@hicaru/pi-rlm 0.3.16 → 0.3.18

package/README.md

@@ -43,10 +43,6 @@ models, recursively. Same Pi session, same tools, same keys: `/rlm` and go. Read
 
 ## Benchmarks
 
-<p align="center">
-  <img src="https://github.com/openzebra/rlm.pi/blob/master/assets/hero.png?raw=true" width="100%" alt="OOLONG benchmark — latest results">
-</p>
-
 **OOLONG (oolong-synth)** — paper-tier long-context suite; latest journal per model,
 cost per task from real `costUsd` (older journals estimated at OpenRouter list prices):
 

package/README.ru.md

@@ -1,11 +1,5 @@
 <div align="center">
 
-<img src="https://github.com/openzebra/rlm.pi/blob/master/assets/hero.png?raw=true" alt="pi-rlm">
-
-</div>
-
-<div align="center">
-
 <sub>
 <a href="README.md">English</a> &nbsp;·&nbsp; <a href="README.zh-CN.md">中文</a> &nbsp;·&nbsp; **Русский**
 </sub>
@@ -14,33 +8,68 @@
 
 ---
 
-# pi-rlm — рекурсивные языковые модели для кодинг-агента [Pi](https://github.com/earendil-works)
+# rlm.pi PI plugin
 
-<div align="center">
+> pi-rlm — большие контексты на дешёвых моделях: рекурсивная языковая модель (RLM) для Pi
 
-**Рекурсивные языковые модели (RLMs)**, реализованные нативно как расширение Pi —
-ПОЛНОСТЬЮ ЛОКАЛЬНО.
+## Установка
 
-</div>
+```bash
+pi install npm:@hicaru/pi-rlm
+```
 
----
+Чтобы удалить позже:
+
+```bash
+pi uninstall npm:@hicaru/pi-rlm
+```
+
+Затем выполните `/reload` или перезапустите Pi — `/rlm`, `/rlm-config` и `/rlm-stop` появятся в разделе **[Extensions]**. Переключение — `Ctrl+Shift+R` или `/rlm`.
+
+<p align="center">
+  <img src="https://github.com/openzebra/rlm.pi/blob/master/assets/hero.png?raw=true" width="100%" alt="rlm.pi — результаты OOLONG">
+</p>
 
-**Рекурсивная языковая модель (RLM)** — это универсальная (task-agnostic) парадигма инференса, в которой корневая языковая модель управляет почти бесконечным контекстом, *программно* исследуя, декомпозируя и **рекурсивно вызывая саму себя** для обработки входных данных. RLM заменяют канонический вызов `llm.completion(prompt, model)` на вызов `rlm.completion(prompt, model)`: промпт/контекст передается как переменная в среде REPL, с которой взаимодействует модель, а модель может запускать вызовы sub-LLM и sub-RLM как обычные функции в коде.
+## Что такое pi-rlm?
 
-Это ставка на архитектуру в стиле [CodeAct](https://arxiv.org/abs/2402.01030): каждая языковая модель получает доступ к среде выполнения кода, вызовы sub-(R)LM являются функциями, а контекст/промпты — объектами в коде, что является уходом от стандарта вызова инструментов через JSON. Система, построенная таким образом, *сама по себе* является языковой моделью, которая полагается на рекурсивные вызовы sub-LLM, отсюда и название.
+Плагин, который превращает сессию Pi в **рекурсивную языковую модель (RLM)**: вместо того чтобы заталкивать огромный документ в промпт, контекст живёт в Python REPL, а ваша лучшая модель им управляет — ищет, декомпозирует и делегирует чтения дешёвым worker-моделям, рекурсивно. Та же сессия Pi, те же инструменты, те же ключи — включите `/rlm` и вперёд. По методу [RLM paper](https://arxiv.org/abs/2512.24601); подробности — в разделе **Как это работает**.
 
