MemoBrain: Uitvoerend Geheugen als een Agonistische Hersenen voor Redeneren
MemoBrain: Executive Memory as an Agentic Brain for Reasoning
January 12, 2026
Auteurs: Hongjin Qian, Zhao Cao, Zheng Liu
cs.AI
Samenvatting
Complexe redenering in tool-augmenteerde agentframeworks is van nature lang-horizon, waardoor redeneersporen en kortstondige toolartefacten zich ophopen en de beperkte werkcontext van grote taalmodellen onder druk zetten. Zonder expliciete geheugenmechanismen verstoort een dergelijke opeenhoping de logische continuïteit en ondermijnt zij de taakafstemming. Dit positioneert geheugen niet als een bijkomstig efficiëntievraagstuk, maar als een kerncomponent voor het in stand houden van coherente, doelgerichte redenering over lange horizonten.
Wij stellen MemoBrain voor, een uitvoerend geheugenmodel voor tool-augmenteerde agenten dat een afhankelijkheidsbewust geheugen opbouwt over redeneerstappen, waarbij belangrijke tussenliggende toestanden en hun logische relaties worden vastgelegd. MemoBrain functioneert als een co-piloot naast de redeneeragent, organiseert de redeneervoortgang zonder de uitvoering te blokkeren en beheert actief de werkcontext. Specifiek snoeit het ongeldige stappen, vouwt het voltooide sub-trajecten samen en behoudt het een compacte, hoog-saliente redeneerruggengraat binnen een vast contextbudget. Gezamenlijk stellen deze mechanismen expliciete cognitieve controle over redeneertrajecten in plaats van passieve contextophoping in staat.
Wij evalueren MemoBrain op uitdagende lang-horizon benchmarks, waaronder GAIA, WebWalker en BrowseComp-Plus, en tonen consistente verbeteringen ten opzichte van sterke baseline-methoden aan.
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.