RLM（再帰言語モデル）：ツールを呼ぶのではなく、モデルが自分でコードを書いて自分を呼び出す
- RLM とは、モデルが「自分自身を呼び出す」能力を持つこと。メインのエージェントがコードを書いてサブエージェントを生み出し、コンテキストをモデルのウィンドウから変数やファイルへ移します。
- 公式の実測によると、64k コンテキストでは有無の差はわずか。差が顕著になるのは 128k からです。
- 代償も明記されています。レイテンシは高く、トークンも高コスト。その分、正確性と確実性が得られます。
RLM（再帰言語モデル）とは
平たく言えば、RLM は AI モデルに「自分自身を呼び出す」能力を持たせる仕組みです。
この定義だけだと聞き流してしまいがちなので、従来のやり方と並べてみると違いが明確になります。
エージェントに超長いファイルを与えると、その中身をすべて一度に、限られたメモリ（コンテキストウィンドウ）へ詰め込んで分析しなければなりません。
結果として、前の方を覚えていると後ろを忘れたり、要約する段階で大量の詳細が失われたりします。
モデルのオーケストレーションのロジックはコードで書かれます。メインのエージェントが指揮官となり、コードを書いて複数のサブエージェントを生み出し、役割分担させます。これが divide and conquer です。
コンテキストや中間データの大半は変数やローカルファイルに置かれ、コンテキストウィンドウに無理やり詰め込むことはありません。
具体的な違いはこうです。モデルが「本を丸ごと暗記してから答える」必要はなく、「処理の流れを書いておいて、必要なページだけをめくる」ようになります。
動画では触れられていない背景：RLM という概念自体は LangChain が提唱したものではありません。Alex Zhang 氏が2025年10月に書いたブログが発端で、後に正式な論文（arXiv:2512.24601）が出ています。LangChain はこのパラダイムを自社の Agent フレームワークに組み込み、すぐ使えるようにしたという位置づけです。
この記事で解説するのは、LangChain のオープンソースエンジニア Sydney Runkle 氏による、6分36秒の公式テック解説ビデオです。テーマは Deep Agents で RLM を使う方法です。
LangChain 公式デモ全編（6分36秒）。本サイトにて日中バイリンガル字幕を収録。以下、この動画の内容を解説します。