MemoBrain：作为智能体大脑的执行记忆

在工具增强的智能体框架中，复杂推理过程具有长期性，导致推理轨迹和临时工具产物不断累积，超出大语言模型的有限工作上下文容量。缺乏显式记忆机制时，这种累积会破坏逻辑连续性并削弱任务对齐性。本文将记忆视为维持长期连贯、目标导向推理的核心组件，而非辅助效率问题。我们提出了MemoBrain，一种用于工具增强智能体的执行记忆模型，其通过构建依赖感知的记忆，在推理步骤中捕捉关键中间状态及其逻辑关系。MemoBrain作为推理智能体的协作者，组织推理进展而不阻断执行，并主动管理工作上下文。具体而言，它修剪无效步骤、折叠已完成的子轨迹，并在固定上下文预算下保留一个紧凑且高显著性的推理主干。这些机制共同实现了对推理轨迹的显式认知控制，而非被动的上下文积累。我们在具有挑战性的长期推理基准（如GAIA、WebWalker和BrowseComp-Plus）上评估了MemoBrain，结果表明其在强基线之上表现一致提升。