递归语言模型服务

阿列夫

Aleph是一个 MCP服务器 以及技能 递归语言模型 （RLMs）。它保持工作状态——搜索索引， 代码执行、证据、递归——在提示符外的Python进程中 窗口，因此LLM在大型代码库上迭代推理，寿命长 项目、日志、文档和数据，而无需在原始内容上燃烧上下文。

+-----------------+    tool calls     +-----------------------------+
|   LLM client    | ---------------> |  Aleph (Python process)     |
| (context budget)| <--------------- |  search / peek / exec / sub |
+-----------------+   small results  +-----------------------------+

为什么选择Aleph：

• 加载一次，推理多次。 数据存在于Aleph内存中，而不是提示中。
• 计算服务器端。 exec_python 在整个上下文中运行代码 仅返回派生结果。对于JS/TS仓库， exec_javascript 和 exec_typescript 在相同的基础上提供持久的Node.js运行时 ctx.
• 追索权。 子查询和食谱将复杂的工作分散到多个 推理通过了。
• 保持工作空间温暖。 将上下文绑定回文件或生成的工作区 清单，刷新它们，稍后恢复长时间的调查。

快速开始

pip install "aleph-rlm[mcp]"
aleph-rlm install --profile claude   # or: codex, portable, api
aleph-rlm doctor                     # verify everything is wired up

然后重新启动MCP客户端并确认Aleph可用：

get_status()
list_contexts()

可选 /aleph （克劳德代码）或 $aleph （Codex）技能快捷方式开始 结构化的RLM工作流。安装 docs/prompts/aleph.md 进入客户的 命令/技能文件夹--请参见 MCP_SETUP.md 精确的路径。

如果你在真实的仓库上使用操作工具，最安全的默认设置是：

aleph --enable-actions --action-policy read-only

光标

使用 全球 MCP(aleph-rlm install cursor)for --workspace-mode any，或 项目 MCP(aleph-rlm install cursor-project 来自回购） ${workspaceFolder} + --workspace-mode fixed.Chat、Composer和光标 CLI共享MCP配置；游标扩展是可选的，不是必需的 阿莱夫——看 MCP_SETUP.md.

入口点

安装配置文件

aleph-rlm install 询问要使用哪个子查询配置文件。配置文件 嵌套后端 sub_query 和 sub_query_batch 递归生成 推理。

aleph-rlm install claude-code --profile claude
aleph-rlm configure --profile codex   # overwrite existing config

看 docs/CONFIGURATION.md 对于所有环境变量，CLI 标志和运行时 configure(...) 选项。

大型代码库工作流

如果你的主要用例是一个仓库或多文件夹项目，那么从加载一个 压缩工作区清单，而不是将原始源文件扔到模型中 窗户。这为模型提供了项目的地图，让它可以积极搜索， 并在仓库更改时保持会话可刷新。

load_workspace_manifest(paths=["src", "tests"], context_id="repo")
rg_search(pattern="FastAPI|APIRouter|router\\.", paths=["src", "tests"], load_context_id="routes")
load_file(path="pyproject.toml", context_id="pyproject")
exec_python(code="""
files = [line for line in ctx.splitlines() if line.startswith("- ")]
summary = {
    "indexed_entries": len(files),
    "top_python_files": [line for line in files if "| python |" in line][:10],
}
""", context_id="repo")
get_variable(name="summary", context_id="repo")
refresh_context(context_id="repo")

使用 load_workspace_manifest 作为大型代码库的默认前门 项目。然后使用以下命令拉入特定文件 load_file，使用以下命令搜索仓库 rg_search，并在工作区更改时刷新绑定上下文。刷新 保留会话的推理状态、证据日志和跟踪的任务。

单文件工作流

Aleph也很强大，当你一次加载一个大文件，做繁重的工作时 在Aleph内部，只撤回简洁的答案。

load_file(path="/absolute/path/to/large_file.log", context_id="doc")
search_context(pattern="ERROR|WARN", context_id="doc")
peek_context(start=1, end=60, unit="lines", context_id="doc")
exec_python(code="""
errors = [line for line in ctx.splitlines() if "error" in line.lower()]
result = {
    "error_count": len(errors),
    "first_error": errors[0] if errors else None,
}
""", context_id="doc")
get_variable(name="result", context_id="doc")
save_session(context_id="doc", path=".aleph/doc.json")

重要的习惯是在服务器端计算。不要治疗 get_variable("ctx") 作为默认路径。先搜索、过滤、分块或汇总，然后检索 小的结果。

如果您想要仅终端模式而不是MCP，请使用：

aleph run "Summarize this log" --provider cli --model codex --context-file app.log

本地模型（llama.cpp）

Aleph可以使用本地模型而不是云API。这将运行完整的RLM 循环——搜索、代码执行、收敛——完全在你的机器上 API成本为零。

先决条件： llama.cpp 和一个 GGUF模型文件。

# Install llama.cpp
brew install llama.cpp          # Mac
winget install ggml.LlamaCpp    # Windows

# Start the server with your model
llama-server -m /path/to/model.gguf -c 16384 -ngl 99 --port 8080

将Aleph指向正在运行的服务器：

export ALEPH_PROVIDER=llamacpp
export ALEPH_LLAMACPP_URL=http://127.0.0.1:8080
export ALEPH_MODEL=local
aleph

或者让Aleph自动启动服务器：

export ALEPH_PROVIDER=llamacpp
export ALEPH_LLAMACPP_MODEL=/path/to/model.gguf
export ALEPH_LLAMACPP_CTX=16384
export ALEPH_MODEL=local
aleph

用Qwen 3.5 9B（Q8_0，~9 GB）测试。任何GGUF模型都适用——更大的模型 在RLM循环中给出更好的结果。具有推理/思维支持的模型 （Qwen 3.5、QwQ等）是自动处理的。看 配置.md 对于所有 ALEPH_LLAMACPP_* 变量。

常见工作量

核心工具

Python与JS/TS REPL

阿莱夫 主控制层仍然是Python. exec_python 仍然是 用于通用分析、配方和编排的默认REPL。

• 使用 exec_python 当你需要完整的Aleph表面积时：Python优先 提示，Python的数字/符号堆栈(cmath, mpmath, decimal, fractions, statistics, numpy, scipy, sympy, networkx)，或 通过执行配方 run_recipe_code.

