Everything Claude Code Iterative Retrieval Pattern Skill 是专为多 Agent 协作场景设计的渐进式上下文检索模式，核心解决子 Agent 在任务执行时无法预知所需上下文、容易遗漏关键信息或超出 token 限制的问题。通过「分阶段循环检索—评估—精炼」机制，Skill 能动态发现、补全和聚焦任务所需的关键代码片段与知识点，大幅提升检索的相关性与效率，尤其适用于 RAG、代码探索、复杂工程自动化等场景。

Everything Claude Code Iterative Retrieval Pattern Skill：渐进式上下文检索解决子 Agent 上下文窗口限制

在多 Agent AI 编程助手（如 Claude Code、Codex、Cursor 等）的大型项目协作中，子 Agent 常常面临一个核心难题：不知道自己需要哪些上下文，也无法一次性获取全部相关代码或文档。如果直接把所有文件都塞进 prompt，会超出上下文窗口限制；而只给少量内容，又可能遗漏关键信息，导致 Agent 任务失败或输出质量不佳。

Iterative Retrieval Pattern Skill 正是为了解决这一「子 Agent 上下文窗口限制」而设计。它通过「分阶段、可循环」的检索-评估-精炼流程，实现上下文信息的动态发现与逐步聚焦，让 Agent 能在有限 token 内获取最相关、最关键的上下文。这一模式已经在 Everything Claude Code 完全指南 所覆盖的 38 个专业 Agent、156 个 Skill 实战中被反复验证。

1. 适用场景与触发条件

你应在以下典型场景下考虑激活 iterative-retrieval Skill：

• 多 Agent 协作：主 Agent 派生多个子 Agent，子 Agent 需独立检索代码或文档，但无法预知全部上下文。
• RAG（检索增强生成）流水线：需要动态补全和聚焦代码片段，避免一次性拉取全部内容。
• Agent 任务失败/信息缺失：遇到“context too large”或“missing context”类报错，或发现 Agent 输出与实际需求不符。
• 优化 token 占用：希望在保证信息完整性的同时，显著减少上下文传递的 token 数量。
• 代码探索/重构/大规模代码审查：需要系统性发现相关文件、类型、模式，而不是靠人工猜测。

2. 渐进式检索循环：4 阶段操作流程

Iterative Retrieval Skill 的核心是一个最多 3 轮的「检索-评估-精炼」循环，每一轮都让上下文更聚焦、更相关。具体流程如下：

Step 1. DISPATCH（初始检索）

以任务目标为线索，先发起一次广泛的检索。例如：

const initialQuery = {
  patterns: ['src/**/*.ts', 'lib/**/*.ts'],
  keywords: ['authentication', 'user', 'session'],
  excludes: ['*.test.ts', '*.spec.ts']
};
const candidates = await retrieveFiles(initialQuery);

• 目标：不要一开始就过度限制检索条件，先尽可能多地覆盖相关区域。
• 实践建议：可结合 Context Budget Skill 预估 token 占用，避免超限。

Step 2. EVALUATE（相关性评估）

对每个检索到的文件/片段，打分其与当前任务的相关性，并找出信息缺口：

function evaluateRelevance(files, task) {
  return files.map(file => ({
    path: file.path,
    relevance: scoreRelevance(file.content, task),
    reason: explainRelevance(file.content, task),
    missingContext: identifyGaps(file.content, task)
  }));
}

• 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）：间接相关
  • 无（0-0.2）：可排除

• 实践建议：相关性评估可由主 Agent 或专职 Review Agent 完成，确保评判客观。

Step 3. REFINE（检索条件精炼）

根据上一轮评估结果，动态调整检索条件：

function refineQuery(evaluation, previousQuery) {
  return {
    patterns: [...previousQuery.patterns, ...extractPatterns(evaluation)],
    keywords: [...previousQuery.keywords, ...extractKeywords(evaluation)],
    excludes: [...previousQuery.excludes, ...evaluation
      .filter(e => e.relevance < 0.2)
      .map(e => e.path)
    ],
    focusAreas: evaluation
      .flatMap(e => e.missingContext)
      .filter(unique)
  };
}

• 目标：补充高相关文件中的新关键词、术语、模式，排除低相关路径，聚焦信息缺口。
• 实践建议：第一轮往往能发现项目专有命名（如“throttle”替代“rate limit”），后续检索更精准。

