“被管理坏了的天才”：递归编码智能体正在改写AI工程范式

如果你觉得今天的 AI Agent 已经很强了，Raymond Weitekamp 会当面泼你一盆冷水：它们不是不聪明，而是被我们“管理坏了”。在这场关于 Recursive Coding Agents 的演讲里，他展示了一种正在悄悄改变推理、编程和智能体设计的新范式。

一句话点燃全场：今天的智能体，是“被管理失当的天才”

Raymond Weitekamp 一上来就抛出一个极具攻击性的判断：“Today's agents are mismanaged geniuses。”不是模型不行，而是我们用错了方式。

在大多数工程实践中，Agent 被当成一次性工具：给定任务、跑完流程、输出结果。但 Raymond 强调，他接下来展示的所有东西，都是“interactive”的——智能体不是执行命令的流水线工人，而是可以不断自我调用、自我修正、自我加深理解的系统。

这个视角的反直觉之处在于：我们习惯把“能力”归因于模型大小或参数量，而他却把问题指向了“管理结构”。如果管理方式错了，再聪明的模型也只能发挥出一小部分潜力。

RLM 是什么？不是更大的模型，而是会“长出一棵树”的推理

为了理解递归编码智能体，必须先理解 Raymond 反复强调的概念：Recursive Language Models（RLMs）。

他用一棵“树”来解释 RLM 的工作方式：模型在生成过程中，不是沿着一条线往前走，而是可以递归地产生子任务、子推理路径，再把结果回收进主干。

Raymond 的判断非常明确：“RLMs are the new reasoning models。”它们并不是简单的 Chain-of-Thought 升级版，而是一种结构性变化——推理不再是线性的，而是分叉、回溯、再整合。

他提到，这种结构在实验中能产生“amazing results”，强到一个程度——“arguably too hot to benchmark”。不是跑分不好看，而是传统 benchmark 根本描述不了它们在真实任务中的表现。

从论文到代码：递归编码智能体为什么这么猛

在演讲中，Raymond 给出了几个来自原始论文和实践的例子，强调这些系统“extremely powerful”。关键不在于单次生成质量，而在于：它们可以一层一层地调用自己。

递归编码智能体的核心能力包括：
- 把一个编程目标不断拆解为子问题
- 对中间结果进行再次分析和修正
- 根据递归深度，主动选择“继续想”还是“收敛输出”

Raymond 特别提到一个工程上极其重要的点：递归深度是可控的。“You can set the depth however you want。”这意味着，这不是玄学，而是可以被工程化、被调参、被纳入系统设计的能力。

也正因为这种可控递归，它看起来“像很多东西”：AutoGPT、多 Agent 协作、Tree-of-Thought……但 Raymond 的态度很清晰：相似不等于相同，递归是第一性原理，而不是拼装技巧。

从 Cloud Code 到 OpenProse：递归正在悄悄进入真实产品

在后半段，Raymond 把视角从概念拉回现实，讨论了一些具体项目：

比如他提出一个反复被问到的问题：“Cloud Code 是不是一个 RLM？”他的回答并不简单粗暴，而是把判断标准放在：系统是否真正利用了递归结构，而不仅是多轮调用。

在介绍 OpenProse 时，他强调了一点：系统能否“successfully do the work that you are declaring in the Pros contract”。换句话说，递归不是为了炫技，而是为了让 AI 能反复、稳定地完成你声明的工作。

当递归真正跑起来之后，你得到的不是一次漂亮输出，而是一个可以“over and over and over again”完成复杂任务的智能体。这正是递归编码智能体最危险、也最有价值的地方。

总结

Raymond 的演讲真正留下的，不是某个具体实现，而是一个工程判断：AI 的下一个跃迁，可能不是更大的模型，而是更好的“自我管理结构”。

如果你是 AI 工程师，递归编码智能体意味着：你该开始把 Agent 当成系统，而不是函数调用；开始思考递归深度、回溯策略和任务树结构。如果你在做产品，这意味着：稳定性和可重复性，可能比一次惊艳 Demo 更重要。

一个值得带走的问题是：当模型已经足够聪明，真正限制它的，到底是能力，还是我们设计它的方式？

关键词： 递归编码智能体， Recursive Language Models， AI Agent， 推理模型， AI 工程

事实核查备注： 需要核查：演讲者姓名 Raymond Weitekamp（视频中自述）、RLM 博客发布时间为 2025 年 10 月、视频发布时间 2026-06-25、演讲中关于“too hot to benchmark”的原话语境