文章总结与翻译一、主要内容该研究针对大型语言模型（LLMs）在长时程任务中面临的上下文漂移、目标信息丢失、递归失败循环及跨层级连续性弱等问题，提出了一种名为ReCAP（Recursive Context-Aware Reasoning and Planning）的层级式框架。ReCAP通过三大核心机制实现上下文感知的推理与规划：预先规划任务分解：模型一次性生成完整子任务列表，仅执行首个子任务，子任务完成后再优化剩余列表，既保留全局目标又避免规划漂移；结构化多层级上下文注入：所有递归深度的推理共享同一LLM上下文，子目标完成后将父级剩余规划重新注入活跃上下文，保障跨层级连续性；滑动窗口与高效内存扩展：通过滑动窗口限制活跃提示词长度，关键规划信息通过结构化注入重新引入，使内存开销随任务深度线性增长，避免无界上下文累积。研究在四大基准测试（Robotouille、ALFWorld、FEVER、SWE-bench Verified）中验证了ReCAP的有效性，采用严格的pass@1协议（单次推理-执行轨迹，无重试或集成策略），在长时程任务中表现尤为突出：同步Robotouille任务成功率提升32%，异步Robotouille提升29%，同时在短程任务中保持竞争力，且在不同模型（GPT-4o、Qwen2.5系列、LLaMA-4等）上均展现出稳健性。二、创新点融合层级式框架与共享上下文设