一句话总结

来自新加坡国立大学、斯坦福大学、牛津大学和普林斯顿大学的研究者提出了 Recuris，一种递归的经验-工作记忆架构，通过跟踪任务进度来指导技能选择，利用结构化证据定位失败原因，并实现验证门控的记忆更新；在四个基准测试和十个模型上，它在 37 个模型-基准组合中的 35 个上提升了任务成功率，在 $\tau ^ { 2 } .$τ2. -Bench 上为 GPT-5.6 Sol 增加了 $+17.8$+17.8 个百分点，在最长的任务上增加了 $+32.2$+32.2 个百分点。

核心贡献

• 提出了 Recuris，一种递归的经验-工作记忆架构，将自我改进外部化到记忆控制层，其中工作记忆跟踪经过验证的任务进度，从经验记忆中指导技能选择，固定的元智能体将失败归因到特定记忆组件，并仅在验证门控之后修补这些相关组件。
• 将状态提议与状态提交分离，仅在实际工具结果支持时才更新进度条目，将动作决策和技能调用都建立在经过验证的任务状态之上，并输出结构化轨迹，将任务状态、调用的技能、动作和结果关联起来，以支持局部化诊断。
• 在四个长程基准测试和十个模型上，提升了 37 个模型-基准组合中的 35 个的任务成功率，包括 GPT-5.6 Sol 在 τ²-Bench 上提升 +17.8 个百分点，Claude Opus 5 提升 +15.6 个百分点（达到 87.9%），Qwen3.6-27B/35B 在 SkillFlow 上分别提升 +16.6/+13.5 个百分点，在最长的任务上最高提升 +32.2 个百分点，故障定位率达到 64.8%，而仅凭任务结果只有 13.0%。

引言

LLM 智能体越来越依赖外部框架来协调记忆、工具使用和任务跟踪，但长程任务暴露了一个关键弱点：随着交互历史的增长，智能体会丢失未解决目标的线索，并调用过时的技能。现有的经验记忆方法从初始指令或完整历史中检索技能，但随着任务演变，这种方式变得不可靠，而且记忆更新往往过于粗糙，仅由最终成功或失败驱动，无法定位是哪个组件导致了问题。

作者提出了 Recuris，一种递归的经验-工作记忆架构，将经过验证的任务状态（工作记忆）与可复用的经验（经验记忆）耦合。工作记忆跟踪进度和未解决的目标，为技能选择提供依据，并且只从经过验证的工具反馈中更新，形成状态、动作和结果的闭环。跨任务时，固定的元智能体分析结构化轨迹，将失败定位到特定记忆组件，并应用验证门控的更新，保持基础模型不变。在四个长程基准测试和十个模型上的评估表明，Recuris 在 37 个组合中的 35 个上提升了成功率，增益随时间跨度增加而增长，故障定位准确率为 64.8%，而仅凭结果只有 13.0%。

方法

作者提出了 Recuris，一种围绕冻结的大语言模型（LLM）$\pi_\theta$πθ​ 和工具集 $\mathcal{T}$T 构建的智能体框架。该系统协调任务状态跟踪、经验记忆访问、技能调用、工具交互和执行验证。在每个进化轮次 $k$k，Recuris 维护一个不断演化的技能记忆，表示为 $\mathcal{M}_k = (\mathcal{E}_k, \mathcal{W}_k, \rho_k, \mathcal{C}_k)$Mk​=(Ek​,Wk​,ρk​,Ck​)。其中，$\mathcal{E}_k$Ek​ 以智能体技能格式存储可复用的技能，$\mathcal{W}_k$Wk​ 定义任务特定工作状态 $w_t$wt​ 的状态模式和更新提议，$\rho_k$ρk​ 是决定何时以及检索哪些技能的调用策略，$\mathcal{C}_k$Ck​ 是一组检查器，用于验证观察结果是否支持提议的状态变更。

如框架图所示，Recuris 通过两个相互连接的循环运行：任务级执行循环和跨任务进化循环。在任务内部，当前工作状态指导技能调用，执行证据控制后续状态更新。跨任务时，固定的元智能体利用失败的运行来定位有效的修复目标，提出组件特定的记忆补丁，并依靠固定的验证门控来接纳候选补丁。为了连接这些循环，系统在第 $k$k 轮记录结构化执行轨迹 $\Gamma_k$Γk​，将每个动作和观察结果与触发技能调用的状态、提议的状态更新以及用于接受或拒绝该更新的证据关联起来。