• 使用 exec_javascript / exec_typescript 当目标回购或分析为 自然是JS/TS形状，你想要持久的节点状态，JS原生数组/ 对象操作或异步递归 await.

• exec_python 完整的Aleph助手界面，包括配方DSL助手、同步 sub_query(...) / sub_aleph(...)，并与最广泛的兼容性 现有的提示和工作流。

• exec_javascript / exec_typescript 为js/TS重存储库提供每个上下文的持久Node.js运行时。共享相同 ctx，支持顶级 await，并且可以使用async递归 await sub_query(...), await sub_query_batch(...), await sub_query_map(...), await sub_query_strict(...)，以及 await sub_aleph(...)还包括配方DSL(Recipe, Search, Take用于在JS/TS中构建配方有效载荷。

JS/TS运行时还附带了比第一个更广泛的本地助手集 切换切片：搜索/窥视/行/块，提取助手(extract_emails, extract_todos, extract_routes等）、文本实用程序(number_lines, grep_v, sort_lines, normalize_whitespace等），文本比较助手 (diff, similarity, common_lines, diff_lines)，收集助手 (flatten, group_by, frequency, sample_items, shuffle_items等等）， 验证助手(is_json, is_email, is_uuid等），CSV/JSON 转换器，以及 semantic_search.

JS/TS运行时现在还包括配方DSL： RecipeStep, RecipeBuilder，以及所有步骤构造函数(Recipe, Search, Peek, Lines, Take, Chunk, Filter, MapSubQuery, SubQuery, Aggregate, Assign, Load, Finalize, as_recipe).你可以用 流畅的链式或管道式：

// Fluent style
Recipe("doc").search("ERROR").take(5).finalize().compile()

// Pipe style
Recipe("doc").pipe(Search("ERROR")).pipe(Take(5)).pipe(Finalize()).compile()

这 compile_recipe 和 run_recipe_code MCP工具接受 language 参数("python", "javascript", "typescript")编译配方DSL 在相应的运行时中编写代码。

与Python的区别：

• Python仍然是默认的、支持最好的Aleph REPL。
• JS/TS递归助手是异步的，需要 await.
• 食谱 执行 (run_recipe)始终使用Python运行时。JS/TS 路径涵盖食谱 建筑与编译 只有。
• JS使用 RecipeBuilder.pipe() /流畅的方法，而不是Python的 | 操作员（JS | 按位或，为此目的不可重载）。
• Python的导入生态系统仍然只有Python。Node运行时由助手主导： 不 require，没有 process，没有 module，内部不加载npm包 沙箱。
• exec_typescript 用于执行的strips类型语法；它不是一个完整的TS 编译器、类型检查器或 ts-node 环境。
• 正则表达式标志行为遵循每个运行时：Python助手使用Python re 标志，而JS/TS帮助程序使用JavaScript正则表达式标志字符串。

JS/TS工作流程示例：

exec_typescript(code=`
const routes: string[] = extract_routes('javascript').map((item) => item.value);
const routeKinds = frequency(
  routes.map((route) => (route.includes('.post(') ? 'write' : 'read')),
  2,
);
const notes = await sub_query_map(
  routes.map((route) => `Explain ${route}`),
  routes,
);
({ routeCount: routes.length, routeKinds, notes })
`, context_id="repo")

安全模型

Aleph的构建是为了将原始上下文排除在模型窗口之外，除非您 明确地将其拉回：

• 工具响应被限制和截断。
• get_variable("ctx") 是策略感知的，不应该是您的默认路径。
• exec_python stdout、stderr和返回值是独立有界的。
• ALEPH_CONTEXT_POLICY=isolated 添加更严格的会话导出/导入规则，以及 更多防御性违约。
• ALEPH_ACTION_POLICY=read-only （或 --action-policy read-only)保持行动 只读模式下的工具：搜索和文件加载仍然有效，但写入和 子流程执行被阻止。

最安全的模式总是：

1. 将大上下文加载到Aleph内存中。
2. 在Aleph内部搜索或计算。
3. 只检索您需要的小结果。

文档地图

• MCP_SETUP.md：逐个客户MCP和技能安装。
• docs/promises/aleph.md：the /aleph 和 $aleph 工作流程加上工具模式。
• docs/CONFIGURATION.md：标志、环境变量、限制和 安全设置。
• docs/langgraph-rlm-default.mdLangGraph： 与Aleph风格的工具使用集成。
• 示例/langgraph_rlm_repo_improver.py: 带有可选LangSmith跟踪的repo改进示例。
• 更改日志.md：发布历史记录。
• Developpent.md：贡献者指南。

发展

git clone https://github.com/Hmbown/aleph.git
cd aleph
pip install -e ".[dev,mcp]"
# Optional extras:
#   .[docs]           -> MarkItDown-backed document conversion
#   .[observability]  -> OpenTelemetry spans
pytest tests/ -v
ruff check aleph/ tests/

参考文献

• 张，A.L.，克拉斯卡，T.，哈塔卜，O.（2025） 递归语言模型（arXiv:2512.24601）

许可证

麻省理工学院