Recursive Experiential-Working Memory Evolution for Long-Horizon Agent Harnesses
Zhaochen Yu, Yingcheng Wu, Zhenfei Yin, Kaiyuan Chen, Zhe Zhao, Mengdi Wang, Shuicheng Yan, Ling Yang
cs.AI, cs.CL
2026-08-26
Recuris冻住基座模型，用工作记忆对齐技能调用并跨任务补丁记忆；37对里35对成功率上升，Opus 5在τ²-Retail上从72.4%到87.9%，最长任务优势+32.2。
长程任务里，对话历史越堆越乱，智能体分不清哪些目标还没做完，该调哪条技能。现有经验记忆多半按初始指令或整段历史检索，指令已经过时，历史里又混着做完的步骤和噪声。缺的不是经验，是一个紧凑、可验证的任务状态，用来对准「现在需要什么」。终点成败也定位不了该修技能、状态机、调用策略，还是完成检查器。
NUS、普林斯顿、斯坦福和牛津的 Recuris 把递归自我改进从改权重、改整套 agent，收成改一层外部的 Skill Memory。
基座 LLM 冻住。可变的是四件套：经验记忆（可复用技能）、工作记忆规格（状态字段和更新提案）、调用策略（何时、用什么键去取技能）、检查器（环境回执是否撑得住状态变更）。任务内，工作记忆记下每个目标的 pending / done / blocked。到了约定事件，比如即将发出改状态的工具调用，调用策略按当前状态取出对应技能；检查器只在工具回执支持时才把目标标成完成，口头说「好了」不算。
任务间，固定的 Meta-Agent（实现是 Claude Code，论文里全程不改）读结构化轨迹：每一步的状态、取出的技能、动作、观察、提案、检查器判决。它把失败归到上述四个组件之一，只补被点名的组件。候选补丁要过验证门：修得了源任务，且不能把已会做的锚点任务做坏，否则记忆保持原样。外层程序、工具、模型都不改。没有跨任务结构的基准，同一套机器改成单任务重试：失败后只改经验记忆再试，对照是同等次数、记忆冻住的重试。
进化只在部署模型 doubao-seed-2-0-pro 上跑一遍，得到的记忆原样装到其他模型上评测。权重全程不更新。
四个长程基准、十个模型，37 个已完成的模型–基准对里 35 个任务成功率上升。
| 模型 | 基准 | 基座 | Recuris |
| GPT-5.6 Sol | τ²-Retail | 58.3 | 76.1（+17.8） |
| Claude Opus 5 | τ²-Retail | 72.4 | 87.9（+15.6） |
| Doubao-2.0-Pro | τ²-Retail | 58.1 | 81.4（+23.3） |
| Qwen3.6-27B | SkillFlow | 42.2 | 58.7（+16.6） |
| Qwen3.6-35B | SkillFlow | 35.3 | 48.8（+13.5） |
两个没涨的对：Granite-4.1-3B 在 SkillFlow 上 0.3 落到 0.0，Gemini 3.7 Flash 在 τ²-Airline 上 86.5 落到 85.0。优势随任务变长加大，按任务固有完成长度分的四个分位都领先，幅度 +17.0 到 +44.7，最长一档摘要里写 +32.2。读操作召回各变体都在 88%–98%，分开的是写路径：基座有 42% 该写的回合一个写都没发出，Recuris 是 16%。
Retail 上工作记忆单独加 +23.9，经验记忆单独加 +2.0 且区间含 0。同一套技能库每回合全塞给模型、让模型自己挑，成功率 65.6；按调用事件只塞对上的那一条，到 83.6。Airline 拿掉写前审查掉 13.5 分，Retail 拿掉状态板掉 17.3 分，关键组件因域而异。把已知故障注入组件后，只看结局能定位到责任组件的宏平均准确率 13.0%，原始轨迹 37.0%，结构化轨迹 64.8%。Terminal-Bench 2.1 没有跨任务结构，13 轮进化没放进任何补丁；单任务四次尝试的抬头几乎全是重试预算（+26.4），适配本身只再加 +2.3（p=0.774）。
这是一种可部署的、有边界的递归自我改进：不碰权重，只改记忆控制层，补丁可归因、可回滚，还能从中等模型搬到没见过的前沿模型。Opus 5 在 Retail 上被同一份记忆抬到 87.9%，说明前沿模型在长程执行上没有饱和，缺的是「还有哪些目标没做完」的状态机，不是更多参数。
前提很硬。跨任务进化要共享工具和流程，Terminal-Bench 那种一题一环境就搬不动。技能库的价值取决于调用时机，整库常驻上下文比不给技能更差，还更贵。
论文把递归明确收在记忆层，这不是权重级 RSI。Airline 样本只有 50 题，多数区间含 0，只能当方向。记忆在一个中等模型的失败上长成，换模型再进化会变成另一份记忆，单源设定测的是可迁移的共性，也留下「过拟合部署模型癖好」的可能。检查器在 Retail 上拆掉几乎不影响通过率，定位实验没法测这一类。验证门比它能分辨的更细，有的被拒补丁事后在 held-out 上是涨的。失败模式图里幻觉完成最多降约 86%，摘要写成「最多 80%」，口径略松。