MemoBrain: Memoria Ejecutiva como un Cerebro Agente para el Razonamiento
MemoBrain: Executive Memory as an Agentic Brain for Reasoning
January 12, 2026
Autores: Hongjin Qian, Zhao Cao, Zheng Liu
cs.AI
Resumen
El razonamiento complejo en los marcos de agentes aumentados con herramientas es inherentemente de horizonte largo, lo que provoca que los trazos de razonamiento y los artefactos transitorios de las herramientas se acumulen y tensionen el contexto de trabajo limitado de los modelos de lenguaje grandes. Sin mecanismos de memoria explícitos, dicha acumulación interrumpe la continuidad lógica y socava la alineación con la tarea. Esto posiciona a la memoria no como una preocupación auxiliar de eficiencia, sino como un componente central para sostener un razonamiento coherente y orientado a objetivos en horizontes largos.
Proponemos MemoBrain, un modelo de memoria ejecutiva para agentes aumentados con herramientas que construye una memoria consciente de las dependencias sobre los pasos de razonamiento, capturando estados intermedios salientes y sus relaciones lógicas. Operando como un copiloto junto al agente de razonamiento, MemoBrain organiza el progreso del razonamiento sin bloquear la ejecución y gestiona activamente el contexto de trabajo. Específicamente, poda pasos no válidos, pliega subtrayectorias completadas y preserva una columna vertebral de razonamiento compacta y de alta prominencia bajo un presupuesto de contexto fijo. En conjunto, estos mecanismos permiten un control cognitivo explícito sobre las trayectorias de razonamiento en lugar de una acumulación pasiva de contexto.
Evaluamos MemoBrain en puntos de referencia desafiantes de horizonte largo, incluyendo GAIA, WebWalker y BrowseComp-Plus, demostrando mejoras consistentes respecto a líneas de base sólidas.
English
Complex reasoning in tool-augmented agent frameworks is inherently long-horizon, causing reasoning traces and transient tool artifacts to accumulate and strain the bounded working context of large language models. Without explicit memory mechanisms, such accumulation disrupts logical continuity and undermines task alignment. This positions memory not as an auxiliary efficiency concern, but as a core component for sustaining coherent, goal-directed reasoning over long horizons.
We propose MemoBrain, an executive memory model for tool-augmented agents that constructs a dependency-aware memory over reasoning steps, capturing salient intermediate states and their logical relations. Operating as a co-pilot alongside the reasoning agent, MemoBrain organizes reasoning progress without blocking execution and actively manages the working context. Specifically, it prunes invalid steps, folds completed sub-trajectories, and preserves a compact, high-salience reasoning backbone under a fixed context budget. Together, these mechanisms enable explicit cognitive control over reasoning trajectories rather than passive context accumulation.
We evaluate MemoBrain on challenging long-horizon benchmarks, including GAIA, WebWalker, and BrowseComp-Plus, demonstrating consistent improvements over strong baselines.