MemoBrain: Memoria Esecutiva come Cervello Agente per il Ragionamento

MemoBrain: Executive Memory as an Agentic Brain for Reasoning

January 12, 2026

Autori: Hongjin Qian, Zhao Cao, Zheng Liu

cs.AI

Abstract

Il ragionamento complesso nei framework di agenti potenziati da strumenti è intrinsecamente di lungo orizzonte, causando l'accumulo di tracce di ragionamento e artefatti transitori degli strumenti che sollecitano il contesto di lavoro limitato dei grandi modelli linguistici. Senza meccanismi espliciti di memoria, tale accumulo compromette la continuità logica e mina l'allineamento al compito. Ciò posiziona la memoria non come una questione accessoria di efficienza, ma come un componente fondamentale per sostenere un ragionamento coerente e orientato agli obiettivi su lunghi orizzonti. Proponiamo MemoBrain, un modello di memoria esecutiva per agenti potenziati da strumenti che costruisce una memoria consapevole delle dipendenze tra i passaggi di ragionamento, catturando stati intermedi salienti e le loro relazioni logiche. Operando come un co-pilota affiancato all'agente di ragionamento, MemoBrain organizza i progressi del ragionamento senza bloccare l'esecuzione e gestisce attivamente il contesto di lavoro. Nello specifico, pota i passaggi non validi, ripiega le sotto-traiettorie completate e preserva una struttura di ragionamento compatta e ad alta salienza entro un budget di contesto fisso. Complessivamente, questi meccanismi abilitano un controllo cognitivo esplicito sulle traiettorie di ragionamento, anziché un accumulo passivo del contesto. Valutiamo MemoBrain su benchmark impegnativi di lungo orizzonte, inclusi GAIA, WebWalker e BrowseComp-Plus, dimostrando miglioramenti consistenti rispetto a baseline solide.

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.