-`pi-rlm` переносит эту парадигму **нативно в Pi**:
+## Бенчмарки
+
+**OOLONG (oolong-synth)** — paper-tier сюит длинного контекста; последний журнал каждой модели, цена за задачу из реального `costUsd` (старые журналы оценены по прайс-листу OpenRouter):
+
+| Модель | Счёт | Цена/задача |
+|--------|------|-------------|
+| `qwen/qwen3.8-27b` | **100%** | $0.0127 |
+| `google/gemma-3-27b-it` | 83.3% | $0.0013 |
+| `qwen/qwen3-30b-a3b-instruct-2507` | 66.7% | $0.0009 |
+| `mistralai/mistral-small-3.2-24b-instruct` | 66.7% | $0.0025 |
+
+Lite-сьют — `needle` (поиск игл в куче), `codeqa` (вопросы по коду), `coding` (задача-фикс; 7 задач × 2 прохода на модель, детерминированные грейдеры, без LLM-судьи):
 
-- **Модель-оркестратор** управляет постоянным Python REPL пошагово.
-- Работа с длинным контекстом **делегируется** дешевым worker-моделям через `llm_query` / `llm_query_batched`.
-- Сложные подзадачи **рекурсивно** передаются в дочерние RLM через `rlm_query` (с ограничением глубины).
-  Дочерний RLM наследует `context` родителя — репозиторий и все библиотеки, загруженные через
-  `add_context()`, — и работает с теми же путями. Наследование не стоит дополнительных токенов:
-  содержимое живёт в песочнице, модель видит только строку с размером.
-- Все работает **in-process** — единственным внешним процессом является локальный worker `python3`.
+| Модель | Счёт | Точность |
+|--------|------|----------|
+| `qwen/qwen3-30b-a3b-instruct-2507` | **14/14** | **100%** |
+| `google/gemma-3-27b-it` | 12/14 | 86% |
+| `mistralai/mistral-small-3.2-24b-instruct` | 12/14 | 86% |
+
+Построчные результаты (correct, recall, latency, токены, цена) — в
+`bench/runs/*.jsonl`, одна JSONL-строка на задачу.
+
+### Как запустить
 
-> This is a Pi-plugin reimplementation of the RLM method (see the [RLM paper](https://arxiv.org/abs/2512.24601)).
-> It is **not** the Python library.
+```bash
+export OPENROUTER_API_KEY=sk-or-...        # обязателен — ключи ходят только через env
+
+bun run bench                              # lite-сьют: needle + codeqa + coding
+bun run bench --suite needle --limit 1     # один сьют, первая задача
+bun run bench --model openrouter/qwen/qwen3-30b-a3b-instruct-2507
+bun run bench --list                       # показать задачи, без движка и ключа
+bun run bench --suite paper                # paper-сьют: s_niah, oolong, browsecomp, codeqa_lb (скачивает датасеты)
+```
+
+Сьюты: `all` (lite, по умолчанию) · `needle` · `codeqa` · `coding` · `paper` · `s_niah` ·
+`oolong` · `browsecomp` · `codeqa_lb`.
 
 ## Как это работает
 
@@ -60,24 +89,17 @@ pi process (TypeScript)
   `rlm_query_batched`, `SHOW_VARS()`, `ask_user_question()` и словарь `answer`.
   Модель отправляет окончательный результат, устанавливая `answer["ready"] = True`.
 
-## Установка
+## Установка из исходников (для разработки)
 
 `pi-rlm` — это пакет Pi. Pi предоставляет peer-зависимости `@earendil-works/pi-*` и `typebox`; **не** устанавливайте их отдельную копию в этот пакет. Требуется `python3` в `PATH` (только стандартная библиотека).
 
-Рекомендуемая локальная установка при разработке:
+Локальная установка при разработке:
 
 ```bash
 pi install /path/to/this-repo/pi-plugin/rlm
 ```
 
-Установка опубликованного npm-пакета:
-
-```bash
-npm publish                       # например, как @<you>/pi-rlm
-pi install npm:@<you>/pi-rlm
-```
-
-> **Установка через Git** требует, чтобы манифест пакета находился в корне устанавливаемого репозитория. Для поддиректорий монорепозитория, таких как эта, предпочтительнее использовать локальный путь или npm, как указано выше.
+> **Установка через Git** требует, чтобы манифест пакета находился в корне устанавливаемого репозитория. Для поддиректорий монорепозитория, таких как эта, предпочтительнее использовать локальный путь, как указано выше.
 
