Recuris: Recursive Memory Self-Improvement Boosts LLM Agents from 3B to Claude Opus 5
Researchers from NUS, Princeton, Stanford, and Oxford introduced Recuris, the first agent architecture applying recursive self-improvement to memory control. It addresses memory retrieval and iteration failures in long-horizon tasks via three core techniques, achieving training-free performance gains across models from 3B to Claude Opus 5. The paper and code are publicly available.
Coverage timeline
机器之心机器之心
近年来，大语言模型（LLM）智能体在长程任务中展现出强大潜力，但现有智能体框架在 记忆的使用方式与迭代方式 上仍面临显著挑战。 传统方法多在任务开始前根据任务检索记忆或在交互过程中通过上下文来检索经验，随着任务的推进，在任务开始阶段一次性检索的记忆已无法反映当前的问题，膨胀的上下文中又混杂着过期信息与执行噪声，检索因此越来越不可靠。检索之所以不可靠，根源并不在于缺少有用的经验，而在于 缺少一个紧凑而可靠的任务状态 ，去把已积累的经验与当前的执行需求持续对齐。 而近期的 递归式自我改进（RSI） 在长程任务中也面临同样的挑战，记忆的迭代几乎只由下游任务的分数决定，无法精准定位到产生问题的具体组件，因此更新往往是粗粒度的且缺乏针对性，而面对长程任务中的推理轨迹，不断增长的上下文长度也让智能体难以在分析并在其中准确找到最有效的改进策略。 在此背景下，新加坡国立大学、普林斯顿大学与斯坦福、牛津等研究团队合作提出了 Recuris（Recursive Experiential–Working Memory Evolution），作为首个将递归自我改进应用在记忆控制层内的智能体架构，Recuris 通过三项核心技术突破， 无需训练 即成功实现了 从 3B 小模型到 Claude Opus 5 的全面提升 。 论文标题：Recursive Experiential–Working Memory Evolution for Long-Horizon Agent Harnesses 代码仓库：https://github.com/Gen-Verse/Recuris 论文链接：https://arxiv.org/abs/2608.24876 Recuris 与既有记忆方法的差别体现在两个维度上：记忆怎么被使用，以及记忆怎么被迭代。 Recuris 与既有记忆方法的两个范式差别 记忆怎么用 ：既有框架对着不断膨胀的对话历史做记忆的注入或检索，在长程任务中容易产生幻觉，导致技能调用错位；Recuris 在执行事件上取用技能，并由检查器把环境返回转成 经过验证的状态更新 ，而不是听信对话里的一句「 已完成」。 记忆怎么迭代 ：既有框架从单次任务成败出发重写整个记忆；Recuris 读取结构化轨迹，把失败 定位到具体组件 、只修改引起问题的组件，并且只有通过验证集的门控后才被接受。 性能表现：
