用途：rlm-distill 用于把尚未进入缓存的文件蒸馏进 RLM Summary Ledger。用户（智能体）本身就是蒸馏引擎，需深入阅读每个未缓存文件，写出优质的一句话摘要，并用 inject_summary.py 注入账本，从而替代本地 Ollama 的 distiller.py。
适用时机：账本中缺少某些文件（由 inventory.py 报告）、刚创建新的插件/技能/文档、或文件内容较上次摘要发生明显变化时。
前置条件：首次设置或缺少 profile 时先运行 rlm-init 技能，它会创建 rlm_profiles.json、manifest 和空缓存。
执行流程：先用 inventory.py 列出缺失文件，例如 python3 plugins/rlm-factory/skills/rlm-curator/scripts/inventory.py --profile project 与 --profile tools；然后对每个缺失文件用 view_file 完整阅读，不要略读，写出一句密度高的摘要，回答文件做什么、解决什么问题、关键组件或函数是什么；最后用 inject_summary.py 注入，例如 python3 plugins/rlm-factory/skills/rlm-curator/scripts/inject_summary.py --profile project --file plugins/example/skills/my-skill/SKILL.md --summary "..."。该脚本用 fcntl.flock 保证并发写入安全，禁止直接写 JSON。
批量处理：若缺失文件达 50 个以上，不要手动蒸馏，应按成本与吞吐选择引擎并交给 agent swarm 处理。资料给出的引擎选项包括：copilot（gpt-5-mini 纳米级，免费，workers=2 规避限流，适合批量、零成本默认）、gemini（gemini-3-pro-preview，免费，workers=5，适合大上下文高吞吐）、claude（Haiku/Sonnet，低到中等成本，workers=3，质量更高但非免费）、本地 Ollama（granite3.2:8b，CPU 免费，串行 workers=1，仅限离线或气隙环境）。默认建议先用 copilot；需要更快吞吐再换 gemini。示例命令为 swarm_run.py，配合 --engine、--job、--files-from、--resume、--workers 参数。
质量要求：摘要应具体，例如说明使用 POSIX rename 与 flock 进行原子 CRUD、通过 ruamel.yaml 保留 YAML frontmatter，或说明三阶段搜索从 O(1) 到精确匹配；避免泛泛描述。
规则与限制：绝不运行 distiller.py（它调用 Ollama，慢且可能未运行）；绝不直接写 *_cache.json；必须读完整文件；需说明所摘要的文件及其注入摘要，保持来源透明。其他配置与完整 swarm 选项参见 agent-swarm 的 SKILL.md。官方文本、收费与价格细节暂未提供。