mapreduce-skill
一个用于协调多AI工作流、实现MapReduce式任务处理的智能体技能对。
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：mapreduce-skill。 它的用途是：一个用于协调多AI工作流、实现MapReduce式任务处理的智能体技能对。 完整的 Skill 内容见：https://321skill.com/skills/mapreduce-skill/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mapreduce-skill，帮我全面分析这个项目仓库的代码质量和架构风险。” 它会启动指挥者，自动将代码库拆解成多个模块分析任务，分发给多个工作者并行扫描，最终生成一份包含关键问题、矛盾点和待验证项的综合性架构评估报告。
介绍
这个技能对旨在解决需要大规模、并行化AI处理任务的复杂问题。它通过一个“指挥者”（reduce-orchestrator）和一个“工作者”（map-worker）的配对设计，将一个大任务拆解为多个小任务分发给多个AI实例并行处理，最后汇总和验证结果。
使用时，用户只需向“指挥者”提出一个宏观任务（如“分析这个大型代码库的架构问题”），指挥者会自动制定计划、分发任务给多个“工作者”并行执行，并最终整合所有工作者的报告，形成一个包含关键发现和待验证问题的最终结论。整个过程的状态会被持久化保存，支持中断后恢复。
它非常适合需要深度分析、批量研究或系统性调试的场景，例如：学术研究者需要分析大量文献、数据分析师需要处理复杂数据集、或开发团队需要审计大型代码库。
需要注意的是，由于涉及大量并行AI调用，此技能会产生高昂的Token消耗和成本。建议用户从小规模任务开始测试，明确设定最大并行工作数和迭代次数，并将验证阶段聚焦于核心矛盾，以控制成本。
核心特点
核心区别在于其严格的“指挥-工作”分离架构和基于文件系统的确定性状态管理。指挥者本身不执行具体任务，所有工作都委托给标准化的map-worker，并通过.rlm目录持久化所有中间状态，确保了任务的可重现性、并发安全性和断点续跑能力，避免了传统聊天历史依赖的脆弱性。
注意事项
不适合处理简单、即时性的问题，或对AI调用成本极其敏感的个人用户日常使用。
常见问题
map-worker和reduce-orchestrator必须一起安装吗？
是的，这是一个配对技能。reduce-orchestrator依赖于map-worker来执行具体任务，单独安装无法正常工作。
如何控制使用成本？
通过设置plan.json中的任务粒度、限制max_workers（最大并行数）和max_iterations（最大迭代次数），并为验证阶段明确指定关键问题范围，避免全面验证。
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/mapreduce-skill/raw/index.md 读取 mapreduce-skill 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/mapreduce-skill/raw/index.md（查看排版版本）