MemoBrain: Исполнительная память как агентный мозг для рассуждений

MemoBrain: Executive Memory as an Agentic Brain for Reasoning

January 12, 2026

Авторы: Hongjin Qian, Zhao Cao, Zheng Liu

cs.AI

Аннотация

Сложные рассуждения в рамках инструментально-расширенных агентов по своей природе являются долгосрочными, что приводит к накоплению цепочек рассуждений и временных артефактов инструментов, перегружая ограниченный рабочий контекст больших языковых моделей. Без явных механизмов памяти такое накопление нарушает логическую непрерывность и подрывает соответствие задачи. Это определяет память не как вспомогательный вопрос эффективности, а как ключевой компонент для поддержания последовательных, целенаправленных рассуждений на длительных горизонтах. Мы предлагаем MemoBrain, исполнительную модель памяти для инструментально-расширенных агентов, которая создает зависимую от контекста память о шагах рассуждений, фиксируя важные промежуточные состояния и их логические связи. Функционируя как второй пилот совместно с агентом рассуждений, MemoBrain организует прогресс рассуждений без блокировки выполнения и активно управляет рабочим контекстом. В частности, модель удаляет недействительные шаги, сворачивает завершенные подтраектории и сохраняет компактный, высокозначимый каркас рассуждений в рамках фиксированного бюджета контекста. В совокупности эти механизмы обеспечивают явный когнитивный контроль над траекториями рассуждений вместо пассивного накопления контекста. Мы оцениваем MemoBrain на сложных долгосрочных бенчмарках, включая GAIA, WebWalker и BrowseComp-Plus, демонстрируя стабильное улучшение по сравнению с сильными базовыми методами.

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.