← Каталог

· 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_query и 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 реализаций DSPy.RLM и 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