Recuris记忆新范式：从3B小模型到Claude Opus 5全线提升
Recuris用递归自我改进优化记忆，让各类模型长程任务表现大幅提升，是值得关注的新范式。
Recuris是一种新的智能体记忆架构，通过递归自我改进和结构化轨迹精准定位失败组件，无需训练即可让从3B小模型到Claude Opus 5在长程任务中显著提升，且优势不随任务变长而衰减。
正文摘录
- title: Agent记忆新范式Recuris：3B小模型到Claude Opus 5全线暴涨 - sourcecompany: 机器之心 - bodymarkdown: .jpg)  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。随着任务推进，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，无法把已积累的经验与当前执行需求持续对齐。 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，因而更新往往是粗粒度的、缺乏针对性；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中准确找到最有效的改进策略。