RLMAgent 实现了递归语言模型（Recursive Language Model）模式。它不把庞大的上下文放进提示词，而是让一个根模型编写 JavaScript 代码来探索上下文：代码按需读取文件，并向子模型提出有针对性的问题。
import { FileSystemContext, RLMAgent } from '@astack-tech/components';
const context = new FileSystemContext('/path/to/project', ['src/index.ts', 'src/pipeline.ts']);
const agent = new RLMAgent({ rootLLM: llm, subLLM: llm });
const { answer, code } = await agent.run({ context, query: 'How is the pipeline built?' });
LLM 提供方
RLM 使用的接口比智能体的更小：
interface LLMProvider {
generate(prompt: string): Promise<string>;
generateStream?(prompt: string): AsyncGenerator<string>;
}
任何模型都可以用几行代码适配，例如 { generate: prompt => deepseek.generateCompletion(prompt) }。
FileSystemContext
| 构造方式 | 模式 |
|---|---|
new FileSystemContext(basePath, filePaths) |
文件系统模式。文件按需从磁盘读取。 |
new FileSystemContext(text) |
内存模式。字符串就是一个虚拟文件的内容。 |
请显式传入文件列表。不传时，第一个参数会被当作文本，而不是路径。
| 选项 | 默认值 | 含义 |
|---|---|---|
maxFileSize |
5 MB | 可读取的最大文件 |
maxCacheSize |
10 MB | 文件内容的 LRU 缓存大小 |
verbose |
false |
在控制台输出警告 |
生成的代码可以调用 listFiles、readFile、getFileInfo、searchFiles、sampleFiles、getFilesInDirectory、getStats、llm_query 和 FINAL。
结果与流式输出
run() 的结果为 { answer, code, depth }。runStream() 会依次产出 code、execution、answer、metadata、summary 和 error 数据块。
安全
生成的代码在 Node.js 的 vm 上下文中运行，超时时间为 120 秒。vm 上下文不是安全边界。只在你信任的上下文和模型上运行 RLM；当输入不可信时，请在隔离的进程或容器中运行。
maxDepth 大于 1 时会嵌套多个 RLM 实例，推荐设置为 1。