Agent skill · data analytics · affaan-m
iterative-retrieval
逐步优化上下文检索以解决子代理上下文问题的模式
Why this skill is useful
Provides a structured iterative retrieval process for optimizing context in multi-agent workflows, which the AI wouldn't reliably generate on its own.
What it needs
About 2k tokens when loaded. Last updated 2026-08-06. 238,342 stars on the source repository.
What this skill does
迭代检索模式 解决多智能体工作流中的“上下文问题”，即子智能体在开始工作前不知道需要哪些上下文。 何时激活 当需要生成需要代码库上下文但无法预先预测的子代理时 构建需要逐步完善上下文的多代理工作流时 在代理任务中遇到"上下文过大"或"缺少上下文"的失败时 为代码探索设计类似 RAG 的检索管道时 在代理编排中优化令牌使用时 问题 子智能体被生成时上下文有限。它们不知道： 哪些文件包含相关代码 代码库中存在哪些模式 项目使用什么术语 标准方法会失败： 发送所有内容：超出上下文限制 不发送任何内容：智能体缺乏关键信息 猜测所需内容：经常出错 解决方案：迭代检索 一个逐步优化上下文的 4 阶段循环： 阶段 1：调度 初始的广泛查询以收集候选文件： 阶段 2：评估 评估检索到的内容的相关性： 评分标准： 高 (0.8-1.0)：直接实现目标功能 中 (0.5-0.7)：包含相关模式或类型 低 (0.2-0.4)：略微相关 无 (0-0.2)：不相关，排除 阶段 3：优化 根据评估结果更新搜索条件： 阶段 4：循环 使用优化后的条件重复（最多 3 个周期）： 实际示例 示例 1：错误修复上下文 示例 2：功能实现 与智能体集成 在智能体提示中使用： 最佳实践 1. 先宽泛，后逐步细化 - 不要过度指定初始查询 2. 学习代码库术语 - 第一轮循环通常能揭示命名约定 3. 跟踪缺失内容 - 明确识别差距以驱动优化 4. 在“足够好”时停止 - 3 个高相关性文件胜过 10 个中等相关性文件 5. 自信地排除 - 低相关性文件不会变得相关 相关 长篇指南 - 子代理编排章节 continuous-learning 技能 - 适用于随时间改进的模式 与 ECC 捆绑的代理定义（手动安装路径：agents/）
How to use it
Reference it in AdaL, Claude Code, Cursor or any coding agent — nothing to install:
@skills affaan-m/iterative-retrieval--2e685e