新研究提出 Recuris 遞迴記憶架構，GPT-5.6 Sol 與 Claude Opus 5 在長視野 Agent 任務提升逾 15 分

最新研究提出名為 Recuris 的遞迴經驗與工作記憶（Experiential-Working Memory）架構，旨在解決 Agent 在長視野（long-horizon）任務中因歷史紀錄過長導致狀態模糊與技能調用錯誤的問題。該架構透過工作記憶追蹤任務進度，並從經驗記憶中引導技能選擇，同時利用固定的 Meta-Agent 將執行結果轉化為局部且經過驗證的技能記憶更新，形成遞迴記憶演化迴圈。在 4 個長視野基準測試與 10 款模型的評估中，Recuris 提升了 37 組測試中 35 組的成功率。在 tau-bench 中，使 GPT-5.6 Sol 提升 17.8 分，Claude Opus 5 提升 15.6 分（總成功率達 87.9%）；在 SkillFlow 測試中，Qwen3.6-27B 與 35B 分別提升 16.6 與 13.5 分。數據顯示，互動視野越長優勢越明顯，在最長任務中表現提升達 32.2 分，常見的長視野失敗率最高降低 80%。相關程式碼已於 GitHub 開源。