长期任务代理的递归经验-工作记忆进化

Hugging Face Daily Papers 2026/08/25 00:00 论文

摘要

论文介绍了Recuris，一种递归记忆架构，通过跟踪进度和指导技能选择来提升长期任务代理的成功率，采用本地化的、验证门控的更新机制。

递归自我改进（RSI）在长期任务中仍然困难，因为不断增长的历史记录会模糊任务状态并导致技能调用错位。我们引入了Recuris，一种用于长期任务代理框架的递归经验-工作记忆架构，其中工作记忆跟踪任务进度并从经验记忆中指导技能选择，将技能使用基于当前需求而非完整历史。这种耦合还将执行转化为结构化证据，将失败定位到特定的记忆组件。在各种任务中，一个固定的元智能体将这些证据转化为对技能记忆的本地化、验证门控的更新，重塑执行并产生新证据，形成一个有界的递归记忆进化循环。在四个长期任务基准测试和十个模型中，Recuris在37个完成的模型-基准对中的35个中提升了任务成功率，使前沿模型达到SOTA级任务成功率：在tau-bench上，它为GPT-5.6 Sol增加了17.8个百分点，为Claude Opus 5增加了15.6个百分点，将Opus 5提升到87.9%，在SkillFlow上为Qwen3.6-27B/35B增加了16.6/13.5个百分点。随着交互视野的增长，优势扩大到最长任务上的32.2个百分点，常见长期任务失败率下降高达80%。这些结果将递归进化记忆定位为RSI的可扩展基础，使代理能够持续将积累的经验转化为越来越有效的长期行为。代码：https://github.com/Gen-Verse/Recuris

查看原文

查看缓存全文

缓存时间: 2026/08/26 03:16

论文页面 - 递归经验-工作记忆进化：面向长期智能体任务框架

来源：https://huggingface.co/papers/2608.24876

摘要

Recuris 引入了一种递归记忆架构，通过局部化、验证门控的更新机制，追踪进度并指导技能选择，从而提升长期智能体任务的成功率。

递归自我改进（https://huggingface.co/papers?q=Recursive%20self-improvement）在长期任务中仍然面临挑战，因为不断增长的历史记录会模糊任务状态并导致技能调用偏差。我们提出 Recuris，一种面向长期智能体任务框架（https://huggingface.co/papers?q=long-horizon%20agent%20harnesses）的递归经验-工作记忆（https://huggingface.co/papers?q=Experiential-Working%20Memory）架构。其中，工作记忆（https://huggingface.co/papers?q=Working%20Memory）追踪任务进度，并基于经验记忆（https://huggingface.co/papers?q=Experiential%20Memory）指导技能选择，使技能调用依据当前需求而非完整历史记录。这种耦合机制还将执行过程转化为结构化证据，将失败定位于特定记忆组件。跨任务中，一个固定的元智能体（https://huggingface.co/papers?q=Meta-Agent）将这些证据转化为针对技能记忆（https://huggingface.co/papers?q=Skill%20Memory）的局部化、验证门控更新（https://huggingface.co/papers?q=validation-gated%20updates），重塑执行过程并生成新证据，形成有界的递归记忆进化循环。

在四个长期任务基准测试和十个模型上，Recuris 在37个完成的模型-基准配对中的35个提升了任务成功率，将前沿模型提升至SOTA级别任务成功率：在 tau-bench 上，GPT-5.6 Sol 提升 +17.8 分，Claude Opus 5 提升 +15.6 分（使 Opus 5 达到 87.9%），在 SkillFlow 上，Qwen3.6-27B/35B 分别提升 +16.6/+13.5 分。随着交互跨度的增长，优势进一步扩大，在最长任务上提升 +32.2 分，常见的长期任务失败率最高降低 80%。这些结果将递归进化记忆定位为递归自我改进的可扩展基础，使智能体能够持续将积累的经验转化为日益有效的长期行为。代码：https://github.com/Gen-Verse/Recuris

查看 arXiv 页面 (https://arxiv.org/abs/2608.24876) 查看 PDF (https://arxiv.org/pdf/2608.24876) 项目页面 (https://github.com/Gen-Verse/Recuris) GitHub4 (https://github.com/Gen-Verse/Recuris) 添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2608.24876)

在你的智能体中获取此论文：

hf papers read 2608.24876

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 0

无模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2608.24876 即可从本页面链接。

引用此论文的数据集 0

无数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2608.24876 即可从本页面链接。

引用此论文的 Space 0

无 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2608.24876 即可从本页面链接。

包含此论文的收藏夹 0

无收藏夹包含此论文

将此论文添加到收藏夹 (https://huggingface.co/new-collection) 以从本页面链接。

相似文章

面向长周期智能体的主动记忆（阅读时长16分钟）

TLDR AI

本文介绍了一种主动记忆代理，它与标准行为代理协同工作，在长周期任务中选择性地注入基于记忆的提醒，从而缓解行为状态衰减。在Terminal-Bench和τ²-Bench上的实验显示，pass@1有显著提升，并且该方法在弱和强行为代理上均得到了验证。

ERSkill: Evolving for Skill-Guided Adaptive Memory Retrieval

arXiv cs.CL

Introduces ERSkill, a retrieval-centric framework for self-evolving, skill-guided adaptive memory access in LLM agents. It co-evolves retrieval skills and a routing policy, substantially outperforming strong baselines across agent memory benchmarks.

Harnessing agent memory to build lifelong AI partners for materials scientists

arXiv cs.AI

This paper proposes a self-evolving memory framework for lifelong AI partners in materials science, storing scientific experience as facts and skills to improve agent performance across models. Evaluations show memory nearly doubles GPT-5.2 task success in materials tool-use questions and reduces repeated errors in simulations.

智能体的自改进记忆（6分钟阅读）