AC api-cost-tracker
Отслеживайте, анализируйте и оптимизируйте расходы на API для ИИ у поставщиков OpenAI, Anthropic, OpenRouter, Google и других LLM. Разбирает данные биллинга, журналы использования или ответы API для получения разбивки расходов по моделям, функциям и периодам времени. Определяет возможности оптимизации (снижение уровня моделей, кэширование, сжатие промптов). Используйте, когда вас просят проанализировать расходы на API, отследить траты на ИИ, оптимизировать использование LLM, создать отчеты о расходах, найти дорогие вызовы API, сравнить цены моделей, установить оповещения о бюджете или проверить использование API. Активируется по запросам "API costs", "how much am I spending", "optimize API usage", "cost breakdown", "LLM spending", "token usage", "billing analysis", "reduce API costs", "budget tracking".
машинный переводПоказать оригиналСкрыть оригинал«Track, analyze, and optimize AI API costs across OpenAI, Anthropic, Op…»
Track, analyze, and optimize AI API costs across OpenAI, Anthropic, OpenRouter, Google, and other LLM providers. Parses billing data, usage logs, or API responses to produce cost breakdowns by model, feature, and time period. Identifies optimization opportunities (model downgrades, caching, prompt compression). Use when asked to analyze API costs, track AI spending, optimize LLM usage, create cost reports, find expensive API calls, compare model pricing, set budget alerts, or audit API usage. Triggers on "API costs", "how much am I spending", "optimize API usage", "cost breakdown", "LLM spending", "token usage", "billing analysis", "reduce API costs", "budget tracking".
Отслеживайте, анализируйте и оптимизируйте расходы на API для ИИ у поставщиков OpenAI, Anthropic, OpenRouter, Google и других LLM.
Как процесс C 64/100 · Есть пробелы — слабые места: ошибки и развилки, согласованность, отчётность по ходу
Такой же скилл встречается ещё в 1 месте: ClawHub
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: 3. 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 64/100
- 0Ошибки и развилки. Линейный процесс без обработки сбоев
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 40Согласованность. Имя во frontmatter (api-cost-tracker) не совпадает с папкой (ai-api-cost-tracker)
- 60Инструменты и файлы. Используются инструменты (bash, python), но во frontmatter они не объявлены
- 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 70Входы и предусловия. Входные данные и предусловия перечислены
- 100Шаги. Шагов: 18
- 100Стоимость исполнения. Тело инструкции 794 токенов
- 100Повторный запуск. Изменяющих операций нет
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)
- +1Лицензия не указана
- +2Инструкции на одном языке
- +5В description 9 примера фраз-триггеров в кавычках
- +3Длина description 678 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 8 заголовков
- +3Пошаговые инструкции: 18 пунктов
- +3Формат ответа описан явно
- +4Есть примеры (1 блоков кода)
- +3Все 1 скриптов описаны в инструкциях
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 95.