Recuris melhora agentes de longo horizonte ao fazer evoluir a memória

Investigadores da NUS, Stanford, Oxford e Princeton apresentaram o Recuris, uma arquitetura de memória para agentes de IA de longo horizonte que melhora a execução sem alterar o modelo de linguagem subjacente. O LLM base permanece congelado; o que evolui é uma camada externa de controlo de memória que acompanha o estado verificado da tarefa, seleciona competências reutilizáveis e aprende com falhas anteriores.

A distinção é importante porque a expressão "recursive self-improvement" pode sugerir que o modelo está a reescrever os próprios pesos. O Recuris faz algo mais limitado e controlável. A Working Memory regista o que já foi concluído, o que continua em aberto e que observações suportam esse estado. A Experiential Memory guarda competências reutilizáveis. A seleção de uma competência depende do estado atual verificado, e não de todo o histórico da conversa.

Uma memória que aprende com a execução

Durante uma tarefa, o Recuris liga Working Memory e Experiential Memory. Depois de uma ação ou chamada de ferramenta, um checker decide se a resposta do ambiente suporta realmente a atualização de estado proposta. Assim, o agente não pode marcar um objetivo como concluído apenas porque tentou executar uma ferramenta ou recebeu uma confirmação verbal.

Entre tarefas, o harness guarda traces estruturadas que ligam estado, competências selecionadas, ações, observações e decisões do checker. Um Meta-Agent fixo usa essas traces para identificar a componente de memória provavelmente responsável pela falha e propõe um patch localizado. O patch só é aceite se uma validation gate fixa confirmar que corrige a falha sem causar regressões num conjunto de desenvolvimento held-out. O modelo base, o Meta-Agent e o procedimento externo de melhoria permanecem inalterados.

Ganhos fortes em benchmarks de longo horizonte

Na avaliação apresentada em quatro benchmarks de longo horizonte e dez modelos, o Recuris melhora a taxa de sucesso em 35 das 37 combinações modelo-benchmark concluídas. No τ²-Retail, GPT-5.6 Sol sobe de 58,3% para 76,1%, enquanto Claude Opus 5 passa de 72,4% para 87,9%. No SkillFlow, Qwen3.6-27B aumenta de 42,2% para 58,7%.

Os autores também afirmam que a vantagem aumenta quando as interações se tornam mais longas. No grupo de tarefas com maior horizonte, o ganho chega a 32,2 pontos percentuais, e vários modos comuns de falha em tarefas longas diminuem até 80%. Uma experiência controlada de fault localization também mostra que as traces estruturadas identificam a componente de memória responsável com muito mais precisão do que apenas o resultado final da tarefa.

Mais contexto não foi a resposta

Um dos resultados mais úteis para engenharia de agentes é que simplesmente colocar mais competências no prompt teve pior desempenho. Numa comparação controlada, manter toda a biblioteca de competências permanentemente no contexto acrescentou 3.111 tokens à primeira chamada, obteve um resultado 18 pontos inferior ao Recuris e consumiu 46% mais tokens por tarefa concluída com sucesso.

A conclusão arquitetural é mais específica do que "mais memória ajuda": memória útil não é o mesmo que contexto grande. Para agentes de longa duração, o problema difícil é saber qual é o estado verdadeiro agora, que experiência é relevante para esse estado e exatamente quando essa experiência deve entrar no contexto.

Limitações importantes

Os resultados continuam a ser resultados reportados pelos autores de um preprint recente no arXiv e precisam de reprodução independente. Os ganhos cross-task mais fortes também aparecem onde as tarefas partilham ferramentas, políticas ou estrutura reutilizável. No Terminal-Bench 2.1, onde as tarefas são mais isoladas, a evolução cross-task não aceitou qualquer patch em treze ciclos.

O artigo avalia separadamente adaptação em test time no Terminal-Bench. Com o mesmo orçamento de quatro tentativas, a adaptação acrescentou apenas 2,3 pontos à métrica solved-within-budget, com p=0,774. Os próprios autores afirmam que, com esta dimensão de amostra, os efeitos de memória continuam dentro da variação entre execuções. O principal ganho de headline nesse benchmark veio das tentativas adicionais, e não da aprendizagem da memória.

Porque isto importa para engenharia de agentes

O Recuris desloca a superfície de melhoria dos pesos do modelo para o harness à sua volta. Operacionalmente, isso é atraente porque alterações de memória podem ser localizadas, validadas, revertidas e transferidas entre modelos sem voltar a treinar o LLM base.

Para equipas que constroem agentes de longo horizonte, o artigo reforça uma direção arquitetural concreta: acompanhamento verificado do estado, invocação seletiva de competências e evolução limitada da memória podem ser tão importantes como escolher um modelo mais forte. O código é público, por isso a próxima questão é testável: saber se estes ganhos se reproduzem fora do harness experimental dos autores e sobrevivem a workflows reais com ferramentas imperfeitas, falhas parciais e distribuições de tarefas em mudança.

Sources
- Recursive Experiential–Working Memory Evolution for Long-Horizon Agent Harnesses
- Código-fonte do Recuris