在任务级循环中，作者实现了经过验证的经验记忆（EM）和工作记忆（WM）耦合。执行框架从任务初始化结构化工作状态 $w_0$w0​，其中每个目标条目跟踪其内容、状态（待处理、已完成或受阻）和支持证据。技能调用是状态驱动的，即策略 $\rho_k$ρk​ 根据当前进度 $w_t$wt​ 和特定执行事件 $e_t$et​ 决定检索哪些技能 $\mathcal{E}_t \subseteq \mathcal{E}_k$Et​⊆Ek​，而不是搜索完整的交互历史。在动作 $a_t$at​ 和环境观察结果 $o_t$ot​ 之后，工作记忆规范提议下一个状态 $\widetilde{w}_{t+1} = U_{\mathcal{W}_k}(w_t, a_t, o_t)$wt+1​=UWk​​(wt​,at​,ot​)。然后，检查器集合根据观察结果评估该提议，产生决策 $c_t = \mathcal{C}_k(w_t, \widetilde{w}_{t+1}, a_t, o_t)$ct​=Ck​(wt​,wt+1​,at​,ot​)。固定内核仅提交受支持的变更以生成 $w_{t+1} = K(w_t, \widetilde{w}_{t+1}, c_t)$wt+1​=K(wt​,wt+1​,ct​)，确保状态准确反映经过验证的进度。

对于跨任务进化循环，Recuris 采用有界的递归技能记忆进化。当任务失败时，元智能体的固定定位阶段分析结构化轨迹，生成诊断 $D_k = \mathcal{A}_{\text{fixed}}(\Gamma_k, \mathcal{M}_k) = \{(f_j, z_j)\}_{j=1}^{J_k}$Dk​=Afixed​(Γk​,Mk​)={(fj​,zj​)}j=1Jk​​。每个诊断出的失败 $f_j$fj​ 被归因到组件 $z_j \in \{\mathcal{E}, \mathcal{W}, \rho, \mathcal{C}\}$zj​∈{E,W,ρ,C}，即局部干预最有可能产生效果的组件。补丁阶段随后为每个相关组件提出具体编辑 $\Delta m_z = \mathcal{P}_{\text{fixed}}(\Gamma_k, \mathcal{M}_k, D_k, z)$Δmz​=Pfixed​(Γk​,Mk​,Dk​,z)，构建候选记忆 $\mathcal{M}_k^+ = \mathcal{M}_k \oplus_{Z_k} \{\Delta m_z\}_{z \in Z_k}$Mk+​=Mk​⊕Zk​​{Δmz​}z∈Zk​​。该操作符仅修改相关组件，其余部分保持不变地复制。最后，固定验证门控 $\mathcal{G}_{\text{fixed}}$Gfixed​ 在失败任务和保留开发集上比较候选 $\mathcal{M}_k^+$Mk+​ 与当前记忆 $\mathcal{M}_k$Mk​。仅当补丁修复目标失败且不会在锚定任务上造成回归时，补丁才被接纳，完成递归更新 $\mathcal{M}_k \to \Gamma_k \to D_k \to \mathcal{M}_k^+ \to \mathcal{M}_{k+1}$Mk​→Γk​→Dk​→Mk+​→Mk+1​。

实验

评估涵盖工具使用基准（tau2-Retail、tau2-Airline）、SkillFlow 和 Terminal-Bench 2.1，使用冻结的中型部署模型来进化技能记忆，然后将该记忆不变地迁移到其他模型。Recuris 将经验记忆与经过验证的工作状态耦合，在 37 个模型-基准组合中的 35 个上提升了任务成功率，最大增益出现在 Retail 和 SkillFlow 上；消融实验表明，工作状态和状态驱动的技能调用是增益的主要来源，而单纯注入更多技能文本反而有害。关键记忆组件因领域而异（Airline 上是写评论，Retail 上是状态面板），递归进化（元智能体从失败轨迹中修补记忆）产生一致的保留集增益，并可跨任务和模型迁移，但迁移取决于目标是否仍包含已修复的失败类型。在孤立的 Terminal-Bench 任务上，测试时适应仅带来每次尝试可靠性的适度提升，但大部分主要改进来自重试预算本身，而非学习。

Recuris 在大多数模型-基准组合上持续提升任务成功率，最大增益出现在跨任务共享结构的基准上，例如零售和技能发现。该方法的收益不随模型规模扩展，其价值与自适应记忆相关，而非额外的上下文或计算量。Recuris 在 37 个已完成的模型-基准组合中的 35 个上提升了任务成功率。最大增益出现在具有共享结构的基准上，零售和技能发现任务分别提升了 23.3 和 16.8 个百分点。收益与模型规模无关；较小的模型可以获得与较大模型相当或更大的增益。在没有共享结构的孤立任务上，Recuris 几乎没有或没有收益，而额外上下文本身反而可能损害性能。

