결론 먼저
Recuris(arXiv 2608.24876)의 핵심은 이겁니다.
재귀 자기개선(RSI)을 하네스의 메모리 제어 레이어만 재귀적으로 수정하는 구조로 만들었습니다. 베이스 모델은 프로바이더가 준 그대로 얼려 두고, 고정된 Meta-Agent가 실행 트레이스를 읽어서 실패를 일으킨 메모리 컴포넌트만 골라 패치합니다.
기준일 2026-08-31, 논문 reported 수치는 이렇습니다.
| 항목 | 수치 |
|---|---|
| 개선된 모델-벤치마크 조합 | 35 / 37 |
| τ²-Bench, GPT-5.6 Sol | +17.8pt |
| τ²-Bench, Claude Opus 5 | +15.6pt (87.9% 도달) |
| SkillFlow, Qwen3.6-27B / 35B | +16.6 / +13.5pt |
| τ²-Retail 배포 모델 | +23.3pt (81.4%) |
| 최장 태스크 구간 격차 | +32.2pt |
| 대표 장기 실행 실패 감소 | 최대 80% |
논문: arXiv:2608.24876 / HTML
문제 정의
긴 태스크일수록 에이전트는 두 가지에 부딪힙니다.
- 히스토리가 길어지면서 지금 할 일(태스크 상태)이 가려짐
- 쌓아둔 경험이 현재 상태와 어긋나서 스킬을 잘못 호출
기존 접근 대부분은 모델을 파인튜닝하거나 에이전트 전체를 수정합니다. 수정 면적이 넓을수록 행동이 오히려 나빠진다는 관찰도 있습니다. Recuris는 수정 범위를 메모리 컴포넌트로 국소화해서 이 리스크를 줄입니다.
구조: 워킹 메모리 × 경험 메모리
Recuris는 두 메모리를 커플링합니다.
| 컴포넌트 | 역할 |
|---|---|
| Working Memory(WM) | 검증된 태스크 상태를 유지. 스킬 호출의 근거 |
| Experiential Memory(EM) | 축적된 경험과 스킬 |
| 구조화 트레이스 | 상태-스킬-액션-결과를 한 줄로 연결해 기록 |
| Meta-Agent(고정) | 트레이스를 읽고 실패를 메모리 컴포넌트에 귀속 |
핵심은 전체 히스토리 대신 현재 워킹 상태가 스킬 선택을 그라운딩한다는 점입니다. 이 커플링이 실행 자체를 구조화된 진단 증거로 바꿔서, 실패를 특정 컴포넌트로 지역화할 수 있게 합니다.
재귀 루프 동작 방식
루프는 이렇게 돌아갑니다.
- 에이전트 실행. 매 스텝에 워킹 상태, 호출된 스킬, 액션, 관찰이 기록됨
- 고정된 Meta-Agent가 구조화 트레이스를 읽고 실패를 진단
- 진단된 실패를 네 메모리 컴포넌트 중 하나로 귀속
- 연루된 컴포넌트만 패치. 검증 게이트 통과 조건은 “진단 태스크가 고쳐지고 헬드아웃 분할에서 회귀가 없을 것”
- 바뀐 메모리가 다음 실행을 바꾸고, 새 트레이스가 다시 증거가 됨
정리하면 모델도 개선 절차도 그대로 두고 메모리-제어 레이어만 재귀적으로 진화합니다. 수정 가능한 면적이 좁아서 행동이 무너질 위험이 줄어듭니다.
숫자로 보는 결과
Table 1 요약입니다. 벤치마크 4개, 타깃 모델 10개, 두 가지 적응 레짐에서 비교했습니다.
| 벤치마크 | 모델 | 변화 |
|---|---|---|
| τ²-Bench | GPT-5.6 Sol | +17.8pt |
| τ²-Bench | Claude Opus 5 | +15.6pt → 87.9% |
| SkillFlow | Qwen3.6-27B | +16.6pt |
| SkillFlow | Qwen3.6-35B | +13.5pt |
| τ²-Retail | 배포 모델 | +23.3pt → 81.4% |
| SkillFlow | 배포 모델 | +16.8pt → 51.4% |
주목할 패턴이 하나 있습니다. 이득이 인터랙션 길이가 길어질수록 커집니다. 최장 태스크에서 +32.2점까지 벌어집니다. 이득이 크게 나오는 구간이 긴 태스크 쪽입니다.
