协作式具身系统通过融合感知、规划、执行与由大语言模型（LLMs）驱动的高级推理，使多个智能体在真实环境中协同完成复杂、长周期、多目标任务，展现出巨大潜力。尽管算法层面取得了显著进展，但当前系统在部署具身智能体时仍面临诸多挑战，包括规划与通信延迟过长、可扩展性受限，以及底层执行对环境变化高度敏感，这些因素共同导致系统效率严重下降。本文提出ReCA——一种面向协作式具身智能体系统的表征与协同设计框架，旨在提升任务执行效率与系统可扩展性。在算法层面，ReCA通过高效本地化模型处理，显著降低模型运行开销；在系统层面，ReCA设计了融合长期与短期记忆的双层内存结构，采用集中式与分布式协同结合的分层规划机制，并引入规划引导的多步执行策略，实现高效且可扩展的协作式具身智能体计算；在硬件层面，ReCA采用异构硬件架构，配备高层规划GPU子系统与底层规划加速器子系统，保障任务执行的高效性与鲁棒性。在长周期多目标任务上的评估表明，ReCA具备良好的跨应用场景与系统规模的泛化能力，相较当前最先进的协作式具身自主智能体系统，任务成功率提升4.3%，整体执行速度提升10.2倍。