普林斯顿王梦迪团队最新开源！不改模型权重，Agent也能实现RSI

智猩猩AI整理

编辑： 没方

LLM Agent 在长程任务中的递归自我改进（RSI）始终难以落地。

随着任务的拉长，历史上下文会不断膨胀，已完成步骤、过期信息、未解决目标和执行噪声混杂在一起，Agent 很容易忘记现在还差什么，进而调用错误的 Skill，甚至误以为任务已经完成。

为此，新加坡国立大学、斯坦福大学、牛津大学、普林斯顿大学的研究者们开源了一个很有意思的项目Recuris， 这是 面向长时程 Agent Harness 的经验记忆与工作记忆 递归 进化框架。

在4个长程 Benchmark、10种不同规模模型上，Recuris 在37组完成评测的组合中，有35组任务成功率都提升了。

其中，在τ²-Retail上，GPT-5.6 Sol 从58.3% 提升到76.1%，提升17.8个百分点；Claude Opus 5 从72.4% 提升到87.9%，提升15.6个百分点。

而且任务越长，Recuris 的优势反而越明显。在最长一档任务中，成功率提升达到32.2个百分点。

01

Agent 能否在不更新任何模型权重

的情况下，实现递归式自我改进？

Recuris 围绕一个冻结参数的 LLM，构建了两个紧密耦合的循环，从而实现递归式自我改进。

（1）任务内执行：经过验证的经验记忆-工作记忆耦合

Working Memory，也就是工作记忆，会持续维护一个紧凑、基于证据的任务状态，用来表示 Agent 当前已经完成了什么，以及还有哪些目标尚未解决。

这个不断变化的任务状态，会决定 Agent 应该在什么时候，从经验记忆中调用可复用的 Skill。

Agent 执行动作以后，系统还会根据环境反馈进行验证，确认任务是否真的取得了进展。

只有验证通过以后，Working Memory 才会更新。

因此，整个任务执行过程形成了一个闭环：

任务状态 → Skill 调用 → 执行 → 验证 → 任务状态更新。

（2）跨任务改进：递归式 Skill Memory 进化
经验记忆-工作记忆耦合机制，还会把 Agent 的执行过程转化成结构化的诊断证据。

有一个固定不变的 Meta-Agent 会分析这些执行轨迹，并将失败定位到具体的 Memory 组件。

例如可能是已经存储的 Skill 出了问题，也可能是 Working State 的表示方式不够准确，还可能是 Skill 调用策略或者 Checker 存在问题。

随后，Meta-Agent 会针对这些具体问题提出定向修改。

但这些候选修改不会直接写入系统。

它们必须先通过一个固定的 Validation Gate，也就是验证门。只有验证通过的更新，才会被正式接纳。

一旦新的 Memory 被接受，它就会改变未来 Agent 的执行方式。

新的执行行为又会产生新的证据，为下一轮自我改进提供材料。

于是，第二个循环形成：

记忆 → 行为 → 证据 → 失败定位 → 定向修改 → 更好的记忆。

这就是 Recuris 最核心的递归循环。

Memory 决定 Agent 如何行动，Agent 的行为又会暴露当前 Memory 存在哪些局限。这些局限继续指导下一轮 Memory 更新。

02

使用方式

目前项目要求Python 3.12 和 Git。如果要运行 SkillFlow 或 Terminal-Bench 2.1，还需要提前安装 Docker，以及 Compose V2。

首先克隆仓库：

cd recuris

然后安装依赖：

pip install -e ".[all]"

接下来，在项目根目录创建.env，配置兼容 OpenAI API 格式的模型 Endpoint：

OPENAI_BASE_URL=...

如果使用 Qwen 等开源模型，可以通过 vLLM 在本地启动模型。例如：

  --tool-call-parser hermes

τ²-Bench 会让 Agent 通过 Tool Calling 调用工具，所以这里两个 Tool Calling 参数是必须的，不是可选项。如果不添加，vLLM 会拒绝请求，最终所有 Episode 都无法得到评分。

安装并初始化 Benchmark：

recuris check-data --benchmark tau2

接下来让 Recuris 指向刚才部署好的模型：

# export ARGS='{"api_base":"'"$OPENAI_BASE_URL"'","api_key":"'"$OPENAI_API_KEY"'","temperature":0.0,"timeout":360,"num_retries":2,"reasoning_effort":"high","allowed_openai_params":["reasoning_effort"]}'

分别运行有 Skill Memory 和无 Skill Memory 的实验，对比结果：

recuris compare --a retail_skill --b retail_bare

03

总结

Recuris 最有意思的地方，并不是又给 Agent 增加了一套 Memory。

它实际上换了一种思路理解 Agent 的自我改进。

过去，我们往往把“AI 变强”理解成继续训练模型、更新权重，或者不断修改 Prompt。但 Recuris 展示了另一条路径，模型本身可以完全冻结，真正持续进化的是包裹在模型之外的 Agent Harness。

Working Memory 负责维护“我现在做到哪了”，Experiential Memory 保存“过去遇到这种问题该怎么做”；执行过程继续产生新的结构化证据，Meta-Agent 再从失败中定位具体的 Memory 缺陷，生成局部修改，并经过 Validation Gate 后写回系统。

于是，一个闭环出现了：Memory 改变行为，行为产生经验，经验暴露 Memory 的缺陷，而这些缺陷又反过来推动下一轮 Memory 进化。

关注+星标，获取AI前沿进展与开源一线动态