 Если вы ранее копировали папку расширения напрямую, удалите ее, чтобы она не перекрывала пакет:
 
@@ -172,38 +194,6 @@ rm -rf ~/.pi/agent/extensions/rlm
 ## Логи запусков
 
 
-## Бенчмарки
-
-E2E-прогоны реального движка против моделей OpenRouter — lite-сьют (`needle` поиск игл в
-куче, `codeqa` вопросы по коду, `coding` задача-фикс; 7 задач × 2 прохода на модель).
-Детерминированные грейдеры (recall / вхождение эталона / regex), без LLM-судьи.
-
-Актуальные результаты — маленькие модели (≤32B параметров, платный тариф):
-
-| Модель | Параметры | Счёт | Точность | Latency/задача |
-|--------|-----------|------|----------|----------------|
-| `qwen/qwen3-30b-a3b-instruct-2507` | MoE 30B / 3B активных | **14/14** | **100%** | ~15s |
-| `google/gemma-3-27b-it` | dense 27B | 12/14 | 86% | ~26s |
-| `mistralai/mistral-small-3.2-24b-instruct` | dense 24B | 12/14 | 86% | ~28s |
-
-Построчные результаты (correct, recall, latency, токены, цена) — в
-`bench/runs/bench-<ts>.jsonl`, одна JSONL-строка на задачу.
-
-### Как запустить
-
-```bash
-export OPENROUTER_API_KEY=sk-or-...        # обязателен — ключи ходят только через env
-
-bun run bench                              # lite-сьют: needle + codeqa + coding
-bun run bench --suite needle --limit 1     # один сьют, первая задача
-bun run bench --model openrouter/qwen/qwen3-30b-a3b-instruct-2507
-bun run bench --list                       # показать задачи, без движка и ключа
-bun run bench --suite paper                # paper-сьют: s_niah, oolong, browsecomp, codeqa_lb (скачивает датасеты)
-```
-
-Сьюты: `all` (lite, по умолчанию) · `needle` · `codeqa` · `coding` · `paper` · `s_niah` ·
-`oolong` · `browsecomp` · `codeqa_lb`.
-
 ## Безопасность
 
 - **Изоляция ключей**: ключи провайдеров хранятся только в TypeScript (`AuthStorage`); песочница получает промпты и возвращает текст, но никогда не получает ключи.

package/README.zh-CN.md

@@ -1,11 +1,5 @@
 <div align="center">
 
-<img src="https://github.com/openzebra/rlm.pi/blob/master/assets/hero.png?raw=true" alt="pi-rlm">
-
-</div>
-
-<div align="center">
-
 <sub>
 <a href="README.md">English</a> &nbsp;·&nbsp; **中文** &nbsp;·&nbsp; <a href="README.ru.md">Русский</a>
 </sub>
@@ -14,32 +8,73 @@
 
 ---
 
-# pi-rlm — 为 [Pi](https://github.com/earendil-works) 编程代理提供的递归语言模型 (Recursive Language Models)
+# rlm.pi PI plugin
 
-<div align="center">
+> pi-rlm — 大上下文，廉价模型：为 Pi 提供的递归语言模型 (RLM)
 
-**递归语言模型 (RLMs)** 作为 Pi 扩展原生实现 ——
-完全本地。
+## 安装
 
-</div>
+```bash
+pi install npm:@hicaru/pi-rlm
+```
 
----
+以后要移除：
+
+```bash
+pi uninstall npm:@hicaru/pi-rlm
+```
+
+然后在 Pi 中运行 `/reload` —— `/rlm`、`/rlm-config` 和 `/rlm-stop` 会出现在 **[Extensions]** 下。使用 `Ctrl+Shift+R` 或 `/rlm` 切换。
+
+<p align="center">
+  <img src="https://github.com/openzebra/rlm.pi/blob/master/assets/hero.png?raw=true" width="100%" alt="rlm.pi — OOLONG 基准测试结果">
+</p>
 
