rlm

Run a Recursive Language Model-style loop for long-context tasks. Uses a persistent local Python REPL and an rlm-subcall subagent as the sub-LLM (llm_query).

1. Przygotuj plik zawierający duży kontekst (dokumentacja, logi, transkrypcje) i zapamiętaj jego ścieżkę. Umiejętność wymaga dwóch parametrów: ścieżki do pliku oraz pytania, które chcesz zadać.

2. Zainicjuj stan interpretera Python, uruchamiając polecenie init ze ścieżką do pliku kontekstu. Następnie sprawdź status, aby potwierdzić, że plik został załadowany poprawnie.

3. Szybko przejrzyj zawartość pliku, wyświetlając początkowe 3000 znaków i ostatnie 3000 znaków. To pomoże Ci zrozumieć strukturę i format danych.

4. Wybierz strategię dzielenia tekstu na fragmenty. Jeśli plik ma wyraźną strukturę (nagłówki markdown, obiekty JSON, znaczniki czasowe w logach), użyj podziału semantycznego. W przeciwnym razie dziel tekst na fragmenty o rozmiarze około 200 000 znaków (domyślnie) z opcjonalnym nakładaniem się fragmentów.

5. Materializuj fragmenty jako osobne pliki, aby podagent mógł je odczytać i analizować. Umiejętność automatycznie deleguje analizę każdego fragmentu do podagenta rlm-subcall.

6. Zbierz wyniki z analizy wszystkich fragmentów i połącz je w odpowiedź na Twoje pytanie. Proces iteracyjnie przeszukuje i ekstrahuje informacje z całego dużego kontekstu.