ReasoningBank Agent Memory
ReasoningBank Agent Memory 是 Google Research 提出的一種 agent memory framework：把成功與失敗經驗都壓成可重用的 reasoning strategy，而不是只存完整 trajectory。它的重點不是「記錄更多」，而是「抽出更高階、可泛化的決策規則」。google-research-blog
核心結構
ReasoningBank 的記憶項目是高階、結構化的，重點欄位包含：
- Title：策略名稱
- Description：簡短摘要
- Content：從過去經驗 distilled 出來的 reasoning、decision rationale、operational insight
這讓它更接近 agent-trace-observability 的用途：不是只留 debug log，而是把可回饋的失敗與成功訊號保留下來，供下一輪行動使用。
運作方式
ReasoningBank 的流程是一個 closed loop：retrieval → extraction → consolidation。
- 行動前先從 memory 取回相關經驗。
- 執行後用 LLM-as-a-judge 自我評估 trajectory。
- 從成功與失敗都抽取 insight。
- 把新的 memory 直接回填到 bank。
這個設計和 aiark-loop-engineering 的 watch / ingest / verify / synthesize 很像：都在強調可回溯、可重用、可迭代的 loop，而不是一次性輸出。
與記憶重構的邊界
BusinessNext 2026-08-04 對 MemHarness 的整理補上一個不同層次：agent-memory-reconstruction 不是把執行後經驗直接壓成 strategy，而是 agent 在行動前先把取回的 trajectory 和目前狀態比較，改寫成適用指引或輸出 <EMPTY>。ReasoningBank 解決的是「經驗如何被濃縮成可重用策略」；memory reconstruction 解決的是「這段策略現在是否適用，以及要怎麼改寫」。
兩者可以串成同一個 loop：先用 agent-trace-observability 保存 outcome 與 failure，將跨任務的高階規則沉澱到 ReasoningBank，再在下一次執行前用 current-state comparison 過濾、重構或拒絕取回的經驗。不要把 memory entry 數量或 retrieval 命中率當成 agent 變聰明的證據。
為什麼重要
這篇文章補了一個常被忽略的方向：agent 需要學的不只是「怎麼做對」，還要學「怎麼從失敗中萃取防呆規則」。它也把 test-time scaling 往 memory-aware 的方向推進，和 test-time-compute-evaluation 形成互補。