-**递归语言模型 (RLM)** 是一种与任务无关的推理范式，其中根语言模型通过对输入进行*编程式*的检查、分解并**递归调用自身**，从而在近乎无限的上下文中进行编排。RLM 将典型的 `llm.completion(prompt, model)` 调用替换为 `rlm.completion(prompt, model)` 调用：提示词/上下文作为 REPL 环境中的一个变量进行卸载，模型与其进行交互，并且模型可以将子 LLM 和子 RLM 调用作为代码中的普通函数启动。
+## 什么是 pi-rlm？
 
-这是对 [CodeAct](https://arxiv.org/abs/2402.01030) 风格框架的一种尝试 —— 每个语言模型都能访问代码环境，子 (R)LM 调用是函数，而上下文/提示词是代码中的对象 —— 从而脱离了 JSON 工具调用 (tool-calling) 标准。以此方式构建的系统*本身*就是一个依赖于递归子 LLM 调用的语言模型，因此得名。
+一个把 Pi 会话变成**递归语言模型 (RLM)** 的插件：不必把庞大的文档塞进提示词，上下文
+驻留在 Python REPL 中，由你最好的模型编排 —— 检索、分解，并把叶子读取递归地委派给
+廉价的工作模型。同一个 Pi 会话、同样的工具、同样的密钥 —— 打开 `/rlm` 即可。
+方法基于 [RLM 论文](https://arxiv.org/abs/2512.24601)；详见下方的**工作原理**。
 
-`pi-rlm` 将该范式**原生引入 Pi**：
+## 基准测试
+
+**OOLONG (oolong-synth)** —— paper 级长上下文套件；取每个模型最新的日志，每任务成本
+来自真实 `costUsd`（旧日志按 OpenRouter 牌价估算）：
+
+| 模型 | 得分 | 每任务成本 |
+|------|------|------------|
+| `qwen/qwen3.8-27b` | **100%** | $0.0127 |
+| `google/gemma-3-27b-it` | 83.3% | $0.0013 |
+| `qwen/qwen3-30b-a3b-instruct-2507` | 66.7% | $0.0009 |
+| `mistralai/mistral-small-3.2-24b-instruct` | 66.7% | $0.0025 |
+
+精简套件 —— `needle`（多针召回）、`codeqa`（代码库问答）、`coding`（修复任务；
+每模型 7 个任务 × 2 轮，确定性评分，无 LLM 评审）：
 
-- **根编排器**模型逐轮驱动一个**持久化的 Python REPL**。
-- 长上下文工作通过 `llm_query` / `llm_query_batched` **委派**给廉价的工作模型。
-- 困难的子问题通过 `rlm_query` **递归**到子 RLM 中（设有深度限制）。子 RLM 继承父级的 `context`
-  ——已加载的文件以及通过 `add_context()` 追加的来源——因此可以在相同的路径上使用相同的检索原语。
-  继承不消耗额外的 token：内容存放在沙箱中，模型只看到一行大小信息。
-- 所有内容均**在进程内**运行 —— 唯一的外部进程是一个本地的 `python3` worker。
+| 模型 | 得分 | 准确率 |
+|------|------|--------|
+| `qwen/qwen3-30b-a3b-instruct-2507` | **14/14** | **100%** |
+| `google/gemma-3-27b-it` | 12/14 | 86% |
+| `mistralai/mistral-small-3.2-24b-instruct` | 12/14 | 86% |
+
+逐任务原始数据（正确性、召回率、延迟、token、成本）位于 `bench/runs/*.jsonl`
+—— 每个任务一行 JSONL，作为历史记录提交。
+
+### 运行基准测试
 
-> 这是 RLM 方法的 Pi 插件重新实现（参见 [RLM 论文](https://arxiv.org/abs/2512.24601)）。
-> 它**不是**那个 Python 库。
+```bash
+export OPENROUTER_API_KEY=sk-or-...        # 必需 —— 密钥仅通过环境变量传递
+
+bun run bench                              # 精简套件：needle + codeqa + coding
+bun run bench --suite needle --limit 1     # 单个套件，仅第一个任务
+bun run bench --model openrouter/qwen/qwen3-30b-a3b-instruct-2507
+bun run bench --list                       # 仅列出任务，无需引擎和密钥
+bun run bench --suite paper                # paper 套件：s_niah, oolong, browsecomp, codeqa_lb（需下载数据集）
+```
+
+套件：`all`（精简版，默认） · `needle` · `codeqa` · `coding` · `paper` · `s_niah` ·
+`oolong` · `browsecomp` · `codeqa_lb`。
 
