🤖 AI

HaReCAP: Habitual-action Grounding for Recursive Large Language Model Agents

HaReCAP is een laag-intrusieve uitbreiding van het ReCAP-framework die het tokenverbruik en het aantal LLM-aanroepen in langdurige belichaamde taken vermindert door frequente succesvolle bladbeslissingen te compileren naar offline reflexregels om redundante recursieve contextverwerking voor routinematige acties te omzeilen.

Oorspronkelijke auteurs: Shen Liu, Zhenguo Xu, Shaopu Wang, Yike Gao, Chunlei Wang

Gepubliceerd 2026-08-18

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Shen Liu, Zhenguo Xu, Shaopu Wang, Yike Gao, Chunlei Wang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een robot voor die de taak heeft om een complexe maaltijd te bereiden in een drukke keuken. De robot kan niet simpelweg verteld worden "maak het avondeten"; het moet dat grote doel opdelen in een lange keten van kleinere stappen: de uien zoeken, ze snijden, de pan verhitten, enzovoort. Om dit te doen, gebruikt moderne kunstmatige intelligentie grote taalmodellen, die fungeren als het brein van de robot. Deze modellen zijn uitstekend in redeneren en plannen, maar ze staan voor een specifieke uitdaging bij interactie met de fysieke wereld. Ze moeten hun abstracte gedachten voortdurend vertalen naar exacte, geldige commando's die de software van de robot kan begrijpen. Als de robot denkt "pak de ui op", moet het systeem die gedachte omzetten in een precieze instructie zoals "Pak ui1 op van bord1 met behulp van robot1." Deze vertalingsstap is elke keer noodzakelijk wanneer de robot een basishandeling uitvoert.

Lange tijd hebben onderzoekers manieren ontwikkeld om deze AI-agenten te helpen bij het beheren van langdurige taken zonder dat ze in de war raken of hun doelen vergeten. Een succesvolle methode, bekend als recursieve planning, werkt als een manager die taken delegeert. De AI breekt een groot doel op in kleinere subdoelen, pakt het eerste subdoel aan, en keert vervolgens terug naar de manager om het plan bij te werken op basis van wat er net is gebeurd. Deze lus stelt de AI in staat om complexe, meerstaps-taken in veranderende omgevingen af te handelen. Echter, dit proces heeft een verborgen kostenpost. Elke keer dat de AI het uiterste punt van een subtaak bereikt om een eenvoudige actie uit te voeren, moet het systeem zijn krachtige brein opnieuw vragen om die gedachte te vertalen naar een commando. Zelfs als de gedachte simpel is, moet het brein de volledige geschiedenis van het gesprek en de huidige situatie opnieuw lezen om er zeker van te zijn dat het commando correct is. Deze herhaling creëert een aanzienlijke verspilling van rekenkracht en tijd, vooral voor taken die honderden stappen vereisen.

Een team van onderzoekers heeft deze repetitieve vertaling geïdentificeerd als een belangrijke bron van inefficiëntie en heeft een oplossing voorgesteld genaamd HaReCAP. Hun werk richt zich op het "laatste mijl"-proces: het moment waarop de AI besluit tot een specifieke, atomaire actie. In plaats van het grote taalmodel elke keer opnieuw te vragen om deze vertaling uit te voeren, hebben de onderzoekers het systeem geleerd om te herkennen wanneer een situatie bekend en veilig genoeg is om de zware denkprocessen over te slaan. Ze analyseerden duizenden succesvolle pogingen waarbij de AI taken correct voltooide. Uit deze successen hebben ze een bibliotheek van eenvoudige regels geëxtraheerd. Deze regels zijn in feite afkortingen die zeggen: "Wanneer de taak is om een specifiek object van een specifieke plaats te pakken, en de robot daar toestemming voor heeft, dan is de actie altijd X."

Het systeem werkt door deze afkortingen te controleren voordat het de hulp van het hoofd-AI-brein inroept. Wanneer de robot een subtaak op het laagste niveau bereikt — een kleine, laatste stap in zijn plan — controleert het systeem eerst of er een regel in de bibliotheek overeenkomt met de huidige situatie. Als de regel perfect past en er geen ambiguïteit bestaat over welke actie ondernomen moet worden, voert het systeem de actie direct uit zonder het grote taalmodel aan te roepen. Dit is wat de onderzoekers "habitual-action grounding" noemen. Het is vergelijkbaar met hoe een mens automatisch naar een deurklink grijpt zonder er bewust over na te hoeven denken hoe de mechanica van het draaien werkt, mits de deur niet op slot zit. Als de situatie nieuw of complex is, of als de regel niet perfect past, valt het systeem veilig terug op de oorspronkelijke methode: het vraagt het grote taalmodel om de actie te plannen en te vertalen zoals gebruikelijk. Dit zorgt ervoor dat de AI nooit zijn vermogen verliest om door moeilijke problemen te redeneren, maar het voorkomt de onnodige overhead van het telkens opnieuw oplossen van eenvoudige, routinematige stappen.

