ReasoningBank — это новая структура, которая позволяет большим языковым моделям (LLM) обучаться и совершенствоваться, организуя опыт в банк памяти. Эта структура извлекает обобщаемые стратегии рассуждений как из успешных, так и из неуспешных попыток решения проблем. Агент использует эту память во время вывода, избегая прошлых ошибок и принимая лучшие решения при выполнении новых задач. ReasoningBank превосходит традиционные механизмы памяти по показателям в задачах веб-серфинга и разработки программного обеспечения. Современные LLM-агенты часто не учатся на накопленном опыте, повторяя ошибки и упуская ценные сведения. ReasoningBank решает эту проблему, преобразуя опыт каждой задачи в повторно используемую память рассуждений. Это позволяет агентам адаптировать проверенные стратегии из прошлых аналогичных случаев. Структура использует схему "LLM как судья" для оценки успеха и неудачи, устраняя необходимость в ручной маркировке. Агенты извлекают релевантную память для руководства действиями, включая память в процесс рассуждений. Memory-aware Test-Time Scaling (MaTTS) повышает производительность, интегрируя масштабирование с ReasoningBank. MaTTS включает параллельное и последовательное масштабирование, что еще больше повышает производительность. ReasoningBank продемонстрировал повышение коэффициента успеха и сокращение количества шагов взаимодействия в задачах веб-серфинга. Это напрямую влияет на операционные расходы, особенно за счет устранения метода проб и ошибок. ReasoningBank предлагает практический путь к созданию адаптивных агентов с непрерывным обучением для предприятий и приложений.