ReasoningBank ist ein von Google Cloud AI Research gemeinsam mit der University of Illinois Urbana-Champaign (UIUC) entwickeltes Memory-Framework für LLM-basierte Agenten. Der Kerngedanke: Anstatt Erfahrungen als rohe Trajektorien zu speichern, extrahiert ReasoningBank daraus verallgemeinerbare Reasoning-Strategien – sowohl aus erfolgreichen als auch aus gescheiterten Agenten-Durchläufen. Diese destillierten Strategien werden in einer strukturierten „Bank" abgelegt und können bei neuen, ähnlichen Aufgaben gezielt abgerufen werden. Der Ansatz verbindet sich mit Test-Time Scaling, sodass Agenten zur Inferenzzeit mehr Rechenkapazität für komplexere Problemstellungen aufwenden können. Entscheidend ist, dass kein Neutraining des Basismodells erforderlich ist – die Verbesserung entsteht rein durch akkumuliertes Erfahrungswissen im Memory-System. Damit adressiert ReasoningBank ein bekanntes Defizit heutiger LLM-Agenten: das Fehlen eines systematischen Mechanismus, um aus eigenen Fehlern strukturiert zu lernen und dieses Wissen auf neue Situationen zu übertragen.