· AI Engineer World's Fair 2026
RLM: рекурсивные языковые модели для больших кодовых баз
RLM: Recursive Language Models for Large Codebases
Большой репозиторий лучше держать в программируемом REPL, а не в контексте модели: агент пишет код, который отбирает фрагменты, и делегирует точечные вопросы вложенным вызовам LLM.
- Внешний контекст вместо окна модели — репозиторий загружается в REPL как данные. Модель через сгенерированный код смотрит срезы и получает ограниченные наблюдения, а не весь код целиком.
- Рекурсивные вызовы с бюджетом — частные вопросы уходят в дочерние вызовы
llm_query, а лимиты шагов и глубины рекурсии ограничивают расход. В демо запуск с Gemini уложился в два tool calls и заданный бюджет. - Трассировка каждого шага — код REPL, вызовы
llm_queryи итоговый ответ сохраняются в JSONL, поэтому любой прогон можно разобрать и импортировать в свою систему наблюдаемости. - Open source песочница —
rlm-code, исследовательский стенд с выполнением кода в Docker. Автор считает RLM паттерном, а не готовой библиотекой, и отделяет его от реализацийDSPy.RLMи официальных RLM.
Кому полезно: тем, кто работает с монорепозиториями в кодинговых агентах и видит падение качества на длинном контексте.
Статья по теме
Главы
Похожие доклады
Рекурсивные coding agents
AI Engineer World's Fair 2026
Близко по содержанию
LLM для практикующего программиста: станьте сегодня программистом-кентавром с продуктивностью 10x!
AI Engineer World's Fair 2024
Близко по содержанию
AI coding agents ломают большие кодовые базы
AI Engineer World's Fair 2026
Близко по содержанию
Методы GraphRAG для оптимизации контекстных окон LLM при поиске
AI Engineer World's Fair 2025
Близко по содержанию

