工具教程 · 小互解读
RLM（递归语言模型）：让模型写代码自己调用自己，而不是调用工具
6 分半的官方演示，给了机制、一场俳句锦标赛，还有一组说明「什么时候才值得上」的实测数据
一分钟速览
- RLM 就是让模型拥有「自己调用自己」的能力：主 Agent 写代码派出子 Agent 分工，上下文从模型窗口挪进变量和文件。
- 官方实测划出一条实用分界线：64k 上下文时开不开差别不大，到 128k 才明显拉开。
- 代价也一并交代了：延迟更高、token 更贵，换来的是准确率和确定性。
⚑ 本文拆解的是 LangChain 官方发布的技术分享视频，机制描述与实测数据均出自该视频。文中标注出处的补充背景，来自视频之外的公开资料。
01
什么是 RLM（递归语言模型）
用大白话说，RLM 就是让 AI 模型拥有「自己调用自己」的能力。
这句定义容易听过就算，得跟传统做法摆在一起看才明白差在哪：
传统模式
你给 Agent 一个超长文件，它必须把所有内容一次性塞进有限的记忆（上下文窗口）里去分析。
结果往往是前面记了后面忘，或者一做总结就丢掉大量细节。
RLM 模式
模型的编排逻辑写在代码里。主 Agent 变身总指挥，可以编写代码去创造多个子 Agent 分工协作，也就是分治策略（divide and conquer）。
大部分上下文和中间数据保存在变量或本地文件中，而不是硬塞进上下文窗口。
差别落到实处是这样的：模型不再需要「把整本书背下来再回答」，而是「写一份处理流程，需要哪一页就翻哪一页」。
一个视频里没交代的背景：RLM 这个概念不是 LangChain 提出的。它出自 Alex Zhang 2025 年 10 月的一篇博客，后来有了正式论文（arXiv:2512.24601）。LangChain 做的事情是把这个范式接进自己的 Agent 框架，让它能直接用起来。
本文拆解的是 LangChain 开源工程师 Sydney Runkle 的一段 6 分 36 秒官方技术分享，主题就是怎么在 Deep Agents 里用上 RLM。
LangChain 官方演示全片，6 分 36 秒，本站配中英双语字幕。下面拆的就是这段视频讲的内容。