RLM（递归语言模型）通过在代码沙箱中执行推理，克服了传统AI在处理长上下文时的局限性。它能够直接编写程序，解决记忆不足的问题，提升复杂任务的处理能力。RLM将大问题拆解为小问题，缓存中间结果，提高效率和稳定性。该技术在合同解析、发票处理和知识库检索等领域表现优异，标志着AI工程的重大变革。

本文比较了四种增强大型语言模型（LLM）可靠性的方法：RAG、SKILL、MCP和RLM。RAG通过外部知识库动态注入信息，适合静态知识查询；SKILL根据上下文加载所需能力，适合复杂任务；MCP标准化LLM与外部系统的交互，适用于复杂环境；RLM通过递归方法处理长提示，绕过上下文窗口限制。每种方法都有其优缺点和适用场景。

递归语言模型（RLM）是一种推理策略，允许语言模型在REPL环境中递归处理无限长度的输入上下文。研究表明，使用RLM的GPT-5-mini在长上下文基准测试中表现优于GPT-5，且查询成本更低。RLM通过将上下文视为变量，有效应对“上下文衰退”现象，提升了模型处理大规模文本的能力。