Time Table

ほとんどのLLMセキュリティエージェントは、コンテキストをプロンプトに詰め込み、あとはうまくいくことを祈るだけである。タスクの規模が大きくなるにつれて、コンテキストは劣化していく。すなわち、モデルは初期の発見を見落とし、存在しない脆弱性を捏造し、予測不可能な予算（トークンコスト）を消費する。そして誰もが同じような足場（使い捨てのスクリプトや仕組み）を再構築しているが、そのいずれも学習（最適化）可能なものではない。 「再帰的言語モデル（Recursive Language Models: RLM）」のアプローチはこれとは異なる。コンテキストはサンドボックス化されたREPL内の変数として存在し、モデルは再帰的なサブコール（下位呼び出し）を伴うコードを通じてそのコンテキストを推論する。「rlm-kit」は、DSPyのRLM上に構築されたオープンソースのハーネスであり、タスクの宣言、サンドボックスの継承、再現可能な実行トレース、そして報酬設計の不要なデータセットのエクスポートといった機能を提供する。 このハーネス上では、次の3つのエージェントが動作する。 「cve-reverser」：公開されたCVEパッチから、検証環境用のPoCとNucleiテンプレートを自動生成する。 「diff-sentry」：GitHubのdiff（差分）を信頼できないデータとして読み込み、それがマージされる前に悪意ある変更を検出してフラグを立てる。 「toolscout」：一度にわずかなスキーマしか保持しないプランナーを用いて、数百ものMCP（Model Context Protocol）ツールを駆動する。 モデルではなくハーネス側がタスク構造を担うため、一度最適化されたプランナーは、異なるセキュリティ領域へとそのまま移植可能である。これにより、開発者は機械学習そのものの調整に煩わされることなく、解決すべきタスクに集中することができる。