Recursive Decomposition

Установка

npx skills add massimodeluisa/recursive-decomposition-skill

Это чужой код. Посмотрите файлы в репозитории перед установкой.

Что делает

Скилл меняет порядок работы агента с большими объемами данных. Сначала агент измеряет вход, затем сужает его поиском, а не чтением, и делит остаток на пачки по 5-10 файлов. Каждая пачка уходит отдельному субагенту с самодостаточным заданием, глубина рекурсии ограничена одним уровнем. Собранный ответ агент перепроверяет по источникам и выдает со ссылками на файлы и строки. PDF и офисные файлы он сначала переводит в markdown.

Для кого. Для разработчиков и аналитиков, которые просят агента разобрать целый репозиторий или большой набор документов.

Пример запроса к агенту

Найди все места обработки ошибок во всем репозитории и сгруппируй их по подходу

Ограничения

Работа через субагентов расходует больше токенов и времени, чем прямое чтение небольшого входа. Для PDF скилл использует anydoc от Firecrawl через npx, а для сканов облачный firecrawl parse, которому нужен аккаунт Firecrawl и который тратит кредиты. Цифры эффективности взяты из статьи, а не измерены автором скилла на ваших задачах.

Как отключить. Удалите плагин recursive-decomposition через claude plugin или папку recursive-decomposition из каталога скиллов.

Проверка безопасности

• Запускает команды поиска и конвертации файлов через npx
• Для сканов может отправлять PDF в облачный сервис Firecrawl

Коротко о README

README описывает проблему деградации модели на длинном контексте и шесть шагов протокола. Установка: через skills CLI, как плагин Claude Code или копированием папки. Есть таблица, когда дробить задачу, а когда читать напрямую, результаты из статьи и собственный прогон на корпусе ипотечных PDF. Лицензия MIT.

SKILL.md

---
name: recursive-decomposition
description: "Decompose dense codebase-wide, multi-document, PDF, and aggregation work even when the input fits the context window, following Recursive Language Models (Zhang, Kraska, Khattab, 2025). Use when the user asks to analyse all files, a whole repo, all docs, large PDFs, or to aggregate or multi-hop across scattered sources. Skip one file, one function, a single needle, or a one-page PDF conversion. Triggers: long context, context rot, large codebase, many files, all files, big document, multi-document, PDF, aggregate, summarize everything, codebase-wide, multi-hop, recursive, sub-agents, map-reduce."
license: MIT
metadata:
  author: massimodeluisa
  version: "1.2.0"
  paper: https://arxiv.org/abs/2512.24601
---

# Recursive Decomposition

Long inputs rot. Details get missed, distant parts get glued together by guesswork, and the reasoning drifts. The RLM paper calls it context rot. Do not load the whole input into the window. Treat it as an environment you query: size it, narrow it, split it, hand independent parts to sub-agents, verify on a small window, synthesise in code. Based on [Recursive Language Models](https://arxiv.org/abs/2512.24601) (Zhang, Kraska, Khattab, 2025).

## How to use

- `/recursive-decomposition`: apply the protocol below to the current task.
- `/recursive-decomposition <path or question>`: size that input first, then run the protocol on it.

## When it applies

Fit is not the test. Dense work can rot inside a million-token window. In the paper, OOLONG-Pairs is 32k tokens and GPT-5 scores 0.1% F1; RLM(depth=1) reaches 58.0% (arXiv:2512.24601, Table 1). 30k and 50k below are harness caps.

| Situation | Approach |
|-----------|----------|
| One file, one function, or a single needle | Read directly |
| Linear aggregate or list-everything, and completeness matters | Decompose (this skill) |
| Pairwise, quadratic, or multi-hop across scattered sources | Decompose, even under 30k tokens |
| 10+ files or 50k+ tokens | Decompose |
| Under 30k tokens and a localised answer | Read directly |

## Protocol

1. **Size the input** before reading anything: count files (glob, `find`), lines (`wc -l`), bytes (`ls -lh`), pages for PDFs.
2. **Filter** the search space with searches (content search, file patterns, keywords, file types) before opening any file. Chain filters: file type, then keyword, then meaning.
3. **Chunk** what remains: natural units (functions, classes, sections), line ranges, or keyword partitions. Batches of 5 to 10 files.
4. **Recurse** at depth 1: one sub-agent per independent batch, self-contained brief (files, question, output schema); run one parallel wave. Write the batch count first. If more batches remain, run the next wave after the merge. Sub-agents answer; they do not spawn sub-agents.
5. **Verify** the synthesised answer on a smaller window: extract the minimal evidence and re-check it; settle disagreements with a targeted re-read.
6. **Synthesise programmatically**: aggregate the structured results, deduplicate, categorise, then write the answer with file and line references.

Похожие