递归语言模型（RLMs）正在长文本基准测试中展现出卓越性能，其核心在于解决了传统智能体架构的记忆与传输限制。现有方法如 ReAct 依赖预定义工具，而 CodeAct 虽允许编写代码，但仍需将结果从记忆中以文本形式逐字生成，易在长任务中出现信息丢失。RLM 通过引入 REPL（读写执行循环）环境，将大语言模型置于持久化的 Python 运行时中，利用变量而非上下文窗口存储中间状态，从而突破长度限制。 RLM 的工作方式类似 Jupyter 笔记本，模型可逐步读取、切片和分析海量数据，通过递归调用子代理处理复杂任务。主代理作为规划者，将大任务拆解为多个子任务，分配给不同子代理并行处理，子代理返回的不仅是文本，而是可直接引用的 Python 变量。这种设计避免了模型重复记忆大量内容，实现了任意长度的输出和精准的信息检索。 相比传统方法，RLM 具备显著优势。它允许模型主动选择关注内容，避免注意力分散；通过变量组合子代理结果，实现高效的信息聚合；同时利用 KV 缓存机制降低计算成本。作者指出，RLM 将大语言模型从被动的文本生成者转变为主动的编程执行者，能够更智能地规划任务流程。这一架构不仅提升了长文本处理能力，还为构建通用智能体提供了新范式，标志着 AI 从简单对话向复杂系统执行迈出了关键一步。相关论文及开源实现已发布，进一步推动了该技术的发展。