 ## 工作原理
 
@@ -61,26 +96,19 @@ pi 进程 (TypeScript)
   `rlm_query_batched`, `SHOW_VARS()`, `ask_user_question()` 以及一个 `answer` 字典。
   模型通过设置 `answer["ready"] = True` 来提交最终结果。
 
-## 安装
+## 从源码安装（开发）
 
 `pi-rlm` 是一个 Pi 包。Pi 提供了 `@earendil-works/pi-*` 和 `typebox` peer
 依赖；请**不要**在该包中安装它们的独立副本。要求 `PATH` 中有 `python3` (仅限标准库)。
 
-开发时的推荐本地安装方式：
+开发时的本地安装方式：
 
 ```bash
 pi install /path/to/this-repo/pi-plugin/rlm
 ```
 
-已发布的 npm 包安装方式：
-
-```bash
-npm publish                       # 例如 as @<you>/pi-rlm
-pi install npm:@<you>/pi-rlm
-```
-
 > **Git 安装**要求包清单位于安装的仓库根目录下。
-> 对于像这样一个 monorepo 子目录，请优先使用上述的本地路径或 npm 流程。
+> 对于像这样一个 monorepo 子目录，请优先使用上述的本地路径流程。
 
 如果您之前直接复制了扩展文件夹，请将其删除，以免遮蔽 (shadow) 该包：
 
@@ -191,38 +219,6 @@ r3 基准测试表明：最大的能力杠杆不是模型，而是采样。仅 t
   连续错误上限。
 - **信任**：本地安装需要 Pi 项目信任。
 
