Обрабатываемые файлы слишком велики для размещения в контексте (>100 КБ, >2000 строк). Использует Python REPL для структурного анализа, запросы LLM для семантического анализа и субагенты для окончательного синтеза. Триггеры — большой файл, большой документ, массивный журнал, полная кодовая база, весь репозиторий, длинная расшифровка, превышено контекстное окно.
Быстро установите AI-навык rlm в вашу среду разработки через командную строку
Источник: whamp/pi-rlm.
Large content stays in the REPL environment, not in your context.
The REPL holds the full file in memory. You write Python to analyze it. Only your print() output returns to your context—never raw file content.
Use for: Pattern matching, structure extraction, aggregation, JSON parsing.
Обрабатываемые файлы слишком велики для размещения в контексте (>100 КБ, >2000 строк). Использует Python REPL для структурного анализа, запросы LLM для семантического анализа и субагенты для окончательного синтеза. Триггеры — большой файл, большой документ, массивный журнал, полная кодовая база, весь репозиторий, длинная расшифровка, превышено контекстное окно. Источник: whamp/pi-rlm.
Стабильные поля и команды для ссылок в AI/поиске.
npx skills add https://github.com/whamp/pi-rlm --skill rlmОбрабатываемые файлы слишком велики для размещения в контексте (>100 КБ, >2000 строк). Использует Python REPL для структурного анализа, запросы LLM для семантического анализа и субагенты для окончательного синтеза. Триггеры — большой файл, большой документ, массивный журнал, полная кодовая база, весь репозиторий, длинная расшифровка, превышено контекстное окно. Источник: whamp/pi-rlm.
Откройте терминал или инструмент командной строки (Terminal, iTerm, Windows Terminal и т.д.) Скопируйте и выполните эту команду: npx skills add https://github.com/whamp/pi-rlm --skill rlm После установки навык будет автоматически настроен в вашей AI-среде разработки и готов к использованию в Claude Code, Cursor или OpenClaw
https://github.com/whamp/pi-rlm