快速rlm
一个MCP服务器，它将克劳德代码转换为递归语言模型（RLM），用于处理长上下文。
fast-rlm不调用外部API，而是提供Python REPL、上下文分块和会话管理——让Claude在 API零附加成本.
运作原理
- 加载上下文 --将任何长文本/数据馈送到会话中
- 块 --将其拆分为可管理的部分（按大小或分隔符）
- 过程 --Claude读取每个块，运行Python代码进行分析，并存储结果
- 聚合 --将各部分的结果组合成最终答案
Claude同时充当主代理和子代理，递归分解复杂任务。
工具
| 工具 | 说明 |
|---|---|
rlm_start | 使用上下文初始化会话 |
rlm_chunk | 将上下文拆分为块（通过字符计数或分隔符） |
rlm_read_chunk | 读取特定块 |
rlm_exec | 在持久REPL中执行Python |
rlm_store | 存储中间发现 |
rlm_finish | 结束会话并返回所有结果 |
rlm_system_prompt | 获取RLM工作流程说明 |
设置
先决条件
- Python 3.10+
uv（推荐）或pip
在Claude代码中安装
claude mcp add fast-rlm \
-- uv run --with "mcp[cli]" --python 3.14 \
/path/to/fast-rlm/server.py或添加到 ~/.claude.json 手动：
{
"mcpServers": {
"fast-rlm": {
"type": "stdio",
"command": "uv",
"args": [
"run", "--with", "mcp[cli]", "--python", "3.14",
"/path/to/fast-rlm/server.py"
]
}
}
}用法
告诉Claude Code“使用快速rlm”，并给它一个长上下文任务。例子：
use fast-rlm. summarize this 200-page document:
克劳德将自动：
- 呼叫
rlm_start()加载上下文 - 呼叫
rlm_chunk()将其拆分 - 使用以下命令处理每个块
rlm_read_chunk()+rlm_exec() - 将发现存储在
rlm_store() - 通过以下方式汇总和返回
rlm_finish()
Python REPL
这 rlm_exec 该工具提供了一个持久的Python环境（如Jupyter）。变量在调用之间持续存在：
# First call
rlm_exec("items = [line for line in context.split('\\n') if 'ERROR' in line]")
# Second call — `items` is still available
rlm_exec("print(f'Found {len(items)} errors')")设计原则
- 零外部成本 --所有推理都使用克劳德自己的配额
- 递归 --如果块仍然太大，可以重新分块
- 并行 --同时处理多个块
- 有状态的 --REPL在会话中跨调用持久化变量
- 轻量级 --单个文件，除此之外没有依赖关系
mcp
许可证
麻省理工学院