RECON: Benchmarking Agent Memory for Compositional Reasoning over Long Contexts

RECON 不是只测试记住某句话，而是要求智能体跨长对话组合多个分散事实完成推理。基准包含 1,000 个任务、最长 100 万 token 的交互历史，并区分检索、整合和答案生成环节。该设计能暴露“检索到了但拼不起来”的记忆失败，比单轮 needle-in-a-haystack 更接近持续运行代理的真实负载。