MemoBrain：作为推理Agentic大脑的执行记忆

工具增强代理框架中的复杂推理本质上是长程的，推理轨迹与瞬态工具产物不断累积，使大语言模型有限的工作上下文不堪重负。缺乏显式记忆机制时，这种累积破坏逻辑连续性并损害任务对齐。这使得记忆不再是辅助性的效率问题，而是维持长程上连贯、目标导向推理的核心组件。我们提出MemoBrain，一个面向工具增强代理的执行记忆模型，它在推理步骤上构建依赖感知的记忆，捕捉显著的中间状态及其逻辑关系。MemoBrain作为推理代理旁的副驾驶运行，在不阻塞执行的同时组织推理进度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紧凑、高显著性的推理主干。这些机制共同实现对推理轨迹的显式认知控制，而非被动的上下文累积。我们在包括GAIA、WebWalker与BrowseComp-Plus在内的有挑战性的长程基准上评估MemoBrain，展示了对强基线的持续改进。