De onderzoekers testten deze aanpak in twee verschillende gesimuleerde omgevingen: een keuken waar een robot maaltijden moet bereiden, en een huiselijke omgeving waar een robot objecten moet ordenen. Ze gebruikten een krachtig taalmodel om de taken uit te voeren en vergeleken de prestaties van de standaardmethode met hun nieuwe afkortingsysteem. De resultaten lieten zien dat het afkortingsysteem de succesratio niet veranderde; de robots voltooiden evenveel taken als voorheen. De efficiëntiewinst was echter aanzienlijk. In de keukenomgeving verminderde het systeem de hoeveelheid gegevens die de computer moest verwerken met gemiddeld bijna 15 procent. In de huiselijke omgeving was de reductie zelfs hoger, namelijk meer dan 20 procent. Dit betekent dat de AI-agenten evenveel succesvolle taken konden voltooien terwijl ze aanzienlijk minder rekenkracht en tijd gebruikten.

Cruciaal was dat de onderzoekers ontdekten dat deze verbetering niet beperkt was tot één specifief type robotbrein of een specifieke set taken. Ze testten het systeem met verschillende modellen van variërende groottes en in verschillende omgevingen, en de besparingen bleven consistent. De studie toont aan dat een groot deel van de kosten bij het draaien van deze geavanceerde AI-agenten niet komt van de complexe planning zelf, maar van de herhaalde, routinematige vertaling van eenvoudige gedachten naar acties. Door deze frequente beslissingen te destilleren tot een kleine, controleerbare bibliotheek van regels, creëerden de onderzoekers een methode die een laag risico vormt en gemakkelijk te integreren is. Het systeem blijft volledig in staat om complexe redenen en onverwachte veranderingen aan te kunnen, maar het verspilt geen energie meer aan het telkens opnieuw uitvinden van het wiel voor elke simpele stap. Deze aanpak biedt een praktische manier om langdurige AI-agenten sneller en efficiënter te maken zonder hun betrouwbaarheid of intelligentie op te offeren.

Technische Samenvatting: HaReCAP – Habitual-action Grounding voor Recursieve Large Language Model Agents

1. Probleemstelling

Taken met een lange horizon in belichaamde omgevingen vereisen dat Large Language Model (LLM) agents iteratief doelen ontleden, plannen herzien op basis van feedback uit de omgeving, en subdoelen vertalen naar uitvoerbare acties. Hoewel frameworks zoals ReCAP (Recursive Context-Management) de stabiliteit van planning verbeteren door middel van meerlagige taakontleding en verfijning van bovenliggende knopen, lijden ze aan een specifieke inefficiëntie die wordt aangeduid als "last-mile grounding redundancy" (redundantie in de laatste stap van de gronding).

In ReCAP moet het systeem, zelfs nadat de planning op hoog niveau een taak succesvol heeft ontleed in een subtaak op bladniveau (bijv. "pak onion1 van board1"), nog steeds de LLM aanroepen om deze natuurlijke taal-subtaak te vertalen naar een exacte, geldige actiestring (bijv. "Pick up onion1 from board1 using robot1") die overeenkomt met de huidige set geldige acties in de omgeving. Deze stap vereist het opnieuw injecteren van de volledige recursieve context (dialooggeschiedenis, bovenliggende taken, observaties en JSON-schema's) in de LLM voor elke atomaire actie. De auteurs identificeren dit als een substantiële, repetitieve overhead. In succesvolle trajecten beslaan deze strikte leaf/actie-grondingsoproepen 23,67% tot 45,73% van alle LLM-oproepen, wat een stabiel onderdeel is van de inferentiekosten in plaats van een incidentele uitzondering.

2. Methodologie: HaReCAP

Om deze redundantie te verminderen zonder de recursieve controleflow te verstoren, stellen de auteurs HaReCAP (Habitual-action Grounded ReCAP) voor. Dit is een laag-intrusieve uitbreiding die een "leaf-reflex" module invoegt op het punt van de leaf-niveau actie-gronding.

Kerncomponenten:

