Recuris 提出双记忆架构：显著提升大模型在长程智能体任务上的成功率

研究团队于 2026 年 8 月提出名为 Recuris 的双记忆架构，重点解决大语言模型在执行长程复杂智能体任务时由于历史累积导致的决策退化问题。

• Recuris 将智能体记忆解耦为工作记忆与经验记忆，依据当前任务状态而非全量历史记录进行技能匹配与调用。
• 在涵盖 10 个模型与 4 个长程基准的评测中，37 个测试组合中有 35 个实现了任务成功率提升。
• 测试表明，该架构使 GPT-5.6 Sol 在 tau-bench 上提升 17.8 分，Claude Opus 5 提升 15.6 分至 87.9%，最长任务优势达 32.2 分，常见长程失败率最高下降 80%。
• 影响/看点：状态导向的双记忆机制可能为长时间运行的自主 Agent 提供了更具可解释性与鲁棒性的架构参考，其落地价值取决于在开放动态环境中任务状态表征的通用性。
• 资料依据：
• X：Elvis Saravia（https://x.com/omarsar0/status/2092798762343411967）

本内容由 AI 生成，仅供参考，请注意甄别