研究人员推出了Recuris，这是一种递归式经验-工作记忆架构，旨在解决长周期任务中递归自我改进所面临的挑战。该系统利用工作记忆跟踪进度并从经验记忆中引导技能选择，形成一个有界循环，从而将失败局部化并根据当前需求更新技能。
- 在四个基准测试的37对已完成的模型-基准对中，Recuris在35对中提升了任务成功率。
- 在tau-bench上，它为GPT-5.6 Sol增加了17.8分，为Claude Opus 5增加了15.6分，达到87.9%。
- 在SkillFlow上，它为Qwen3.6-27B/35B分别增加了16.6/13.5分。
- 随着交互周期的延长，优势进一步扩大，在最长的任务中增加了32.2分。
- 常见的长周期失败减少了多达80%。
该方法将递归演化的记忆定位为递归自我改进的可扩展基础，使智能体能够将积累的经验持续转化为更有效的行为。