导读：谷歌最新研究带来了一个名为 ReasoningBank 的新系统，能理解“错在哪、为什么错”，再配合 MaTTS（记忆感知推理扩展机制），在无需重新训练的情况下，让AI任务成功率提升了34%，交互次数减少16%。

过去的AI系统，它们只会记录执行日志，能看得到哪里出错，却学不到经验。

ReasoningBank 的做法彻底不同。当智能体（Agent）在某个任务中失败，它不会只留下第几步出错的信息，而是会写下：“采用的思路A失败，原因是忽略了条件B”。下一次遇到类似情况，它会主动参考这份“反思笔记”。

ReasoningBank 存储的内容结构也相当人性化：标题 → 描述 → 具体内容。比如一条笔记可能是：

“在提取个人数据时优先考虑账户信息部分。”

这样一条抽象规则，可以迁移到上百个任务中，从网页管理到代码自动化都适用。研究团队称，这是一种“策略抽象的记忆”，不是机械复盘，而是经验的升维。

接下来登场的是配套系统 MaTTS（Memory-Aware Test-Time Scaling）。 它的理念很简单：不是扩大参数，而是扩大“经验”。

每当AI在执行新任务时，MaTTS会对比过往的推理路径，进行自我对照和动态调整。 这种机制包含两种模式：

• 并行扩展（Parallel Scaling）：AI在多条路径上同时尝试并互相比对。
• 顺序扩展（Sequential Scaling）：AI在运行中对自己的思考过程提出质疑和修正。

两者结合，推动了一种更贴近人类思考的“探索式对比学习”。

实验结果显示：结合 ReasoningBank 与 MaTTS 后，AI任务成功率提升了34%，交互次数减少了16%，而传统的测试时扩展（Test-Time Scaling）几乎没有改善。

更有意思的是，这套系统展现出类似人类思维演化的过程： 从最初的程序式反应（“点击这个按钮”）， 到反思式检查（“确认标识符是否匹配”）， 再到抽象策略（“交叉验证数据后再执行”）。

这已不只是性能优化，更像是一种认知的萌芽。

谷歌这次的研究，真正触动了AI发展的根本性问题：我们或许不该再一味“做得更大”，而该让AI学得更聪明。ReasoningBank 和 MaTTS 的结合，展示了一个新的方向：让机器像人一样，记得错、学会想、不断进化。

论文链接：https://arxiv.org/abs/2509.25140

参考资料：https://x.com/alex_prompter/status/1976996246683631972