-## 基准测试
-
-针对 OpenRouter 聊天模型对真实引擎进行端到端测试 —— 精简套件（`needle` 多针召回、
-`codeqa` 代码库问答、`coding` 修复任务；每个模型 7 个任务 × 2 轮）。确定性评分
-（召回率 / 标准答案包含 / 正则），无 LLM 评审。
-
-最新结果 —— 小型模型（≤32B 参数，付费额度）：
-
-| 模型 | 参数 | 得分 | 准确率 | 每任务延迟 |
-|------|------|------|--------|------------|
-| `qwen/qwen3-30b-a3b-instruct-2507` | MoE 30B / 3B 激活 | **14/14** | **100%** | ~15s |
-| `google/gemma-3-27b-it` | dense 27B | 12/14 | 86% | ~26s |
-| `mistralai/mistral-small-3.2-24b-instruct` | dense 24B | 12/14 | 86% | ~28s |
-
-逐任务原始数据（正确性、召回率、延迟、token、成本）位于 `bench/runs/bench-<ts>.jsonl`
-—— 每个任务一行 JSONL，作为历史记录提交。
-
-### 运行基准测试
-
-```bash
-export OPENROUTER_API_KEY=sk-or-...        # 必需 —— 密钥仅通过环境变量传递
-
-bun run bench                              # 精简套件：needle + codeqa + coding
-bun run bench --suite needle --limit 1     # 单个套件，仅第一个任务
-bun run bench --model openrouter/qwen/qwen3-30b-a3b-instruct-2507
-bun run bench --list                       # 仅列出任务，无需引擎和密钥
-bun run bench --suite paper                # paper 套件：s_niah, oolong, browsecomp, codeqa_lb（需下载数据集）
-```
-
-套件：`all`（精简版，默认） · `needle` · `codeqa` · `coding` · `paper` · `s_niah` ·
-`oolong` · `browsecomp` · `codeqa_lb`。
-
 ## 项目布局
 
 ```

package/package.json

@@ -1,6 +1,6 @@
 {
 	"name": "@hicaru/pi-rlm",
-	"version": "0.3.16",
+	"version": "0.3.18",
 	"author": "hicaru",
 	"repository": {
 		"type": "git",
@@ -10,9 +10,9 @@
 		"typescript": "^5.0.0"
 	},
 	"peerDependencies": {
-		"@earendil-works/pi-ai": "^0.84.1",
-		"@earendil-works/pi-coding-agent": "^0.84.1",
-		"@earendil-works/pi-tui": "^0.84.1",
+		"@earendil-works/pi-ai": "^0.85.1",
+		"@earendil-works/pi-coding-agent": "^0.85.1",
+		"@earendil-works/pi-tui": "^0.85.1",
 		"typebox": "*"
 	},
 	"bugs": {
@@ -52,7 +52,7 @@
 		"node": ">=20"
 	},
 	"dependencies": {
-		"@earendil-works/pi-agent-core": "^0.84.1",
+		"@earendil-works/pi-agent-core": "^0.85.1",
 		"@firecrawl/anydoc": "^0.2.4"
 	}
 }

package/src/bridge/add-context.ts

@@ -24,7 +24,7 @@ import {
 import { resolveSource } from "../context/resolve.ts";
 import { previewText } from "../text/preview.ts";
 
-export interface AddContextBridgeOpts {
+interface AddContextBridgeOpts {
   /** Fixed cwd (headless). Prefer getCwd when the sandbox outlives a single invocation. */
   readonly cwd?: string;
   /** Late-bound cwd (native mode — sandbox handlers outlive a single repl()). */

package/src/bridge/handlers/await.ts

@@ -9,7 +9,7 @@
 import { errorMessage, formatError } from "../../util/errors.ts";
 import type { AwaitResult, SubcallHandlerDeps, TaskEntry } from "./types.ts";
 import type { SubcallOpts } from "../../sandbox/interrupts.ts";
-import type { AwaitDeps } from "./task-registry.ts";
+import { entryToAwaitResult, type AwaitDeps } from "./task-registry.ts";
 
 export function createAwaitHandler(_deps: SubcallHandlerDeps, ad: AwaitDeps) {
   return async (
@@ -37,7 +37,7 @@ export function createAwaitHandler(_deps: SubcallHandlerDeps, ad: AwaitDeps) {
       if (entry.status === "pending") {
         try {
           const resolved = await ad.wait(taskId, timeoutMs);
-          return toAwaitResult(resolved);
+          return entryToAwaitResult(resolved);
         } catch (err: unknown) {
           return {
             ok: false,
@@ -49,7 +49,7 @@ export function createAwaitHandler(_deps: SubcallHandlerDeps, ad: AwaitDeps) {
         }
       }
 
-      return toAwaitResult(entry);
+      return entryToAwaitResult(entry);
     }
 
     // Multiple tasks
@@ -91,7 +91,7 @@ export function createAwaitHandler(_deps: SubcallHandlerDeps, ad: AwaitDeps) {
       }),
     );
 
-    const awaited = resolved.map(toAwaitResult);
+    const awaited = resolved.map(entryToAwaitResult);
     const allDone = awaited.every((a) => a.status === "done");
     const hasResults = awaited.some((a) => a.results !== undefined);
     const firstError = awaited.find((a) => a.error)?.error;
@@ -99,12 +99,18 @@ export function createAwaitHandler(_deps: SubcallHandlerDeps, ad: AwaitDeps) {
     const kind = first?.kind ?? "unknown";
 
     if (hasResults) {
-      const allResults: string[] = [];
+      // Pre-allocated (rule: no .push() growth when the size is computable) — count, then fill.
+      const total = awaited.reduce(
