Recursive Language Models
超長文脈をプログラム可能な変数として扱い、研究者やエージェント開発者がより安定した検索・分解・統合結果を得るのを助ける長文脈推論手法。
ツール概要
結論から言うと、これは完成済みのオープンソース製品というより、採用検討に値する推論時パラダイムです。証拠には GitHub の成長、安定版リリース、導入実績は見当たらず、注目の主因は Zhihu の解説記事と少数の X 投稿です。つまり“話題性”は確認できますが、それだけで“使いやすさ”までは証明できません。
実際の役割として、RLM は単なる無限コンテキスト化ツールでも、通常の RAG でもありません。より正確には、親モデル向けのプログラム可能な作業台に近いです。長文は外部環境の変数として保持し、親モデルがコードで中身を調べ、切り出し、絞り込み、局所タスクを自分自身または小さなモデルへ再帰的に委譲し、最後に結果を統合します。長文書解析、複雑な多段推論、エージェント計画に向く考え方です。
導入ハードルとコストについては、現状の証拠は論文解説、メディア要約、概念比較が中心で、実測は限定的です。したがって保守的に見ると、実装難度は低くありません。REPL やツール実行環境、タスク分解、失敗時の回復、子エージェントのオーケストレーションが必要になりそうです。「安い」「8〜32倍向上」といった表現は主に論文紹介や SNS 発のもので、安定した本番コスト保証として扱うべきではありません。公式料金や API 費用も十分な証拠がありません。
向いているのは、エージェント研究、長文脈システム、文書推論に取り組むチーム、とくに自前で実験基盤を組める人たちです。逆に、すぐ使える完成品、GUI、明確な SLA を求める組織には不向きです。SNS 上の共通認識は「発想が新しく、context rot 対策として面白い」というものですが、議論の質は解説・紹介寄りで、広範な再現や現場検証はまだ少なめです。現時点では、十分に実証された汎用基盤というより、議論の質は比較的高いが実証サンプルはまだ限られる研究手法と見るのが妥当です。