研究人员推出了Recuris，这是一种递归的经验-工作记忆架构，旨在解决长程任务中递归自我改进面临的挑战。该系统利用工作记忆跟踪任务进度，并从经验记忆中引导技能选择，使决策基于当前需求而非完整历史。
- 固定的Meta-Agent将执行证据处理为技能记忆的局部更新，形成有界的递归记忆演化循环。
- Recuris在四个长程基准和十个模型上的35个已完成的模型-基准对中提升了任务成功率。
- 该架构使前沿模型达到SOTA级性能，在tau-bench上为GPT-5.6 Sol增加17.8分，为Claude Opus 5增加15.6分。
- 在Qwen3.6-27B/35B上，Recuris在SkillFlow上分别增加16.6/13.5分，在最长的任务中优势扩大至32.2分。
- 随着交互范围的扩大，常见的长程失败减少了多达80%。
这些结果将递归演化的记忆定位为RSI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程行为。