MemoBrain: Memória Executiva como um Cérebro Agente para o Raciocínio
MemoBrain: Executive Memory as an Agentic Brain for Reasoning
January 12, 2026
Autores: Hongjin Qian, Zhao Cao, Zheng Liu
cs.AI
Resumo
O raciocínio complexo em estruturas de agentes aumentados por ferramentas é inerentemente de longo horizonte, fazendo com que os traços de raciocínio e os artefactos transitórios das ferramentas se acumulem e sobrecarreguem o contexto de trabalho limitado dos grandes modelos de linguagem. Sem mecanismos de memória explícitos, tal acumulação perturba a continuidade lógica e compromete o alinhamento com a tarefa. Isto posiciona a memória não como uma preocupação auxiliar de eficiência, mas como um componente central para sustentar um raciocínio coerente e orientado a objetivos em horizontes longos.
Propomos o MemoBrain, um modelo de memória executiva para agentes aumentados por ferramentas que constrói uma memória com consciência de dependências sobre os passos de raciocínio, capturando estados intermédios salientes e as suas relações lógicas. Funcionando como um co-piloto ao lado do agente de raciocínio, o MemoBrain organiza o progresso do raciocínio sem bloquear a execução e gere ativamente o contexto de trabalho. Especificamente, ele poda passos inválidos, dobra sub-trajetórias concluídas e preserva uma espinha dorsal de raciocínio compacta e de alta saliência dentro de um orçamento fixo de contexto. Em conjunto, estes mecanismos permitem um controlo cognitivo explícito sobre as trajetórias de raciocínio, em vez de uma acumulação passiva de contexto.
Avaliamos o MemoBrain em benchmarks desafiadores de longo horizonte, incluindo GAIA, WebWalker e BrowseComp-Plus, demonstrando melhorias consistentes face a linhas de base robustas.
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.