ReasoningBank: agente de IA aprende com sucessos e falhas

O que aconteceu

Em 21 de abril de 2026, o Google Research publicou o ReasoningBank, um framework de memória para agentes de IA que usa experiências bem-sucedidas e fracassadas para destilar estratégias de raciocínio generalizáveis (Google Research Blog). O trabalho, assinado por Jun Yan e Chen-Yu Lee, do Google Cloud, foi apresentado no ICLR no paper "ReasoningBank: Scaling Agent Self-Evolving with Reasoning Memory", com código disponível no GitHub. Nos benchmarks de navegação web e engenharia de software, o ReasoningBank aumentou a eficácia dos agentes, com taxas de sucesso mais altas, e a eficiência, com menos passos por tarefa, em comparação com abordagens de base.

Contexto

Agentes de IA estão sendo cada vez mais usados em tarefas complexas, como navegação web e assistência em grandes bases de código de software. O problema: quando esses agentes atuam de forma contínua e prolongada, eles não analisam nem aprendem com as próprias experiências após a implantação. Sem mecanismo de memória, repetem os mesmos erros estratégicos e descartam insights úteis. As soluções existentes, como a memória de trajetória usada no Synapse e a memória de workflow de agentes, guardam registros detalhados de ações ou apenas workflows de tentativas bem-sucedidas. Segundo os pesquisadores, isso tem duas falhas: registram ações em vez de padrões de raciocínio transferíveis e ignoram as falhas, que são uma fonte primária de aprendizado.

Por que importa

Para empresas e desenvolvedores que colocam agentes em produção, a capacidade de aprender com a operação real pode reduzir retrabalho, custos e intervenção manual. O ReasoningBank propõe uma memória estruturada de alto nível, com insights de sucesso e reflexões sobre falhas, em um ciclo contínuo de recuperação, extração e consolidação. Antes de agir, o agente consulta a memória; depois, usa um LLM como juiz para autoavaliar a trajetória e extrair aprendizados. No Brasil, onde a adoção de IA generativa em automação e atendimento cresce, agentes que evoluem depois do deploy podem tornar sistemas mais confiáveis e adaptáveis.

Impacto

No curto prazo, o framework open source permite que pesquisadores e times de engenharia testem a abordagem em seus próprios agentes. No médio prazo, a ênfase em aprender com falhas, e não apenas com sucessos, pode influenciar o design de memória em sistemas de IA. O ciclo de autoavaliação com LLM-as-a-judge reduz a dependência de supervisão humana para extrair lições de cada tarefa.

O que muda

Em vez de apenas armazenar ações ou workflows bem-sucedidos, o ReasoningBank mantém uma memória de raciocínio estruturada, com padrões globais e insights de alto nível. O agente passa a operar em um loop fechado: recupera memórias relevantes, interage com o ambiente, autoavalia o resultado e consolida novos aprendizados. Isso muda a forma como agentes persistentes lidam com tarefas longas, aproximando-os de um comportamento adaptativo.

O que vem agora

O paper foi aceito no ICLR e o código está disponível no GitHub. Não há, até o momento, informações públicas sobre integração do ReasoningBank em produtos do Google Cloud. A expectativa é que a comunidade valide o framework em outros domínios e que novas pesquisas explorem como consolidar memórias de raciocínio em escala.

Fontes

• Google Research Blog: ReasoningBank: Enabling agents to learn from experience (https://research.google/blog/reasoningbank-enabling-agents-to-learn-from-experience/)