+        (n, a) => n + (a.results !== undefined ? a.results.length : a.result !== undefined ? 1 : 0),
+        0,
+      );
+      const allResults = new Array<string>(total);
+      let n = 0;
       for (const a of awaited) {
         if (a.results !== undefined) {
-          for (const r of a.results) allResults.push(r);
+          for (const r of a.results) allResults[n++] = r;
         } else if (a.result !== undefined) {
-          allResults.push(a.result);
+          allResults[n++] = a.result;
         }
       }
       return {
@@ -131,18 +137,3 @@ export function createAwaitHandler(_deps: SubcallHandlerDeps, ad: AwaitDeps) {
     };
   };
 }
-
-function toAwaitResult(entry: TaskEntry): AwaitResult {
-  const status = entry.status === "pending" ? "error" : entry.status;
-  return {
-    ok: entry.status === "done",
-    task_id: entry.taskId,
-    kind: entry.kind,
-    status,
-    result: entry.result,
-    results: entry.results,
-    error:
-      entry.error ??
-      (entry.status === "pending" ? "Task still pending" : undefined),
-  };
-}

package/src/bridge/handlers/completion.ts

@@ -14,15 +14,33 @@ import { checkResourceLimits } from "../../core/resource-limits.ts";
 import { errorMessage, formatError } from "../../util/errors.ts";
 import { retryPolicy } from "../../util/retry.ts";
 import type { Semaphore } from "../../util/concurrency.ts";
-import type { Invocation, SubcallConfig } from "./types.ts";
+import type { Invocation, SubcallConfig, SubcallHandlerDeps } from "./types.ts";
 
-export interface Complete1Deps {
+interface Complete1Deps {
   readonly leafGate: Semaphore;
   readonly registry: ModelRegistry;
   readonly getLlmModel: () => Model<Api>;
   readonly getConfig: () => SubcallConfig;
   readonly signal?: AbortSignal;
   readonly onUsage?: (usage: Usage, role: "sub") => void;
+  /** SKILL.state (Workstream D): the one grounding seam, projected verbatim from deps. */
+  readonly groundLeaf?: (prompt: string) => string;
+}
+
+/**
+ * AGENTS.md DRY: the ONE projection of SubcallHandlerDeps for complete1 — shared verbatim by
+ * the llm-query and rlm-query handlers. Never inline a second copy.
+ */
+export function completeDeps(deps: SubcallHandlerDeps): Complete1Deps {
+  return {
+    leafGate: deps.gates.leaf,
+    registry: deps.registry,
+    getLlmModel: deps.getLlmModel,
+    getConfig: deps.getConfig,
+    signal: deps.signal,
+    onUsage: deps.onUsage,
+    groundLeaf: deps.groundLeaf,
+  };
 }
 
 /**
@@ -41,14 +59,18 @@ export async function complete1(
     timeoutMs: inv.limits.remainingTimeoutMs(),
   });
   if (limitError !== undefined) return limitError;
-  if (prompt.length > config.maxPromptChars) {
+  // Workstream D (DRY #1): the ONE grounding application — llm_query, batch items, rlm→llm
+  // demotion and depth-cap degrade all pass through here, so all of them get Ξ facts or none
+  // does. Below-threshold prompts come back byte-identical from the groundLeaf impl.
+  const grounded = deps.groundLeaf !== undefined ? deps.groundLeaf(prompt) : prompt;
+  if (grounded.length > config.maxPromptChars) {
     return formatError(
-      `sub-LLM prompt exceeded the size limit (${prompt.length.toLocaleString()} chars > ` +
+      `sub-LLM prompt exceeded the size limit (${grounded.length.toLocaleString()} chars > ` +
         `${config.maxPromptChars.toLocaleString()}). Shorten or chunk the prompt before calling llm_query.`,
     );
   }
   try {
-    const messages: ChatMsg[] = [{ role: "user", content: prompt }];
+    const messages: ChatMsg[] = [{ role: "user", content: grounded }];
     const res = await deps.leafGate.run(() =>
       modelComplete(messages, {
         model: deps.getLlmModel(),

package/src/bridge/handlers/emitting.ts

@@ -11,14 +11,14 @@ import { previewText } from "../../text/preview.ts";
 import type { SubcallPhase } from "../../tool/rlm-details.ts";
 import type { Invocation } from "./types.ts";
 
-export interface EmitOpts {
+interface EmitOpts {
   readonly kind: "llm" | "batch";
   readonly label: string;
   readonly args: string;
   readonly model?: string;
 }
 
-export interface EmitSummary {
+interface EmitSummary {
   readonly preview: string;
   readonly error?: string;
   readonly failed?: number;