ReasoningBank: Selbstlernende KI-Agenten durch Reasoning Memory

ArtikelSiru Ouyang, Jun Yan, I-Hung Hsu, et al.Forschung

ReasoningBank ist ein neuartiges Speicher-Framework für LLM-Agenten, das verallgemeinerbare Denkstrategien aus selbst bewerteten Erfolgen und Fehlern destilliert, um kontinuierliches Lernen im laufenden Betrieb zu ermöglichen.

Das Wichtigste

  1. Klassische LLM-Agenten lernen selten aus vergangenen Interaktionen und wiederholen Fehler bei wiederkehrenden Arbeitsläufen.
  2. ReasoningBank extrahiert übertragbare Problemlösungsstrategien aus erfolgreichen sowie fehlgeschlagenen Erfahrungen.
  3. Memory-Aware Test-Time Scaling (MaTTS) weist einzelnen Aufgaben mehr Rechenleistung zu, um kontrastive Erfahrungen für eine höherwertige Speicherbildung zu erzeugen.
  4. In Benchmarks für Web-Browsing und Software-Engineering übertrifft der Ansatz Systeme, die lediglich Rohtrajektorien oder erfolgreiche Routinen abspeichern.

Warum das relevant ist

Für den dauerhaften Einsatz von KI-Agenten in komplexen Arbeitsumgebungen ist die Fähigkeit zur eigenständigen Fehlerkorrektur und kontinuierlichen Verbesserung entscheidend, ohne dass Modelle jedes Mal neu feinjustiert werden müssen.

Einordnung

Die Forschungsarbeit verknüpft Inferenzzeit-Skalierung (Test-Time Compute) mit strukturiertem Agentengedächtnis. Indem Agenten nicht nur Erfolge archivieren, sondern gezielt aus kontrastierenden Fehlschlägen abstrahieren, entsteht ein Synergieeffekt: Mehr Rechenzeit pro Aufgabe liefert bessere Gedächtnisinhalte, welche wiederum nachfolgende Aufgaben effizienter leiten.

Erwähnte Links

Gefunden in

Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 27. September 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.

Ähnliche Einträge

Inhaltlich ähnlich, ermittelt über die KI-Suche.

  • Artikel:Liyan Tang, Cyrus Rashtchian, Chun-Sung Ferng, Andrew Tomkins, Da-Cheng Juan, Tu Vu

    WikiSkill: Dauerhafte Wissensakkumulation für die Evolution von Agenten-Skills

    Das Forschungspapier stellt WikiSkill vor, ein Framework zur kontinuierlichen Weiterentwicklung von KI-Agenten-Fähigkeiten durch eine persistente Wissensdatenbank. Anstatt Erfahrungswerte in isolierten Optimierungsverläufen verstreut zu lassen, trennt WikiSkill Ausführungserfahrung, gesammeltes Wissen und ausführbare Skills voneinander.

    KI & AI· Forschung

  • Artikel:Shuai Shao, Kangning Zhang, Qingyao Li, Shijian Wang, Hao Wang, Wenxiang Jiao, Yuan Lu, Yi Guo, Weiwen Liu, Weinan Zhang

    Harness-R1: Automatisierte Laufzeit-Optimierung für KI-Agenten anhand von Fehlertrajektorien

    Ein Forschungsteam stellt Harness-R1 vor, eine Methode zur gezielten Anpassung der Software-Laufzeitumgebung (Harness) von LLM-Agenten. Statt nur Modellgewichte anzupassen, lernt ein separater 9B-Agent per Reinforcement Learning, fehlerhafte Ausführungsspuren zu analysieren und validierte Code-Patches für Kontextaufbereitung, Tool-Vermittlung und Aktionsvalidierung zu generieren.

    KI & AI· Forschung

  • Artikel:Hongjun Liu, Yifei Ming, Shafiq Joty, Chen Zhao

    HASP: Ausführbare Skill-Programme als Leitplanken für LLM-Agenten

    Ein Forschungsteam stellt mit HASP (Harnessing LLM Agents with Skill Programs) ein Framework vor, das Erfahrungswerte von Sprachmodell-Agenten in ausführbare Programmfunktionen (PFs) überführt. Statt rein textbasierter Empfehlungen greifen diese Funktionen bei fehleranfälligen Zuständen aktiv in den Agenten-Loop ein, indem sie Aktionen anpassen oder korrigierenden Kontext einfügen.

    KI & AI· Forschung

  • Repository:vectorize-io/hindsight

    Hindsight: Lernendes Langzeit-Gedächtnis für KI-Agenten

    Hindsight ist ein unter der MIT-Lizenz veröffentlichtes Speichersystem für KI-Agenten. Im Gegensatz zu einfachen Chatverlauf-Speichern oder traditionellen RAG- und Wissensgraph-Ansätzen zielt das Projekt darauf ab, dass Agenten über die Zeit hinweg tatsächlich lernen.

    41.300SternePython

    KI & AI· Tool

  • Artikel:Devansh

    Stateful Swarms: Persistente Memory-Architektur schlägt traditionelle KI-Agenten

    Devansh beschreibt die Architektur der 'Stateful Swarms', die das Problem flüchtiger Kontexte und wiederholter Dokumentenverarbeitung durch eine persistente Blackboard-Architektur löst. Anstatt Dokumente mehrfach einzulesen oder Kontext per Prompt-Zusammenfassung zu übergeben, schreiben spezialisierte Agenten strukturierte, auditierbare Einträge in einen gemeinsamen Zustand. Im Harvey Legal Agent Benchmark erreichte dieser Ansatz höhere Erfolgsraten bei drastisch reduzierten Kosten im Vergleich zu traditionellen Systemen.

    KI & AI· Meinung

  • X-Post:DAIR.AI

    Google-Forschung: Wissens-Wikis für die Evolution von Agenten-Skills

    Ein Forschungspapier von Google stellt ein System zur Weiterentwicklung von Fähigkeiten autonomer Agenten vor. Der Ansatz trennt Rohausführungsdaten, ein persistentes Wissens-Wiki und die ausführbaren Skills sauber voneinander.

    8621Lesezeichen500.708Aufrufe

    KI & AI· Forschung

Zurück zur Wissensbasis

Sprechen wir über Ihr Projekt.

Kontakt

Standorte

  • Mattersburg
    Johann Nepomuk Bergerstraße 7/2/14
    7210 Mattersburg, Austria
  • Wien
    Ungargasse 64-66/3/404
    1030 Wien, Austria

Ein Teil von diesem Inhalt wurde mit KI gemacht.