ReCode: Unificación de Plan y Acción para un Control Universal de Granularidad

Resumen

Las tareas del mundo real requieren decisiones a diferentes niveles de granularidad, y los humanos sobresalen en esto aprovechando una representación cognitiva unificada donde la planificación se entiende fundamentalmente como una forma de acción de alto nivel. Sin embargo, los agentes actuales basados en Modelos de Lenguaje a Gran Escala (LLM) carecen de esta capacidad crucial para operar con fluidez a través de granularidades de decisión. Esta limitación surge de los paradigmas existentes que imponen una separación rígida entre la planificación de alto nivel y la acción de bajo nivel, lo que perjudica la adaptabilidad dinámica y limita la generalización. Proponemos ReCode (Generación de Código Recursivo), un paradigma novedoso que aborda esta limitación unificando la planificación y la acción dentro de una única representación de código. En esta representación, ReCode trata los planes de alto nivel como funciones abstractas marcadoras de posición, que el agente luego descompone recursivamente en subfunciones de grano más fino hasta alcanzar acciones primitivas. Este enfoque recursivo disuelve el límite rígido entre plan y acción, permitiendo al agente controlar dinámicamente su granularidad de decisión. Además, la estructura recursiva genera inherentemente datos de entrenamiento ricos y multi-granularidad, permitiendo a los modelos aprender procesos de toma de decisiones jerárquicos. Experimentos exhaustivos muestran que ReCode supera significativamente a los baselines avanzados en rendimiento de inferencia y demuestra una eficiencia de datos excepcional en el entrenamiento, validando nuestra idea central de que unificar la planificación y la acción mediante la generación recursiva de código es un enfoque potente y eficaz para lograr un control universal de la granularidad. El código está disponible en https://github.com/FoundationAgents/ReCode.

English

Real-world tasks require decisions at varying granularities, and humans excel at this by leveraging a unified cognitive representation where planning is fundamentally understood as a high-level form of action. However, current Large Language Model (LLM)-based agents lack this crucial capability to operate fluidly across decision granularities. This limitation stems from existing paradigms that enforce a rigid separation between high-level planning and low-level action, which impairs dynamic adaptability and limits generalization. We propose ReCode (Recursive Code Generation), a novel paradigm that addresses this limitation by unifying planning and action within a single code representation. In this representation, ReCode treats high-level plans as abstract placeholder functions, which the agent then recursively decomposes into finer-grained sub-functions until reaching primitive actions. This recursive approach dissolves the rigid boundary between plan and action, enabling the agent to dynamically control its decision granularity. Furthermore, the recursive structure inherently generates rich, multi-granularity training data, enabling models to learn hierarchical decision-making processes. Extensive experiments show ReCode significantly surpasses advanced baselines in inference performance and demonstrates exceptional data efficiency in training, validating our core insight that unifying planning and action through recursive code generation is a powerful and effective approach to achieving universal granularity control. The code is available at https://github.com/FoundationAgents/ReCode.

ReCode: Unificación de Plan y Acción para un Control Universal de Granularidad

ReCode: Unify Plan and Action for Universal Granularity Control

Resumen

Support