Recuris améliore les agents à long horizon en faisant évoluer leur mémoire

Des chercheurs de la NUS, de Stanford, d'Oxford et de Princeton ont présenté Recuris, une architecture mémoire pour agents d'IA à long horizon qui améliore l'exécution sans modifier le modèle de langage sous-jacent. Le LLM de base reste gelé; c'est une couche externe de contrôle de la mémoire qui évolue afin de suivre l'état vérifié de la tâche, sélectionner les compétences pertinentes et apprendre des échecs précédents.

Cette distinction est importante car l'expression « recursive self-improvement » peut laisser penser que le modèle réécrit ses propres poids. Recuris fait quelque chose de plus limité et plus contrôlable. La Working Memory enregistre ce qui a été accompli, ce qui reste ouvert et les observations qui justifient cet état. L'Experiential Memory conserve des compétences réutilisables. La sélection d'une compétence dépend de l'état courant vérifié plutôt que de l'intégralité de l'historique de conversation.

Une mémoire qui apprend de l'exécution

Pendant une tâche, Recuris couple Working Memory et Experiential Memory. Après une action ou un appel d'outil, un checker décide si la réponse de l'environnement justifie réellement la mise à jour d'état proposée. L'agent ne peut donc pas considérer un objectif comme terminé simplement parce qu'un appel d'outil a été tenté ou qu'une confirmation verbale a été reçue.

Entre les tâches, le harness enregistre des traces structurées reliant état, compétences sélectionnées, actions, observations et décisions du checker. Un Meta-Agent fixe utilise ensuite ces traces pour identifier la composante mémoire probablement responsable d'un échec et proposer un patch localisé. Le patch n'est accepté que si une validation fixe confirme qu'il corrige l'échec sans dégrader un ensemble de développement held-out. Le modèle de base, le Meta-Agent et la procédure d'amélioration externe restent inchangés.

Des gains importants sur les benchmarks à long horizon

Dans l'évaluation publiée sur quatre benchmarks à long horizon et dix modèles, Recuris améliore le taux de réussite dans 35 des 37 couples modèle-benchmark terminés. Sur τ²-Retail, GPT-5.6 Sol passe de 58,3 % à 76,1 %, tandis que Claude Opus 5 passe de 72,4 % à 87,9 %. Sur SkillFlow, Qwen3.6-27B progresse de 42,2 % à 58,7 %.

Les auteurs indiquent également que l'avantage augmente lorsque les interactions deviennent plus longues. Sur le groupe de tâches le plus long, le gain atteint 32,2 points de pourcentage, et plusieurs modes d'échec courants à long horizon diminuent jusqu'à 80 %. Une expérience contrôlée de localisation de fautes montre aussi que les traces structurées identifient beaucoup mieux la composante mémoire responsable que le simple résultat final de la tâche.

Davantage de contexte n'était pas la solution

Un résultat particulièrement utile pour l'ingénierie des agents montre qu'injecter davantage de compétences dans le prompt ne suffit pas. Dans une comparaison contrôlée, conserver toute la bibliothèque de compétences en permanence dans le contexte ajoutait 3 111 tokens au premier appel, obtenait un score inférieur de 18 points à Recuris et consommait 46 % de tokens supplémentaires par tâche réussie.

Le message architectural est plus précis qu'une simple défense de la mémoire: mémoire utile et grand contexte ne sont pas équivalents. Pour un agent de longue durée, le problème difficile consiste à savoir quel état est vrai maintenant, quelle expérience est pertinente pour cet état et à quel moment elle doit entrer dans le contexte.

Des limites importantes

Les résultats restent ceux des auteurs d'un nouveau preprint arXiv et nécessitent une reproduction indépendante. Les gains cross-task les plus forts apparaissent également lorsque les tâches partagent des outils, des politiques ou une structure réutilisable. Sur Terminal-Bench 2.1, dont les tâches sont plus isolées, l'évolution cross-task n'a admis aucun patch en treize cycles.

Le papier évalue séparément l'adaptation pendant le test sur Terminal-Bench. À budget égal de quatre tentatives, l'adaptation n'ajoute que 2,3 points au taux solved-within-budget, avec une valeur p de 0,774. Les auteurs indiquent explicitement que, pour cette taille d'échantillon, les effets de mémoire restent dans la variabilité entre exécutions. Le principal gain affiché sur ce benchmark provient donc des tentatives supplémentaires, et non de l'apprentissage mémoire lui-même.

Pourquoi cela compte pour l'ingénierie des agents

Recuris déplace la surface d'amélioration des poids du modèle vers le harness qui l'entoure. C'est intéressant sur le plan opérationnel car les modifications de mémoire peuvent être localisées, validées, annulées et transférées entre modèles sans réentraîner le LLM de base.

Pour les équipes qui construisent des agents à long horizon, le papier renforce une direction architecturale concrète: suivi vérifié de l'état, invocation sélective des compétences et évolution mémoire bornée peuvent compter autant que le choix d'un modèle plus puissant. Le code étant public, la prochaine étape sera de vérifier si ces gains se reproduisent hors du harness expérimental des auteurs, dans des workflows de production confrontés à des outils imparfaits, des échecs partiels et des distributions de tâches changeantes.

Sources
- Recursive Experiential–Working Memory Evolution for Long-Horizon Agent Harnesses
- Code source de Recuris