HaReCAP：面向递归大语言模型智能体的习惯性动作落地

长程具身任务要求LLM智能体迭代地分解高层目标、根据环境反馈修订计划，并把叶子级子目标落地为有效可执行的动作。ReCAP等递归上下文管理方法通过多级任务分解与父节点细化提升规划稳定性，但仍需在叶子节点反复调用LLM，把原子子任务落地为确切的有效动作。我们把这一最终落地步骤称为“最后一公里落地冗余”，它在长程执行中累积成可观的LLM调用与token开销。为缓解这一问题，我们提出HaReCAP（Habitual-action Grounded ReCAP），一个对ReCAP低侵入的叶子落地扩展。HaReCAP从成功轨迹中提取高频叶子决策，将其离线编译为可审计、可弃权的单步叶子反射规则。运行时，只有当某条规则能在当前有效动作集中唯一确定一个合法动作时，才跳过叶子LLM调用；否则回退到原始ReCAP。这一设计避免为常规叶子动作落地反复携带完整递归上下文进入LLM，同时保留原有的递归控制流。我们在Robotouille与ALFWorld上以Qwen3.5-27B为主模型评估HaReCAP。在ReCAP与HaReCAP都能解决的任务上，HaReCAP在Robotouille同步、Robotouille异步与ALFWorld上分别把token消耗降低14.67%、17.93%与20.08%。结果表明HaReCAP可作为ReCAP式递归上下文管理框架的低侵入扩展，在多个环境与模型上减少常见成功轨迹中的最后一公里落地冗余。