@hicaru/pi-rlm
为Pi模型设计的递归语言模型，可节省99%的token消耗。
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：@hicaru/pi-rlm。 它的用途是：为Pi模型设计的递归语言模型，可节省99%的token消耗。 完整的 Skill 内容见：https://321skill.com/skills/hicaru-pi-rlm/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
“使用pi-rlm递归总结这篇长达100页的研究论文。”，它会自动将论文分段，递归调用Pi模型进行摘要，并最终整合成一份完整的总结，过程中只传递必要的上下文，极大减少了总token消耗。
介绍
该Skill旨在解决在使用大型语言模型（如Pi）进行复杂、长序列任务时，token消耗巨大、成本高昂的问题。它通过递归语言模型（RLM）技术，将长序列任务分解为可递归处理的子任务，从而在保持任务连贯性的前提下，大幅减少每次API调用所需的token数量。
使用时，开发者需要将原有的长序列任务逻辑重构为递归形式，并利用此Skill提供的接口进行调用。它通常作为一个中间处理层，在应用代码与底层语言模型API之间工作，自动管理递归调用、状态传递和结果整合。
它非常适合那些需要频繁调用语言模型API处理长文本生成、多轮深度对话、复杂代码分析或文档总结的开发者、研究者和产品团队。对于预算敏感但又需要处理大量文本任务的项目而言，这是一个极具成本效益的工具。
建议在初次使用时，先在小规模任务上验证其递归逻辑的正确性和节省效果。注意，由于采用了递归分解，任务的总体处理时间可能会因多次API调用而略有增加，需要在成本与延迟之间进行权衡。同时，确保任务本身适合被递归拆解，对于强依赖全局一次性上下文的理解的任务可能效果有限。
核心特点
核心区别在于其专为Pi模型优化，并声称能节省高达99%的token使用量，这通过其独特的递归处理架构实现，而非简单的上下文窗口管理或文本压缩。
注意事项
不适合对任务实时性要求极高，或任务逻辑无法被有效递归分解的场景。
常见问题
真的能节省99%的token吗？
在适合递归处理的长序列任务中，通过分解子任务避免重复传递全文，确实能大幅节省token，具体比例取决于任务结构。
支持哪些模型？
主要针对Pi模型进行优化和设计。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/hicaru-pi-rlm/raw/index.md 读取 @hicaru/pi-rlm 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/hicaru-pi-rlm/raw/index.md（查看排版版本）