Recursive Coding Agents - Raymond Weitekamp, OpenProse

智能体的信任危机与“管理不善的天才”

Raymond Weitekamp 指出，当前 AI 智能体面临的核心瓶颈并非智力不足，而是结果交付的不可靠性。尽管大模型拥有海量知识，但用户无法信任它们稳定地完成任务。他通过两个极端案例说明了这种不稳定性：一方面，单次提示词可能生成近乎完整的 SaaS 应用；另一方面，Cloud Code 曾意外清空用户的 Solana 钱包。“The bottleneck to this is not intelligence... But they can't reliably deliver outcomes.” 这种矛盾导致用户难以将智能体视为可靠的同事。Weitekamp 认为，当前的智能体本质上是“管理不善的天才”（mismanaged geniuses），这一概念源自 MIT 的 Alex Zeng、Z Li 和 Omar Khattab。智能体具备足够的推理能力，但缺乏对工作进行规范、管理、复用和验证的层级。我们期望的未来状态是用户只需冥想，结果便能自动显现，这需要从简单的工具调用转向更复杂的递归管理架构。

递归语言模型（RLM）的核心机制

递归语言模型（RLM）被视为推理模型的新范式，其核心在于将上下文本身作为计算对象。RLM 是工具调用（Tool Calling）与推理（Reasoning）的优雅结合。在 RLM 中，完整的提示词（Prompt）不再是一个简单的用户查询，而是一个变量，它可以是单个文件或多个文件的集合。智能体通过读取-评估-打印循环（REPL）与上下文交互，并指示模型对提示词进行符号化操作，而非简单地将所有内容加载到上下文窗口中。这种机制允许模型通过递归子代理（Sub-agents）对答案进行拆解和符号化操纵，再逐层汇总最终答案。这种树状结构的递归处理，使得 RLM 成为测试时计算（Test-time Compute）或推理时计算（Inference-time Compute）的新一代代表，它显式地将思维链（Chain of Thought）转化为推理令牌，从而实现了更深层的逻辑推导。

RLM 在长上下文与记忆系统中的卓越表现

RLM 在处理远超其上下文窗口限制的信息时展现出惊人能力。在原始论文及独立研究中，RLM 能够处理数千万 token 的信息，其表现远超传统模型。Weitekamp 指出，默认的 RLM 框架本身就是一个强大的记忆系统，无需修改即可跻身顶级记忆系统行列，甚至优于许多耗费巨资定制的记忆方案。通过轻微修改，RLM 在 DSPy 实现中取得了长推理任务的最先进（SOTA）结果。在 Long CoT 基准测试中，由于问题需要极长的推理步骤，大多数推理模型无法保持足够的注意力线程。然而，RLM 通过结合代码执行和递归子代理调用，使得小模型也能超越顶级前沿模型。以下是关键性能对比数据：

基准测试争议与 Agentica 的突破

RLM 的强大性能引发了基准测试领域的争议。在 Arc AGI-3 发布后，顶级前沿模型得分仅为 2%-3%。然而，Symbolica 团队利用名为 Agentica 的 RLM 代理框架，在数小时内将得分提升至 30% 以上，彻底颠覆了当时的排名。这一结果让 Arc Prize 团队感到不安，他们发布推文暗示 RLM 框架并非“正确”的解题方式，并拒绝进行完整的私下评估。Weitekamp 认为这种反应是不合理的，因为 RLM 确实解决了长推理任务中的核心痛点。在 Long CoT 基准测试中，不仅 Weitekamp 自己的研究，MIT 的 Alex 也证明了 RLM 框架在长推理任务上的最先进（SOTA）结果。这表明，RLM 不仅是理论上的创新，更是实际性能上的巨大飞跃，其能力之强甚至让传统基准测试感到“过热”（too hot to benchmark）。

动态工作流与 OpenProse 的引入

演讲者首先推荐了博客文章《A Harness for Every Task》，其中展示了六种强大的工作流模式。为了具体演示，作者为 Cloud Code 编写了两套工作流：一套是明确非 RLM（递归语言模型）的硬编码 Map-Reduce 工作流，另一套则是类似“文件系统深度研究”的模式，即分配句柄给智能体进行分析并带回结果。这些示例均收录在配套仓库中。

然而，动态工作流目前仅适用于 Claude Code，且并非唯一解决方案。如果用户不喜欢 Claude Code，或希望使用其他工具，OpenProse 便应运而生。OpenProse 在技术上是一种编程语言，但它不由计算机编译，而是由编码智能体（Coding Agent）编译。它基于 Markdown 规范，使用逻辑英语，无需学习复杂语法。通过 prose write 命令，用户可以指示 Claude Code、Codex 或其他智能体生成 .prose.md 文件，这与 Claude Code 的 ultra code 命令类似，旨在自动决策并编写工作流。

"OpenProse is technically a programming language, but it is not compiled by your computer. It's compiled by your coding agent."

OpenProse 的核心机制与依赖管理

OpenProse 的核心优势在于它能将任何拥有文件系统和子智能体的工具转化为 RLM。其配套仓库中提供了两个 .prose.md 演示文件，展示了如何将问题拆解为更小的部分并分配给子智能体，随后由父智能体验证工作成果。更关键的是，OpenProse 允许将技能和工具作为显式依赖项声明。这意味着工作流可以确保特定的子智能体在承担角色时，必须拥有特定的 CLI 工具访问权限或技能，否则无法执行任务。

这种机制不仅规范了工作流程，还确保了子智能体被专门配置为执行声明任务所需的工具和技能。这种显式的依赖声明解决了智能体在执行特定任务时可能因环境缺失而失败的问题，从而提高了工作流的可靠性和可预测性。作者强调，这种通过 OpenProse 实现的 RLM 能力，使得任何编码智能体都能具备递归处理复杂任务的能力。

实际应用场景与“黄金会话”复用

OpenProse 支持多种复杂场景，包括仓库规模的重构（通过并行 swarm 进行大规模重构并合并）、目录深度研究（递归分析或审计）、漏洞扫描以及对抗性测试（如红队智能体尝试改进系统）。近期新增的一个关键功能是“黄金会话”（Golden Session）的自动化重构。针对智能体表现不稳定（如“今天结果完美，明天加密货币被盗”）的问题，作者构建了一个系统，可以将 Claude Code、Codex 等工具的“黄金会话”分解，并转化为可复用的 OpenProse 工作流。

这一功能使得智能体能够递归地重现最佳性能状态，从而解决可靠性问题。通过将这些成功的交互序列固化为程序，用户可以反复获得高质量的结果，实现了从偶然成功到稳定可靠性的跨越。

核心观点：信任、可靠性与 RLM 范式

演讲的最后，作者总结了三个核心观点。首先，信任即可靠性，如果系统不可靠，就无法建立信任。其次，下一步的突破不在于增加原始智能，而在于行为编排。作者认为 RLM 代表了“测试时计算”（Test Time Compute）的新范式，其中工具调用与推理统一，通过递归迭代（如调用其他智能体处理子任务）来解决问题。最后，作者澄清了 LLM 与编码智能体的关系：编码智能体可以是 LLM，但并非自动就是 LLM。通过动态工作流或 OpenProse，可以将编码智能体转化为 RLM，这是一种强大的协作方式。

"The next step is not more raw intelligence. It's actually behavioral. It's actually orchestration."

作者呼吁大家访问 recursivecodingagents.com 深入探索，并强调“能力越大，责任越大”，呼吁用户负责任地递归（Recurse Responsibly）。