【革命】コンテキスト長の限界を100倍突破！「Recursive Language Models」が2026年のAI開発を変える

┌─────────────────────────────────────┐
│           メインLLM                 │
│  「この100万トークン、自分で全部    │
│   読むの無理だな...」               │
│                                     │
│  → Python REPLを起動               │
│  → データを分割                    │
│  → サブLLMに処理を委譲             │
│  → 結果を集約                      │
└─────────────────────────────────────┘
          ↓ 再帰呼び出し ↓
┌─────────────────────────────────────┐
│  サブLLM-1    サブLLM-2    サブLLM-3│
│  (並列処理)   (並列処理)   (並列処理)│
└─────────────────────────────────────┘

# RLM環境の基本構造
class RLMEnvironment:
    def __init__(self, main_llm, tools):
        self.main_llm = main_llm
        self.answer = {"content": "", "ready": False}
        self.python_repl = PersistentPythonREPL()

    def process_long_context(self, context):
        # メインLLMがPythonコードを生成
        code = self.main_llm.generate(
            f"このコンテキストを分割して処理するコードを書いて: {context[:1000]}..."
        )

        # Python REPLで実行
        self.python_repl.execute(code)

        # 答えが準備できるまで反復
        while not self.answer["ready"]:
            self.refine_answer()

        return self.answer["content"]

def llm_batch(prompts: list[str]) -> list[str]:
    """複数のサブLLMを並列実行"""
    return asyncio.gather(*[
        sub_llm.generate(prompt) for prompt in prompts
    ])

# 使用例：10万トークンの文書を100分割して並列処理
chunks = split_document(huge_document, chunk_size=1000)
summaries = llm_batch([
    f"この部分の要点を抽出: {chunk}" for chunk in chunks
])

# RLMライブラリのインストール
pip install rlm-env

# 基本的な使用例
python -c "
from rlm import RLMAgent

agent = RLMAgent(model='gpt-5-mini')
result = agent.process(
    context=open('huge_codebase.txt').read(),  # 100万トークン
    task='このコードベースのセキュリティ脆弱性を全て列挙して'
)
print(result)
"

## Claude Codeでの疑似RLM実装

1. 大きなタスクを受け取る
2. タスクを複数の小タスクに分解
3. 各小タスクをサブエージェント（別のClaude呼び出し）に委譲
4. 結果を集約して最終回答を生成

→ これがまさにRLMの思想