这个 Skill 能做什么，适合哪些场景？
这是一个面向 Claude Code、Codex、Cursor 等兼容代理的 Agent Skill，基于 2025 年 Recursive Language Models（RLM）论文（Zhang、Kraska、Khattab，arXiv:2512.24601）。核心思路是不把全部输入塞进上下文窗口，而是先测量规模、用搜索过滤，再把剩余内容切块，交给并行的子代理处理，最后在小窗口上抽查验证并以程序化方式汇总结果。论文报告 RLM 在多跳问答（600 万至 1100 万 token）上将准确率从 70% 提升到 91%，成本约为摘要基线的三分之一。该技能声明为代理无关，附有将工具行映射到不同代理的对照表。
执行六步协议：(1) 读取前先测量输入规模（glob、find、wc -l、ls -lh、PDF 页数）；(2) 用搜索和文件模式过滤搜索空间，而非直接读取；(3) 将剩余内容按自然单元（函数、章节）或行范围切成 5–10 个文件一批；(4) 为每批派发一个子代理，附上自包含的简报（文件、问题、输出模式），批次并行执行；(5) 在小窗口上对合并后的答案做证据抽查，用定向重读解决分歧；(6) 程序化聚合去重、分类，生成带文件和行号引用的答案。SKILL.md 还内置硬性规则，例如单次读取不得超过 2000 行或 50 KB、主上下文中不加载超过 5 个文件、各子代理批次必须互斥不重复查询。
- 开发者需要在整个代码库中分析模式（如找出所有错误处理写法），文件太多无法一次性读入上下文
- 产品或工程人员想跨几十份 PRD 或会议纪要回答汇总型问题，如'所有文档里规划了哪些功能'
- 研究者或分析师需要汇总海量 TODO/FIXME 注释并按优先级整理
- 需要生成超长输出时，按章节独立生成、存入中间文件，再用连贯性检查拼接
- 处理单个大文件（超过 2000 行或 100 页 PDF）而完整读取会损失细节的场景
如何安装这个 Skill？
- 本评估为静态源码审阅，未执行任何技能指令；所有可靠性结论基于文件自洽性而非运行验证。
- 参考示例中的具体数字（文件数、特征数、成本）为虚构演示数据，不应视为实际测试结果。
- 技能依赖子代理/Task 工具；在不支持该工具的代理环境中，递归步骤可能无法按描述运行，需自行降级为顺序处理。
- README 与文档声称的性能数字来自 RLM 论文（arXiv:2512.24601），非本技能的独立复现，使用前请自行验证。
- 面向中文用户：文档与示例均为英文，无中文支持声明；核心功能不依赖境外服务，但论文与安装 CLI（npx）从中国大陆访问可能不稳定。
- Shell / 命令行
- 本地文件系统
an agent with a sub-agent/task tool (Claude Code, Codex, Cursor, or Gemini CLI)
三种方式：(1) 用 skills CLI：npx skills add massimodeluisa/recursive-decomposition-skill，可加 -g 做用户级安装、-a claude-code 指定代理；(2) 作为 Claude Code 插件：claude plugin marketplace add massimodeluisa/recursive-decomposition-skill 然后 claude plugin install recursive-decomposition@recursive-decomposition-skill；(3) 手动安装：把 skills/recursive-decomposition 目录复制到 ~/.claude/skills/（或你所用代理的技能目录）并重启代理。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/massimodeluisa/recursive-decomposition-skill.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/recursive-decomposition" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- 分析整个代码库的错误处理模式
- 汇总 docs/ 里所有会议纪要的关键决策
