上下文老是不够用？试试这个递归推理的代码分析Agent

打代码的时候，遇到那种超大型项目——代码量几十个文件、依赖关系绕来绕去、分析完上下文就快把模型 token 用爆了——你是不是经常陷入两难：继续问下去怕超上下文，直接放弃又没得到答案？

今天挖到一个刚开源的工具Fractal，来解决这个痛点。

它是什么？
Fractal 是一个基于递归语言模型（RLM）的终端 Agent。开发者是 Trampoline AI，GitHub 已经攒了 200+ Stars，最近刚发布正式版。

普通 Agent 和 RLM Agent 的核心区别在哪？普通 Agent（比如大家熟悉的 Claude Code / Cursor）把整个上下文一次性塞给 LLM，上下文越长、token 消耗越快，到最后模型就开始”遗忘”前面说过什么——这叫 context rot。

RLM 不走这条路。Fractal 内部跑的是 Trampoline 自研的 predict-rlm 运行时，它会递归式地分批处理上下文，每一步只读当前最相关的部分，然后把结论传递给下一步，最终汇总出一个蒸馏过的答案。相当于你派了一个工程师进去，工程师不是走马观花，而是带着笔记本一层层做笔记，最后给你一份精炼报告。

适合谁用？
– 接手老项目，要快速搞懂几十个文件的逻辑关系
– 代码审查，要跨文件追踪依赖、识别潜在风险点
– 重构规划，需要全面了解模块边界和调用链
– AI 辅助编程时，不想让主力模型被大上下文撑爆

怎么用？
安装一行搞定：

curl -LsSf https://fractal.trampoline.ai/install.sh | sh

需要 Python 3.11+ 和 Docker（sbx 沙箱）。装好后进任意项目目录，直接跑 fractal，它会进入交互模式。

也可以非交互模式，把任务丢给它然后拿结果回来，适合集成到 CI 或其他 Agent 流程里：

fractal -p "分析这个项目的错误处理模式"

实际体验如何？
我研究了几个真实使用案例，它对多文件代码库的总结能力确实比较强，不是简单拼接各文件摘要，而是真的在推理模块之间的关联。有用户在 Discord 里分享，用它分析一个 3 万行代码的老项目，15 分钟左右拿到了一份清晰的架构图和风险报告。

当然，它还在 alpha 阶段，对 macOS 之外的系统支持还不完善，首次启动要拉沙箱镜像需要几分钟。但如果你经常被大上下文折磨，这个方向值得一试。

GitHub 链接我放结尾了，可以去看看项目 README，有更详细的架构说明和更新日志。

GitHub: https://github.com/Trampoline-AI/fractal

GitHub: https://github.com/Trampoline-AI/fractal