用途：解决多智能体工作流中的“上下文问题”——子智能体被创建时上下文有限，不知道哪些文件含相关代码、代码库有哪些模式、项目使用什么术语。常见做法要么发送全部内容（超出上下文限制），要么什么都不发（缺少关键信息），要么猜测所需内容（常常猜错）。
主要能力：采用四阶段循环逐步细化上下文。DISPATCH：用初始宽泛查询收集候选文件，包含 patterns、keywords、excludes。EVALUATE：评估检索内容的相关性，按 0.8-1.0 高、0.5-0.7 中、0.2-0.4 低、0-0.2 无关打分，并识别缺失上下文。REFINE：根据评估更新搜索条件，加入高相关文件中发现的新模式与术语，排除确认无关的路径，针对具体缺口设定 focusAreas。LOOP：用细化后的条件重复，最多 3 轮，若高相关文件达到 3 个且无关键缺口则返回。
使用方式：可写入智能体提示词，按“先宽泛关键词搜索、评估每个文件相关性（0-1）、识别仍缺失的上下文、细化条件并重复（最多 3 轮）、返回相关性不低于 0.7 的文件”执行。资料给出 bug 修复与功能实现两个示例，展示如何通过术语修正（如从 rate/limit 改为 throttle）逐步收敛。
适用场景：多智能体工作流中为子智能体准备上下文、代码库检索、需要逐步发现项目命名约定的任务。
限制与最佳实践：最多 3 轮后继续；初始查询不要过度限定；第一轮常揭示命名约定；显式记录缺口以驱动细化；3 个高相关文件优于 10 个平庸文件；低相关文件应果断排除。相关内容包括 Longform Guide 的子智能体编排章节、continuous-learning 技能，以及 ~/.claude/agents/ 中的智能体定义。具体安装命令与收费信息暂未提供。