RLM（Recursive Language Model）中文示例与介绍。基于 alexzhang13/rlm 与论文 Recursive Language Models。
RLM 让大模型通过「写代码 + 递归调用子模型」在 REPL 里处理超长上下文，而不必把百万级 token 直接塞进模型。本仓库提供：
- 中文介绍：RLM 是什么、能解决什么问题
- 可运行测试：按论文 §2.1「processing costs 随输入长度怎么增长」分为三档，方便用户实际跑一跑
- 与 Skill / Claude 的尝试：将 RLM 思路做成可复用能力的一些尝试
按论文 §2.1，处理成本随输入长度的增长可分为三档，本仓库会提供对应示例，让用户真正跑通并对比 RLM 与普通长上下文方案。
| 复杂度 | 说明 | 本仓库示例 |
|---|---|---|
| O(1) 常数 | 需要参与推理的「证据量」不随输入变长而变多 | S-NIAH、BrowseComp-Plus、CodeQA |
| O(N) 线性 | 几乎每一行/每条都要参与语义变换或汇总 | OOLONG (TREC) |
| O(N²) 二次 | 几乎每条与每条都要成对参与（pairs） | OOLONG-Pairs |
- S-NIAH（Single Needle in a Haystack）：在大量无关文本里找一个短语/数字；needle 数量固定，处理量近似常数。
- BrowseComp-Plus（1K documents）：输入是 1000 篇文档，但回答问题时真正需要的证据文档数量是常数级；多跳检索 + 固定证据量。
- LongBench-v2 CodeQA：每题需要推理的文件数是固定的（fixed number of files），从「随输入规模增长的复杂度」看也是 O(1)。
- OOLONG（TREC coarse split）：对数据集中几乎所有条目做语义变换并汇总，处理成本随输入长度线性增长。
- OOLONG-Pairs：需要聚合**几乎所有条目对（pairs）**来构造答案，处理成本随输入规模二次增长；论文里普通 LLM 在此类任务上接近失效，RLM 能显著拉开差距。
rlm-cn-sample/
├── README.md
├── docs/ # 中文介绍、文章
├── examples/
│ ├── o1-constant/ # O(1)：S-NIAH、BrowseComp-Plus、CodeQA
│ ├── oN-linear/ # O(N)：OOLONG (TREC)
│ └── oN2-quadratic/ # O(N²)：OOLONG-Pairs
└── ...
每个示例目录内会有：任务说明、数据/生成方式、运行命令（基于本仓库 rlm/，API 见仓库根 .env）。
在仓库根目录创建 .env 文件，设置 API Key：
# 使用 Moonshot (Kimi)
MOONSHOT_API_KEY=你的key
# 或使用 OpenAI
OPENAI_API_KEY=你的key注意：.env 已在 .gitignore 中，不会被提交到仓库。
进入任意示例目录执行：
cd examples/o1-constant/s-niah
python main.py各示例的详细说明见 examples/ 下对应目录的 README。
示例与文档仅供学习参考；使用官方代码请遵循其仓库的 License。