用途：处理超过 100 个文件的大型代码库，通过 Recursive Language Model（RLM）模式，把代码当作外部环境而非本地变量，根节点不直接读代码，而是编写计划来编排子智能体完成阅读与分析。
核心流程：一、选择引擎，通用遍历（找文件、看结构）用 find、grep、bash 等原生模式，密集数据分析（日志、CSV、超大单文件）用严格模式 python3 ~/.claude/skills/rlm/rlm.py。二、索引与过滤（Peeking），用 find 或 grep -l 定位相关数据，严格模式用 python3 .../rlm.py peek "query"，例如 grep 导入语句、类名或定义来构建路径列表。三、并行映射（Sub-Query），把工作拆成原子单元，严格模式用 python3 .../rlm.py chunk --pattern "*.log" 返回 JSON 分块，再用 background_task 启动并行智能体，广域任务建议并行 3-5 个以上，每个后台智能体只处理一个分块或文件路径。四、归约与综合（Aggregation），通过 background_output 收集结果，寻找模式、共识或答案，若信息不足则对缺失部分做第二层 RLM 递归。
关键约束：不要使用 cat *，也不要把超过 3-5 个文件同时读入主上下文；文件数大于 1 时优先用 background_task 读取和分析；grep 难以处理的大文件用 rlm.py 做程序化切片；需要跨 50 个文件跟踪状态时，写 Python 脚本或使用 rlm.py 扫描并输出摘要。
恢复模式：若 background_task 不可用或失败，退回迭代式 Python 脚本，加载每个文件、运行正则或 AST 检查并把结果打印到标准输出，再读取该输出。
限制：官方未提供关于平台支持、模型要求、安装步骤、许可证、收费与性能上限的说明，暂未提供；示例中的路径与命令需按实际环境调整。