다회차 성찰 (Multi-round reflection)은 대규모 언어 모델 (LLM) 기반의 에이전트가 단일 작업 내에서 실패로부터 회복할 수 있게 해주지만, 각 작업은 여전히 고립된 에피소드로 남습니다. 즉, 한 작업에 대한 여러 성찰 라운드를 통해 학습된 교훈은 다음 작업이 시작되기 전에 폐기됩니다. 우리는 코드 생성 작업에서 이러한 격차를 연구합니다. 에이전트는 과학 논문의 섹션으로부터 오픈 소스 Manim 라이브러리를 사용하여 수학 애니메이션을 렌더링하는 Python 코드를 작성합니다. 우리는 가중치 업데이트나 인간의 시드 (human seeds) 없이, 완전히 자체적인 작업 스트림을 통해 성장하는 이중 채널 에피소드 메모리 뱅크 (Episodic Memory Bank)를 통해 성찰 경험을 작업 간에 전달하는 자기 진화형 멀티모달 에이전트인 ManimAgent를 제시합니다. 각 애니메이션이 수렴한 후, 시각-언어 모델 (Vision-Language Model)이 렌더링된 키프레임을 평가합니다. 결과 신호는 성공 근거를 소프트 참조 예시 (soft Reference Examples)로 저장하는 양의 채널 M+와, 검증된 실패 패턴을 하드 알려진 함정 (hard Known Pitfalls)으로 저장하는 음의 채널 M-를 채웁니다. 메모리가 없는 경우, 매칭된 예산의 검색 증강 생성 (RAG), 그리고 셔플된 메모리 베이스라인을 대상으로 한 고정 프로브 평가에서, 메모리 크기가 커짐에 따라 블라인드 인간 Pass@1은 상승하고 성찰 라운드는 감소합니다. 우리는 코드, 동결된 메모리 스냅샷, 그리고 작업 스트림을 공개할 예정입니다.