Recuris：递归经验-工作记忆架构提升长程智能体任务成功率

递归自我改进（RSI）在长时程任务中仍然困难重重，因为不断增长的历史记录模糊了任务状态，并导致技能调用错位。我们引入了Recuris，一种用于长时程智能体框架的递归经验-工作记忆架构，其中工作记忆跟踪任务进度，并从经验记忆中引导技能选择，将技能使用植根于当前需求而非完整历史。这种耦合还将执行转化为结构化证据，将失败定位到特定的记忆组件。跨任务中，一个固定的元智能体将这些证据转化为对技能记忆的局部化、经验证门控的更新，从而重塑执行并产生新证据，形成一个有界的递归记忆演化循环。在四个长时程基准和十个模型上，Recuris在37个已完成的模型-基准对中提升了35个的任务成功率，将前沿模型推至SOTA级任务成功率：在tau-bench上，它为GPT-5.6 Sol增加了+17.8个百分点，为Claude Opus 5增加了+15.6个百分点，使Opus 5达到87.9%，并在SkillFlow上为Qwen3.6-27B/35B增加了+16.6/+13.5个百分点。随着交互时程的增长，优势进一步扩大，在最长任务上达到+32.2个百分点，常见的长时程失败率下降高达80%。这些结果将递归演化记忆定位为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时程行为。代码：https://github.com/Gen-Verse/Recuris