运行 /recursive-decomposition 对当前任务套用协议，或 /recursive-decomposition src/ 先测量指定输入再执行。技能也会被类似'分析整个代码库的错误处理模式'、'汇总 docs/ 里所有会议纪要的关键决策'等提示词自动触发。30k–50k token 时仅在需要完整性时才分解；低于 30k token、单文件或局部问题应直接阅读，不必用此技能。
这个 Skill 有哪些优点和局限？
- 有论文依据：RLM 在多跳问答上准确率 91% 对比直接模型的 70%，成本约为摘要基线的 1/3
- 在 Anthropic Cookbook（196 个文件）上有实测案例：扫描 142 个文件，报告 8 个模式和 4 个反模式并附 file:line 引用
- 附带反模式清单和明确的硬性规则（如按行范围读取、批次互斥），减少误用
- 声明代理无关，提供工具映射表并附成本阈值、代码库分析等参考文档
- 核心的子代理委派依赖代理具备 task/sub-agent 工具，纯 API 调用方需自行实现该机制
- 成本以协调 token 为代价，小任务（<30k token）会得不偿失，技能自身也建议直接阅读
- README 未提及自动化测试套件；Cursor、Gemini CLI 等平台仅声明兼容，未见实测证据
- RLM 论文数字来自论文本身的基准，不代表该技能在任意代码库或文档集上的效果
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| 递归分解技能 本页 | 59 · 推荐 | ★ 52 | 1 个月前 | MIT |
| 模型分层路由技能 | 56 · 谨慎使用 | ★ 346 | 8 个月前 | MIT |
| Loop Library（循环库）技能 | 55 · 谨慎使用 | ★ 3.2k | 3 个月前 | MIT |
| Claude 自动化顾问 ✓ Anthropic · 官方 | 50 · 谨慎使用 | ★ 38k | 11 天前 | Apache-2.0 |
| NeMo MBridge MoE 长上下文训练 ✓ NVIDIA · 官方 | 48 · 谨慎使用 | ★ 3.6k | 11 天前 | Apache-2.0 |
该技能明确定位为'直接把全部输入塞进上下文'的替代方案：当任务超过 50k token 或跨越 10 个以上文件时用本技能分解，否则直接阅读。论文中的对比对象是摘要（summarisation）基线——RLM 比其便宜约 3 倍且在多跳任务上更准。来源未提及其他同类技能或竞品。
FollowSkills 如何评估这个 Skill？
纯提示词技能，无脚本、无网络请求、无敏感数据处理，权限最小；规则明确要求先量测再读取、分批限读，行为透明。扣分：无确认/回滚机制，发布者身份未经注册表验证，README 中的性能主张依赖第三方论文而非本地可验证证据。
指令自洽：阈值（30k/50k、2000行、5-10文件）在各文件间一致，参考文档覆盖主要路径，失败模式与缓解有专节。扣分：静态审阅无法执行验证，无测试套件证明关键路径可复现，反常输入（如子代理工具缺失、PDF 超限）的失败反馈仅有原则性说明，未达锚点10以上。
触发条件、适用/不适用边界（含'何时不用'清单）、工具无关映射清晰，覆盖 Claude Code/Codex/Cursor/Gemini CLI。扣分：无中文语言支持声明，示例全部英文；子代理（Task/Explore）在部分代理环境不可用，降级路径未明确说明。
信息架构分层好（协议→参考→示例），版本号1.1.0、MIT 许可、CHANGELOG/CONVENTIONS/CONTRIBUTING 齐备，有 CI 验证工作流与 skills CLI 发现测试。扣分：参考文档中的数字（450文件、46特征等）是虚构演示数据，未标注为示例，可能造成隐藏假设；维护责任与更新路径依赖个人作者，无 LTS 承诺。
核心协议完整可用：量测-过滤-分块-递归-验证-合成六步可操作，附加了反模式与成本决策框架，边际价值相对手工操作明确。扣分：静态审阅无法验证输出直接可用性，性能数字（91%、3x便宜）引用论文而非本技能的独立复现，README 声称的 Anthropic Cookbook 测试结果未随附原始数据。
有可审计一手材料：arXiv 论文引用明确、CI 工作流验证技能格式、参考文档引用一致。扣分：本审阅为静态阅读，无第三方执行证据覆盖关键路径；CI 仅验证文件发现与格式，不测试分解行为本身；作者性能主张（ Cookbook 196文件测试）无提交的原始输出可核对。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →