MemoBrain : la mémoire exécutive comme cerveau agentique pour le raisonnement
MemoBrain: Executive Memory as an Agentic Brain for Reasoning
January 12, 2026
papers.authors: Hongjin Qian, Zhao Cao, Zheng Liu
cs.AI
papers.abstract
Le raisonnement complexe dans les cadres d'agents assistés d'outils est intrinsèquement de long horizon, entraînant une accumulation de traces de raisonnement et d'artefacts temporaires qui sollicitent excessivement le contexte de travail limité des grands modèles de langage. Sans mécanismes de mémoire explicites, cette accumulation perturbe la continuité logique et compromet l'alignement sur la tâche. Cela positionne la mémoire non pas comme une préoccupation accessoire d'efficacité, mais comme une composante essentielle pour maintenir un raisonnement cohérent et orienté vers un objectif sur de longues séquences.
Nous proposons MemoBrain, un modèle de mémoire exécutive pour agents assistés d'outils qui construit une mémoire consciente des dépendances entre les étapes de raisonnement, capturant les états intermédiaires saillants et leurs relations logiques. Fonctionnant comme un co-pilote aux côtés de l'agent de raisonnement, MemoBrain organise la progression du raisonnement sans bloquer l'exécution et gère activement le contexte de travail. Plus précisément, il élimine les étapes invalides, condense les sous-trajectoires terminées et préserve une structure de raisonnement compacte et à forte saillance dans un budget de contexte fixe. Ensemble, ces mécanismes permettent un contrôle cognitif explicite des trajectoires de raisonnement plutôt qu'une accumulation passive de contexte.
Nous évaluons MemoBrain sur des benchmarks exigeants de long horizon, incluant GAIA, WebWalker et BrowseComp-Plus, démontrant des améliorations constantes par rapport à des bases de référence solides.
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.