用途：rlm 技能（trampoline-ai/predict-rlm）用于设计、评估并构建可调用的 RLM。RLM 是预配置的智能体函数，调用方定义输入、输出与工具，由代码调用，返回结构化数据而非聊天消息。
主要能力：调用方提供 DSPy signature，其输入输出字段构成函数契约，docstring 即操作流程。每次调用时，外部 LM 读取签名与策略并编写 Python 代码，在默认经由 Deno 与 Pyodide/WASM 运行的有状态 REPL 中检查输入、保存中间状态、分支、重试与验证；Python 变量在同一次调用的迭代间持续。沙箱内可用 await predict(...) 调用子 LM 做聚焦的感知或抽取，每次 predict() 有独立上下文窗口，可配合类型化 DSPy 签名、Pydantic schema 与 dspy.Image。还可使用 Skill 提供的包与模块、调用宿主侧工具、访问显式允许的网络域名。完成时调用 SUBMIT(...)，系统校验声明输出、同步文件输出，返回 dspy.Prediction（含输出字段与结构化 trace）与 evidence。
使用方式：先检查更新 npx skills update rlm（可用 pnpx、bunx 等替代）。定义签名类并配置 PredictRLM，主要构造参数包括 signature、lm、sub_lm、skills、tools、allowed_domains、max_iterations、max_llm_calls、max_output_chars、output_dir、verbose、debug。大文件输入与产物用 File 或 list[File]；需完整送入外部 LM 提示的字符串用 CtxStr；可复用指令、包、模块、工具用 Skill；特定宿主操作（鉴权 API、数据库、原生库、宿主文件系统）用 tools=。同步调用 rlm(...)，异步调用 await rlm.acall(...)，均返回 dspy.Prediction。
适用场景与限制：适合需要自主规划、写码执行、迭代验证并返回结构化结果的工作流；通过 InputAdapter、OutputAdapter、RuntimeContribution、EventSink、ExecutionBackend 等最小扩展点实现自定义输入输出、资源生命周期与执行底座。RuntimeHook 在 v1 中要求 SBX 后端，不应据此设计可移植扩展。interpreter= 仅为旧式 CodeInterpreter 兼容桥，新集成应实现 ExecutionBackend。严格所有权边界：适配器不得获取、终结或释放会话；可变客户端、租约与重试状态须放在调用级 PreparedInput 或 RunContext。已移除的旧生命周期名（如 prepare_session()、mount()、MountedInput）不应使用。资料未提供具体收费、价格与平台支持范围。