RLM Skill：把递归语言模型装进 Claude Code 的实战方案

RLM Skill是将Recursive Language Models论文思想落地的Claude Code技能，通过Python REPL将大文件处理拆分为多个子LLM调用，让主模型始终保持轻量上下文，解决大模型上下文退化问题，同时优化成本与处理效率。

大上下文模型的隐性代价

当下大语言模型虽支持大上下文窗口，但存在"上下文退化"问题：信息干扰、细节淹没、推理质量下降。

论文思路

2026年1月Zhang、Kraska和Khattab在arXiv发表《Recursive Language Models》，提出拆分语义任务给多个廉价子LLM调用，主模型协调子任务以维持轻量上下文。

vladcioaba/rlm-skill是该思路的Claude Code落地实现，为轻量级Python REPL包装器，核心设计步骤：

1. 用户指定文件/目录
2. 启动持久化Python REPL会话绑定输入
3. Claude编写代码切片、过滤、分块数据
4. 通过llm_query_batch()并行发起子LLM调用
5. 保存结果，主模型仅见元数据和有限stdout 此模式改变大文件处理方式，替代直接塞大文件进提示词的传统方法。

零依赖运行时

纯标准库实现，仅依赖Anthropic HTTP API（通过urllib调用），克隆即用。

并行子调用

rlm_helper.py的llm_query_batch()默认支持20并发子调用（concurrent.futures异步），子调用用Haiku模型降低成本。

提示词缓存

默认开启系统提示词和共享前缀缓存，节省约10倍成本。

预算控制

内置调用次数和Token消耗的软警告/硬上限，防止尾部成本失控。

目录处理

智能遍历目录，忽略.git等无关目录，支持glob过滤。

安装

运行./install.sh在~/.claude/skills/创建符号链接。

使用示例

在Claude Code会话中输入：Summarize every error pattern in /var/log/big.log using the rlm skill.

自动流程

1. 启动会话：rlm_repl.py start --input /var/log/big.log
2. 迭代处理：rlm_repl.py exec --session执行分块与子调用
3. 获取结果：FINAL_VAR("report")保存，rlm_repl.py final读取 过程对用户透明，Claude自动生成逻辑。

适用场景

• 日志分析：处理GB级日志，提取错误模式、统计指标
• 代码审查：扫描大型代码库，识别问题或生成摘要
• 文档处理：分析大量文档，提取结构化信息
• 数据清洗：处理大型CSV/JSON，转换验证

核心价值

让主模型保持轻量上下文，避免退化；并行子调用提升效率；缓存与预算控制优化成本。

实现差异

与论文参考代码的不同：

• 子调用用Anthropic Messages API（默认Haiku）而非OpenAI/Fireworks
• 用concurrent.futures实现并行而非论文异步模式
• 默认开启提示词缓存
• 仅支持深度1的递归（与论文一致）

总结

rlm-skill是论文思想的精巧落地，专注解决Claude Code中大文件处理问题，为日志分析、代码审查等场景提供优雅工作方式。