AC prompt-caching-strategy
Оптимизирует кэширование промптов LLM для увеличения показателя попаданий, снижения затрат на API и ускорения ответа. Анализирует структуру промпта, определяет кэшируемый и некэшируемый контент, а также рекомендует реструктуризацию для максимального повторного использования кэша. АКТИВИРОВАТЬ, когда: пользователь говорит «кэш промпта», «показатель попаданий кэша», «снизить стоимость LLM», «оптимизировать использование токенов», «дешевые вызовы LLM» или спрашивает о стратегиях кэширования промптов для OpenAI/Anthropic/других поставщиков. НЕ АКТИВИРОВАТЬ, когда: пользователь просто хочет оптимизировать качество одного промпта (используйте вместо этого prompt-optimizer) или спрашивает об общей инфраструктуре кэширования.
машинный переводПоказать оригиналСкрыть оригинал«Optimize LLM prompt caching hit rate to reduce API costs and improve l…»
Optimize LLM prompt caching hit rate to reduce API costs and improve latency. Analyzes prompt structure, identifies cacheable vs non-cacheable content, and recommends restructuring to maximize cache reuse. TRIGGER when: user says "prompt cache", "cache hit rate", "reduce LLM cost", "optimize token usage", "cheaper LLM calls", or asks about prompt caching strategies for OpenAI/Anthropic/other providers. DO NOT TRIGGER when: user just wants to optimize a single prompt's quality (use prompt-optimizer instead), or asks about general caching infrastructure.
Скилл учит ИИ-агента анализировать структуру промптов и выжимать максимум из кеша OpenAI и Anthropic. Обещает снизить расходы на API и задержку через переструктурирование контента — разделение статичной части (которая кешируется) и динамичной (которая меняется в каждом запросе).
Данные показывают оценку A и quality_score 89. Файл один, ошибок синтаксиса нет, критических находок не было. На моделях не запускалось. Скилл работает на девяти платформах, включая Claude и Cursor. Логика простая: если промпт содержит большой контекст, который повторяется запрос за запросом, кеш сэкономит токены и деньги. Без запуска в песочнице непонятно, насколько точны рекомендации по переструктурированию.
Ставить, если вы часто гоняете одинаковые системные промпты через API и платите за каждый токен. Если вызовы разнородные или вы уже оптимизировали кеш вручную — смысла нет.
Оптимизирует кэширование промптов LLM для увеличения показателя попаданий, снижения затрат на API и ускорения ответа.
Как процесс C 54/100 · Есть пробелы — слабые места: результат и критерий готовности, входы и предусловия, повторный запуск
Такой же скилл встречается ещё в 1 месте: everything-claude-code
Как улучшить
- Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
- spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.
Находки guard · 0
✓ Критических и высоких находок нет
Просканировано файлов: 1. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
✓ По спецификации Agent Skills замечаний нет
Процессный рейтинг: все десять параметров 54/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 30Повторный запуск. Изменяющих операций: 3, без проверки текущего состояния
- 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
- 60Инструменты и файлы. Используются инструменты (node), но во frontmatter они не объявлены
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 100Шаги. Шагов: 8
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 2352 токенов
Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.
Сигналы качества
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Формат ответа не описан: модель каждый раз решает сама
- +1Лицензия не указана
- +2Инструкции на одном языке
- +5В description 5 примера фраз-триггеров в кавычках
- +3Длина description 558 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 10 заголовков
- +3Пошаговые инструкции: 8 пунктов
- +4Есть примеры (3 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 89.