Step 4. LOOP（循环迭代）

以精炼后的条件继续检索，最多循环 3 次，直到满足「高相关文件数量充足且无关键缺口」：

async function iterativeRetrieve(task, maxCycles = 3) {
  let query = createInitialQuery(task);
  let bestContext = [];
  for (let cycle = 0; cycle < maxCycles; cycle++) {
    const candidates = await retrieveFiles(query);
    const evaluation = evaluateRelevance(candidates, task);
    const highRelevance = evaluation.filter(e => e.relevance >= 0.7);
    if (highRelevance.length >= 3 && !hasCriticalGaps(evaluation)) {
      return highRelevance;
    }
    query = refineQuery(evaluation, query);
    bestContext = mergeContext(bestContext, highRelevance);
  }
  return bestContext;
}

• 终止条件：高相关文件≥3且无关键信息缺口，或循环已达上限。
• 最佳实践：与 Verification Loop Skill 配合，可自动检测输出是否“足够好”。

3. 实战输出示例

示例 1：修复 token 过期 bug

任务："修复认证 token 过期 bug"

Cycle 1:
  DISPATCH: 搜索 "token", "auth", "expiry" 于 src/**
  EVALUATE: 找到 auth.ts (0.9), tokens.ts (0.8), user.ts (0.3)
  REFINE: 新增 "refresh", "jwt" 关键词，排除 user.ts

Cycle 2:
  DISPATCH: 用新条件检索
  EVALUATE: 找到 session-manager.ts (0.95), jwt-utils.ts (0.85)
  REFINE: 已有 2 个高相关文件

最终输出：auth.ts, tokens.ts, session-manager.ts, jwt-utils.ts

示例 2：实现 API 限流

任务："为 API endpoint 增加限流"

Cycle 1:
  DISPATCH: 搜索 "rate", "limit", "api" 于 routes/**
  EVALUATE: 未命中，发现项目用 "throttle" 术语
  REFINE: 新增 "throttle", "middleware" 关键词

Cycle 2:
  DISPATCH: 用新关键词检索
  EVALUATE: 找到 throttle.ts (0.9), middleware/index.ts (0.7)
  REFINE: 需补 router 相关模式

Cycle 3:
  DISPATCH: 搜索 "router", "express"
  EVALUATE: 找到 router-setup.ts (0.8)
  REFINE: 信息已完整

最终输出：throttle.ts, middleware/index.ts, router-setup.ts

4. 与 Agent/Skill 的协作关系

• 常见配套 Agent：Planner Agent、Refactor Cleaner Agent、Code Reviewer Agent、Docs Lookup Agent 等（详见 Everything Claude Code 完全指南）。
• Skill 协同：可与 continuous-learning、context-budget、verification-loop 等 Skill 组合，提升检索策略的自适应性和 token 管理能力。
• 集成方式：在 Agent prompt 或 MCP 流程中加入如下检索指令：

1. 先用广义关键词检索
2. 对每个文件按 0-1 相关性打分
3. 明确指出缺失的上下文
4. 精炼检索条件，最多循环 3 次
5. 最终仅返回相关性 ≥ 0.7 的文件

5. 实战最佳实践

1. 先广后窄，逐步聚焦：初始检索不宜过窄，后续通过评估与精炼收敛到核心上下文。
2. 主动学习项目术语：第一轮检索往往能揭示项目专有命名，及时补充关键词极为关键。
3. 显式记录缺口：每轮都要明确指出还缺什么信息，推动检索精准进化。
4. 优先高相关、排除低相关：宁要 3 个高分文件，不要 10 个泛泛相关的内容。
5. 与自动化 Hook/Rule 配合：结合 Hooks 和 Rules 体系，可实现检索、评估、精炼的自动触发与合规校验。

FAQ

Q: iterative-retrieval Skill 与传统检索有何本质区别？
A: 它不是一次性检索全部内容，而是通过循环评估与条件精炼，实现动态发现和聚焦最相关上下文，极大提升检索质量和 token 利用率。

Q: 需要手动配置每一轮检索条件吗？
A: 不需要。Skill 会根据上一轮的评估结果自动补充关键词、术语和排除路径，开发者只需定义初始目标即可。

Q: 适合哪些类型的 AI Agent 或任务？
A: 适用于所有需要动态检索代码/文档上下文的多 Agent 协作、RAG、代码审查、重构、自动化测试等场景，尤其在上下文窗口有限时效果突出。

---