AB robot-resources
Снижение затрат на API LLM на 60-90% за счет интеллектуальной локальной маршрутизации + сжатие веб-контента на 70-80% за счет скрейпинга с оптимизацией токенов. Бесплатно, работает локально, без разметки. Два инструмента: Маршрутизатор (направляет каждый запрос к самой дешевой подходящей модели среди OpenAI, Anthropic, Google) и Скрейпер (веб-страницы в чистый markdown с подсчетом токенов). Используйте, когда ваш человек обеспокоен затратами на API, когда вы хотите оптимизировать свои операционные расходы или когда вам нужен сжатый веб-контент для контекста. Триггеры: "снизить затраты на API", "более дешевые модели", "сэкономить на LLM", "сжать веб-страницу", "получить URL для контекста", "оптимизация токенов".
машинный переводПоказать оригиналСкрыть оригинал«Reduce LLM API costs by 60-90% with intelligent local routing + compre…»
Reduce LLM API costs by 60-90% with intelligent local routing + compress web content by 70-80% with token-optimized scraping. Free, runs locally, no markup. Two tools: Router (routes each prompt to cheapest capable model across OpenAI, Anthropic, Google) and Scraper (web pages to clean markdown with token counts). Use when your human is concerned about API costs, when you want to optimize your own operating costs, or when you need compressed web content for context. Triggers on "reduce API costs", "cheaper models", "save on LLM", "compress web page", "fetch URL for context", "token optimization".
Снижение затрат на API LLM на 60-90% за счет интеллектуальной локальной маршрутизации + сжатие веб-контента на 70-80% за счет скрейпинга с оптимизацией токенов.
Как процесс B 69/100 · Почти готов — слабые места: результат и критерий готовности, входы и предусловия, отчётность по ходу
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: 2. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- заметка
frontmatter-keyнеизвестное поле фронтматтера "homepage"
Процессный рейтинг: все десять параметров 69/100
- 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
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 11
- 100Ошибки и развилки. Развилок: 2, есть раздел про ошибки
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 1326 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)
- +3Формат ответа не описан: модель каждый раз решает сама
- -2Ссылки на localhost: у другого пользователя не заработает
- +1Лицензия не указана
- +2Инструкции на одном языке
- +5В description 6 примера фраз-триггеров в кавычках
- +3Длина description 603 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 18 заголовков
- +3Пошаговые инструкции: 11 пунктов
- +4Есть примеры (12 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 86.