Leaf-Reflex Library (Offline Constructie): Het systeem extraheert veelvoorkomende leaf-beslissingen uit succesvolle ReCAP-trajecten. Deze worden samengesteld in een bibliotheek van leaf-reflex regels, die bestaan uit één-staps mappingen van een canonieke leaf-taak naar een canonieke actietemplate.
- Canonicalisering: Object-ID's worden genormaliseerd naar type-placeholders (bijv. bread12 $\to$ bread#) om regels te laten generaliseren over verschillende objectinstanties terwijl de woordvolgorde behouden blijft.
- Restricties: Regels worden alleen geëxtraheerd uit succesvolle trajecten en vereisen expliciete object-ID's om te voorkomen dat te abstracte taken worden gecompileerd.
Runtime Retrieval en Triggering (Online Executie): Voordat een leaf-niveau LLM-oproep wordt gedaan, controleert HaReCAP de leaf-reflex bibliotheek.
- Triggerconditie: Een regel wordt alleen getriggerd als de huidige leaf-taak overeenkomt met een regel-sleutel, de actie van de regel uniek geïnstantieerd kan worden vanuit de huidige set geldige acties, en de support count (frequentie in succesvolle trajecten) van de regel een drempelwaarde haalt.
- Abstention Mechanisme (Onthouding): Als er geen regel overeenkomt, als een match ambigu is (meerdere geldige acties mogelijk), of als de betrouwbaarheidsscore te laag is, onthoudt het systeem zich en valt het terug op de oorspronkelijke ReCAP leaf LLM-oproep.
- Conflictresolutie: Als meerdere regels overeenkomen, bepaalt een support-afgeleide scorefunctie de winnaar. Als de topkandidaat de tweede kandidaat niet significant overtreft, onthoudt het systeem zich om fouten te voorkomen.
Integratie: HaReCAP wijzigt de recursieve ontleding, backtracking of foutafhandeling van ReCAP niet. Het vervangt enkel de laatste grondingsstap wanneer een regel met vertrouwen wordt getriggerd.

3. Belangrijkste Bijdragen

Het paper beschrijft vier primaire bijdragen:

Identificatie van Redundantie: De auteurs identificeren "last-mile grounding redundancy" als een onafhankelijk te optimaliseerbare inferentiekost in recursieve context-management frameworks, onderscheidend van hoog-niveau planningkosten.
Habitual-Action Grounding: Ze stellen een methode voor om veelvoorkomende succesvolle leaf-beslissingen te distilleren tot onthoudbare, één-staps reflexregels, wat ervaring hergebruik mogelijk maakt zonder de risico's die verbonden zijn aan mid-level macro-skills (bijv. incorrecte object-binding of voortijdige terminatie).
Conservatief Triggeringsmechanisme: Ze ontwerpen een bibliotheekconstructie en een triggeringsprocedure die ervoor zorgt dat habituele acties alleen worden uitgevoerd wanneer de huidige subtaak uniek naar een legale actie gegrond kan worden, waarbij de alignment met de oorspronkelijke ReCAP-controleflow behouden blijft.
Empirische Validatie: Het mechanisme wordt geëvalueerd op Robotouille en ALFWorld, waarbij een vermindering van tokenconsumptie en LLM-oproepen wordt aangetoond op veelvoorkomende succesvolle trajecten over verschillende omgevingen en model-schalen heen.

4. Experimentele Resultaten

De auteurs evalueerden HaReCAP met behulp van Qwen3.5-27B, Qwen3.5-9B en Gemma4-26B op Robotouille (synchroon en asynchroon) en ALFWorld.

Succespercentages: HaReCAP behoudt end-to-end succespercentages die vergelijkbaar zijn met de baseline ReCAP, wat aangeeft dat het vervangen van leaf-gronding de hoog-niveau recursieve planning niet verstoort. In sommige gevallen (bijv. Qwen3.5-9B op Robotouille) vertoonde HaReCAP zelfs een lichte verbetering in succespercentages.
Reductie van Tokens en Oproepen: Op taken die door zowel ReCAP als HaReCAP zijn opgelost ("both-success" taken), verminderde HaReCAP de kosten aanzienlijk:
- Robotouille (Qwen3.5-27B): Tokenconsumptie verminderd met 14,67% (synchroon) en 17,93% (asynchroon) met een support-drempel van 2.
- ALFWorld (Qwen3.5-27B): Tokenconsumptie verminderd met 20,08%.
- Cross-Model: Vergelijkbare reducties werden waargenomen met kleinere modellen (Qwen3.5-9B) en andere architecturen (Gemma4-26B), waarbij de ALFWorld token-reducties opliepen tot 21,09% voor Gemma4-26B.
Generalisatie: De resultaten suggereren dat de efficiëntiewinsten niet specifiek zijn voor één taakdomein (keuken vs. tekstgebaseerd) of modelfamilie, maar voortkomen uit de algemene vervanging van herhaalde leaf-grondingsstappen.

5. Betekenis en Claims

Het paper claimt dat HaReCAP een laag-intrusief, controleerbaar en lichtgewicht pad biedt om de efficiëntie van lang-horizon LLM agents te verbeteren. De primaire betekenis ligt in het aantonen dat een deel van de runtime-kosten in recursieve agents voortkomt uit herhaalde, verifieerbare grondingsbeslissingen in plaats van complexe hoog-niveau redenering. Door deze veelvoorkomende beslissingen te distilleren tot lokale reflexen, vermindert HaReCAP de token-overhead en LLM-oproepen, terwijl de betrouwbaarheid van het onderliggende recursieve framework behouden blijft. De auteurs benadrukken dat deze aanpak de risico's van macro-skill planners (die complexe state management vereisen) vermijdt door het "habituele" component strikt te beperken tot één-staps, uniek bepaalde acties.