны. Цикл: хорошая память направляет попытки → разнообразные попытки обогащают память.
Цифры
• WebArena: +8,3 п.п. успеха с Gemini-2.5-flash, +7,2 п.п. с Gemini-2.5-pro. Число шагов сократилось до 16%
• SWE-Bench-Verified: resolve rate вырос с 54% до 57,4% при росте расхода токенов не более 4,3%
• Gemma-3-12B на WebArena-Shopping: улучшение с 17,1% до 24,1%
🧠 Нейросети и Технологии. Подписаться