massive-context-mcp

massive-context-mcp 服务器实现了递归语言模型 (RLM) 模式，旨在处理超出标准 LLM 上下文窗口的输入，例如大型日志文件、海量数据集或整个代码仓库。通过将上下文视为外部变量，代理程序能避免在提示词中填入大量数据，转而利用程序化分块与针对性子查询高效提取信息。此方法非常适合开发人员、数据科学家与研究人员，特别是在处理超过 100KB 的文件或多文件项目时。

• 通过并行子查询遍历数十个文件，执行深入的代码库分析。

• 处理大型日志文件 (10MB+)，通过正则表达式筛选特定模式并聚合各分块洞察。

• 支持双模式推理：使用高准确度的 Claude-SDK (Haiku) 进行生产任务，或通过 Ollama 进行免费且注重隐私的本地推理。

• 通过 rlm_auto_analyze 工具自动编排，该工具可检测内容类型并优化分块策略（行、字符或段落）以获得最佳响应。

• 提供细粒度的处理生命周期控制：使用专用 MCP 工具进行加载、检查、分块、子查询、存储与结果聚合。

• 内置 Claude Desktop 与 Claude Code 的集成挂钩，在访问超过 10KB 的文件时主动建议使用 RLM，自动防止上下文膨胀。

• 请仅在真正超出上下文限制时才使用 RLM 模式；小型文件建议使用标准工具。

• 分块策略取决于内容：代码或日志建议使用“行”，文档或散文建议使用“段落”，非结构化数据建议使用“字符”。

• 使用子查询批处理时，建议并发数保持在 8 以下以确保 API 稳定性。

• Ollama 模型 (如 gemma3:12b) 非常适合预算受限或首重隐私的需求，但请确保系统具备至少 16GB RAM 以获得最佳本地性能。

• RLM 系统将中间结果存储于可配置目录 (默认为 ~/.rlm-data)，允许在不重新处理分块的情况下进行迭代分析。