在零售和航空领域，结合情景记忆和工作记忆可获得最强性能，相对于基础智能体的增益最大。仅工作记忆在零售领域带来显著提升，而仅情景记忆只增加少量不显著的增益。模型控制的调用变体仅在零售领域表现出显著但较小的改进。完整记忆组合在两个领域都优于所有其他变体，实现了最高成功率和相对于基础智能体的最大置信区间改进。仅工作记忆在零售领域带来大幅显著增益，而仅情景记忆在两个领域都只产生边际且不显著的改进。模型控制的调用仅在零售领域测试，相对于仅工作记忆或组合记忆变体，提供了显著但较小的提升。

当技能库保持固定时，决定何时调用技能的方法对性能的影响大于技能内容本身。Recuris 为每个草拟的状态变更调用提供匹配的一个技能，优于每次都将所有技能注入上下文的模型控制变体，尽管两者使用逐字节相同的技能体。优势主要在覆盖率而非速度上，因为首次正确写入的中位轮次在所有配置中相同。Recuris 达到 82.4% 的必需写入召回率，而模型控制为 61.1%；任务成功率为 83.6%，而模型控制为 65.6%。将整个技能库放入上下文并让模型自行决定何时使用，得分低于完全没有技能的配置（任务成功率 65.6% 对 82.0%）。所有配置中首次正确写入的中位轮次均为 18，表明调用控制影响是否发出写入，而非写入速度。Recuris 的每个回合遗漏必需写入率最低（0.121），每次成功的 agent token 数最低（101k），而模型控制在两项上均为最高（0.417 和 147k）。

框架产生的结构化轨迹使组件故障可观察，宏召回率从仅结果的 13.0% 和原始轨迹的 37.0% 跃升至结构化轨迹的 64.8%。增益集中在对话记录中不可见的故障上，例如调用和工作记忆故障，而技能内容故障的增益最小，因为这些故障已出现在对话中。精确率也显著提高，表明轨迹有助于避免将故障错误归因到错误组件。仅结果的证据得分低于常数答案基线，原始轨迹勉强超过基线，而结构化轨迹几乎使基线翻倍。没有结构化轨迹时，调用故障从未被检测到，而结构化轨迹在 38.9% 的情况下检测到调用故障。工作记忆故障召回率从原始轨迹的 50.0% 提升到结构化轨迹的 83.3%。技能内容故障的增益最小，从 61.1% 提升到 72.2%，这与该故障在对话记录中可见的事实一致。宏精确率从 27.6% 提升到 64.4%，表明轨迹减少了对技能组件的错误指控。

技能记忆的递归进化持续提升保留集任务性能，相对于共享的起始记忆，增益在多次运行和多种实现中约为 9 到 17 个百分点。第二轮进化进一步叠加增益，而没有接纳候选的后续轮次没有显著改进。仅当保留任务包含记忆所修复的失败类型时才会发生迁移，这体现在成功包在保留任务上近乎普遍的调用，而航空特定谱系在没有此类失败残留的任务上没有增益。所有达到保留任务的包相对于起始记忆提升 9 到 17 个百分点，置信区间排除零。第二轮进化增加进一步增益，而后续没有循环内候选接纳的轮次没有显著改进。成功包的进化记忆在 86 个保留任务中的 78 到 86 个上被调用，表明是主动检索而非通用提示效应。唯一保留调用为零的包未能超过起始记忆，这强调了迁移取决于实际技能使用。航空特定谱系在缺乏已修复失败类型的任务上评估，没有显著增益且调用率较低。

Recuris 在大多数模型-基准组合上持续提升任务成功率，最大增益出现在跨任务共享结构的基准上，例如零售和技能发现，而在孤立任务上几乎没有收益。结合情景记忆和工作记忆可获得最强性能，仅工作记忆贡献显著增益，而仅情景记忆只增加边际改进。当技能库固定时，决定何时调用技能的方法比技能内容更重要，因为 Recuris 优于每次将所有技能注入上下文的模型控制变体。框架产生的结构化轨迹使组件故障可观察，显著提升故障召回率和精确率，尤其是对话记录中不可见的故障，技能记忆的递归进化持续提升保留集任务性能，增益随轮次叠加，迁移取决于实际技能使用。