massive-context-mcp

massive-context-mcp 伺服器實現了遞迴語言模型 (RLM) 模式，專為處理超出標準 LLM 上下文視窗的輸入而設計，例如大型日誌檔、海量數據集或整個程式碼庫。透過將上下文視為外部變量，代理程式能避免在提示詞中填充過多數據，轉而利用程式化分塊與針對性子查詢來高效提取資訊。此方法非常適合開發人員、數據科學家與研究人員，特別是需要分析超過 100KB 的檔案或多檔案專案時。

• 透過並行子查詢遍歷數十個檔案，執行深入的程式碼庫分析。

• 處理大型日誌檔 (10MB+)，透過正則表達式篩選特定模式並聚合各區塊洞察。

• 支援雙模式推論：使用高準確度的 Claude-SDK (Haiku) 進行生產任務，或透過 Ollama 進行免費且注重隱私的本地推論。

• 透過 rlm_auto_analyze 工具自動編排，該工具可偵測內容類型並最佳化分塊策略（行、字元或段落）以取得最佳回應。

• 提供細粒度的處理生命週期控制：使用專用 MCP 工具進行載入、檢查、分塊、子查詢、儲存與結果聚合。

• 內建 Claude Desktop 與 Claude Code 的整合掛鉤，當存取超過 10KB 的檔案時主動建議使用 RLM，自動防止上下文膨脹。

• 請僅在真正超出上下文限制時才使用 RLM 模式；小型檔案建議使用標準工具。

• 分塊策略取決於內容：程式碼或日誌建議使用「行」，文件或散文建議使用「段落」，非結構化資料建議使用「字元」。

• 使用子查詢批次處理時，建議併發數保持在 8 以下以確保 API 穩定性。

• Ollama 模型 (如 gemma3:12b) 非常適合預算受限或首重隱私的需求，但請確保系統具備至少 16GB RAM 以獲得最佳本地效能。

• RLM 系統將中間結果儲存於可設定目錄 (預設為 ~/.rlm-data)，允許在不重新處理分塊的情況下進行迭代分析。