어블레이션: 메모리 보유 효과와 메모리 수정 효과
Table 2와 Figure 5가 이 논문의 뼈대입니다.
| 변형 | τ²-Retail 성공률 | Δ |
|---|---|---|
| 베이스(EM 없음, WM 없음) | 58.1 | — |
| EM만 | 60.1 | +2.0 [CI에 0 포함] |
| WM만 | 82.0 | +23.9 |
| 모델 제어 호출 | 65.6 | +7.5 |
| EM-WM 커플링 | 각 도메인 최강 | — |
고정된 스킬 메모리는 구간이 0과 구별되는 이득을 주지 못했습니다. 통계적으로 유효한 이득은 메모리가 스스로를 수정하는 데서 나옵니다. WM 단독(+23.9)이 이미 크다는 것도, 태스크 상태 유지가 얼마나 큰 병목이었는지 보여줍니다.
실패 지역화 정확도
구조화 트레이스 덕분에 실패 원인 지명 정확도가 64.8% vs 비정형 로그 13.0%입니다. 태스크 성패만 보고는 어디가 잘못됐는지 알기 어려운데, 상태-스킬-액션 연쇄가 남아 있으면 책임 컴포넌트를 특정할 수 있습니다. 범위가 좁은 수리(scoped repair)가 가능한 근거가 여기 있습니다.
내 해석
원문 근거와 구분해서 정리하면 이렇습니다.
- 이 논문의 “재귀”는 모델 가중치 진화에 해당하지 않습니다. 메모리 제어 레이어의 검증-게이트된 반복 수정이고, RSI의 안전한 하위 집합에 가깝습니다.
- Meta-Agent가 고정이라는 건, 개선 능력의 상한이 Meta-Agent 품질에 묶여 있다는 뜻이기도 합니다. 논문은 이 리스크를 명시적으로 다루지 않습니다.
- 4개 벤치마크 모두 구조가 공유되는 태스크 패밀리입니다. 완전히 이질적인 태스크 혼합에서도 스킬 메모리 진화가 이득을 줄지는 열린 질문입니다.
- 그래도 수정 면적을 좁히는 방향 자체는 하네스 설계에 바로 쓸 수 있는 지침입니다. 제가 실무에서 겪는 하네스 장애 대부분도 전체를 고치는 게 아니라 상태 추적 하나를 고치면 해결되니까요.
더 실습해보고 싶은 분들께
자주 묻는 질문
Recuris는 베이스 모델을 파인튜닝합니까? 아니요. 베이스 모델은 프로바이더가 제공한 그대로 얼려 있고, 수정은 메모리-제어 레이어에만 일어납니다. 모든 이득이 이 조건에서 나왔습니다.
기존 RAG/메모리 에이전트와 다른 점은 뭡니까? 경험을 저장해서 검색하는 방식과는 다르게, 워킹 상태가 스킬 호출을 그라운딩하고 축적된 경험이 검증 게이트 뒤에서 계속 수정됩니다. 고정된 스킬 메모리(EM만)는 통계적으로 구별되는 이득이 없었습니다.
성능 이득은 어느 태스크에서 가장 큽니까? 인터랙션이 길어질수록 커집니다. 최장 태스크 구간에서 +32.2점, 대표 장기 실행 실패는 최대 80% 감소했습니다. 짧은 태스크에서는 이득이 작습니다.
재귀 수정이 위험하지 않습니까? 패치는 “진단된 태스크가 고쳐지고, 헬드아웃 분할에서 회귀가 없다”는 검증 게이트를 통과해야만 반영됩니다. 이 게이트가 수정 범위 국소화와 함께 안전장치 역할을 합니다.