ReCode: Unificando Plano e Ação para Controle Universal de Granularidade

ReCode: Unify Plan and Action for Universal Granularity Control

October 27, 2025

Autores: Zhaoyang Yu, Jiayi Zhang, Huixue Su, Yufan Zhao, Yifan Wu, Mingyi Deng, Jinyu Xiang, Yizhang Lin, Lingxiao Tang, Yingchao Li, Yuyu Luo, Bang Liu, Chenglin Wu

cs.AI

Resumo

As tarefas do mundo real exigem decisões em diferentes níveis de granularidade, e os seres humanos se destacam nisso por meio de uma representação cognitiva unificada, na qual o planejamento é fundamentalmente compreendido como uma forma de ação de alto nível. No entanto, os agentes atuais baseados em Modelos de Linguagem de Grande Escala (LLMs) carecem dessa capacidade crucial para operar de forma fluida entre diferentes granularidades de decisão. Essa limitação decorre de paradigmas existentes que impõem uma separação rígida entre planejamento de alto nível e ação de baixo nível, o que prejudica a adaptabilidade dinâmica e limita a generalização. Propomos o ReCode (Recursive Code Generation), um novo paradigma que aborda essa limitação ao unificar o planejamento e a ação em uma única representação de código. Nesta representação, o ReCode trata planos de alto nível como funções abstratas de espaço reservado, que o agente então decompõe recursivamente em subfunções mais refinadas até atingir ações primitivas. Essa abordagem recursiva dissolve o limite rígido entre plano e ação, permitindo que o agente controle dinamicamente sua granularidade de decisão. Além disso, a estrutura recursiva gera inerentemente dados de treinamento ricos e multi-granularidade, permitindo que os modelos aprendam processos hierárquicos de tomada de decisão. Experimentos extensivos mostram que o ReCode supera significativamente as linhas de base avançadas em desempenho de inferência e demonstra uma eficiência excepcional de dados no treinamento, validando nossa percepção central de que unificar planejamento e ação por meio da geração recursiva de código é uma abordagem poderosa e eficaz para alcançar o controle universal de granularidade. O código está disponível em 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.