全面战胜ReAct！斯坦福全新智能体推理框架，性能提升112.5%

自2022年ReAct框架提出以来，AI智能体推理领域便进入了百家争鸣的时代，各种复杂架构如雨后春笋般涌现。

然而，这些架构大多昙花一现，因其复杂的结构导致在更换评测基准时需要大幅修改示例，表现远不如ReAct稳定泛用，这也使得ReAct在过去三年中，成为了该领域事实上的主流与标杆。

但是，我们真的不能再做得更好了吗？

面对大模型在长上下文任务中走几步就忘的短期记忆顽疾，业界是否只能止步于此？

来自斯坦福大学与MIT的研究团队给出了肯定答案，正式发布的AI Agent推理新框架——ReCAP（递归上下文感知推理与规划），从真正意义上统一了序列推理和层级推理，在多种任务中全面战胜了ReAct，且继承了ReAct示例简单、高通用性，和即插即用的优势。

在严格遵循 pass@1（一次通过）的评测原则下，ReCAP在长序列具身任务Robotouille上相比ReAct基线取得了84.2%（同步）和112.5%（异步）的巨大性能提升。

论文链接：http://t.cn/AXy4mmHD