ReCode: Унификация плана и действия для универсального контроля гранулярности

ReCode: Unify Plan and Action for Universal Granularity Control

October 27, 2025

Авторы: 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

Аннотация

Задачи реального мира требуют принятия решений на различных уровнях детализации, и люди преуспевают в этом благодаря использованию единого когнитивного представления, где планирование принципиально понимается как высокоуровневая форма действия. Однако современные агенты на основе больших языковых моделей (LLM) лишены этой ключевой способности — гибко оперировать разной степенью детализации решений. Это ограничение проистекает из существующих парадигм, которые навязывают жёсткое разделение между высокоуровневым планированием и низкоуровневым действием, что снижает динамическую адаптивность и ограничивает обобщающую способность. Мы предлагаем ReCode (Рекурсивная генерация кода) — новую парадигму, которая устраняет это ограничение, объединяя планирование и действие в рамках единого кодового представления. В этом представлении ReCode трактует высокоуровневые планы как абстрактные функции-заглушки, которые агент затем рекурсивно декомпозирует на более детализированные подфункции вплоть до примитивных действий. Такой рекурсивный подход стирает жёсткую границу между планом и действием, позволяя агенту динамически управлять степенью детализации решений. Более того, рекурсивная структура по своей природе генерирует богатые, многоуровневые обучающие данные, позволяя моделям осваивать иерархические процессы принятия решений. Многочисленные эксперименты показывают, что ReCode значительно превосходит передовые базовые методы по производительности на этапе вывода и демонстрирует исключительную эффективность использования данных при обучении, что подтверждает нашу ключевую идею: объединение планирования и действия посредством рекурсивной генерации кода является мощным и эффективным подходом к достижению универсального контроля гранулярности. Код доступен по адресу 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.