用途：维护递归语言模型（RLM）语义账本中的组件摘要缓存，使其他智能体能检索到准确上下文，而不必逐个读取文件。任务涉及代码摘要提炼、查询语义账本、审计缓存等场景时自动调用。
主要能力与工具脚本：swarm_run.py 为批量摘要写入器（Swarm，自动化批处理）；inject_summary.py 为单文件摘要注入器（由智能体直接生成）；inventory.py 为审计器，输出覆盖率报告；cleanup_cache.py 为清理器，用于删除过期条目；rlm_config.py 负责清单与配置管理。查询缓存改用 rlm-search 技能及其 query_cache.py 脚本。
使用方式与执行流程：
- 先评估：运行 inventory.py --type legacy，检查覆盖率是否低于 100%、是否有缺失文件。
- 检索：用 rlm-search 查询，例如 query_cache.py --profile plugins "search_term" 或 query_cache.py --profile tools --list。
- 提炼写入：文件超过 10 个时优先用零成本 Swarm（Copilot 免费 gpt-5-mini，或 Gemini 免费），委派给 agent-loops:agent-swarm 技能，提供引擎、任务文件和缺失文件列表，Copilot 用 2 个 worker（限流安全）、Gemini 用 5 个；少于 5 个文件时手动注入，如 inject_summary.py --profile project --file path/to/file.md --summary "Your dense summary here..."。
- 清理：运行 cleanup_cache.py --profile project --apply。
架构约束：不要用原始 bash 或工具块手工创建 .agent/learning/rlm_summary_cache/*.md 文件，否则可能跳过索引或丢失元数据字段；必须通过 inject_summary.py 或 swarm_run.py 写入缓存目录，由脚本处理原子写入与模式一致性。
质量要求：每条摘要应回答“这个文件为何存在”，例如“在 3001 端口启动后端，处理 Questrade 认证”，而不是“此脚本运行服务器”。
限制：依赖 Python 3.8+ 与标准库，requirements.txt 当前为空；未提供收费、价格或更多平台支持信息。