用途：该技能用于把尚未进入 Recursive Language Model（RLM）摘要缓存账本的文件，逐一深度阅读后写成高质量单句摘要，并注入账本。适用时机包括：inventory.py 报告文件缺失于账本；新建了插件、技能或文档；文件内容自上次摘要后发生显著变化。
主要能力：通过 inventory.py 按 profile（如 project、tools）盘点缺失文件；用 inject_summary.py 以原子写入方式把摘要写入账本；当缺失文件达 50 个以上时，可按用户所用 CLI 选择引擎并将批量摘要任务委派给代理集群（swarm_run.py）。
用法：首次使用或缺少 profile 时先运行 rlm-init 技能，创建 rlm_profiles.json、manifest 和空缓存。随后执行：python ./scripts/inventory.py --profile project（及 --profile tools）找出缺失文件；对每个文件用 view_file 完整阅读（不要略读），写出回答“该文件做什么、解决什么问题、关键组件/函数是什么”的密集单句摘要；再注入：python ./scripts/inject_summary.py --profile project --file ../SKILL.md --summary "..."。批量时示例：python ./scripts/swarm_run.py --engine gemini --workers 5 --files-from rlm_distill_tasks_project.md。
摘要质量要求：应具体到实现手段，例如“Atomic file CRUD using POSIX rename + flock, preserving YAML frontmatter via ruamel.yaml.”或“3-phase search skill: RLM ledger -> ChromaDB -> grep, escalating from O(1) to exact match.”，避免“该文件处理文件操作”这类空泛表述。
依赖与限制：仅需 Python 3.8+ 与标准库，无外部包，requirements.txt 依赖锁文件当前为空。规则上，绝不手工写入 _cache/.md 目录，始终用 inject_summary.py；必须阅读完整文件，略读会遗漏关键细节；批量前先确认用户所用 CLI（Claude Code、GitHub Copilot CLI、Google Gemini CLI）再选引擎，默认应向用户询问是否可用 Copilot CLI 或 Gemini CLI 做零成本批处理；最后需声明所摘要文件及其注入的摘要。其他未在资料中提及的平台、价格或效果暂未提供。