SKILLEMALL.ai

AC openclaw-cost-tracker

Отслеживайте использование токенов OpenClaw и затраты на API на основе локальных данных сеанса. Предпочитайте openclaw-cost-diff для анализа текущих затрат и сравнения по моделям, агентам и каналам за разные периоды. Используйте этот навык, когда пользователь спрашивает о расходе токенов, затратах на API, регрессиях, разбивке по моделям, дневных тенденциях или о том, что изменилось между временными интервалами. Ключи API не требуются.

машинный переводПоказать оригиналСкрыть оригинал«Track OpenClaw token usage and API costs from local session data. Pref…»

Track OpenClaw token usage and API costs from local session data. Prefer openclaw-cost-diff for current cost analysis and window-over-window comparison across models, agents, and channels. Use this skill when a user asks about token spend, API costs, regressions, model breakdowns, daily trends, or what changed between time windows. No API keys needed.

ClawHub Agent Skills автор: Paul Frederiksen v1.1.3 MIT-0 4 файла тело ≈ 855 токенов Открыть источникclawhub.ai проанализирован 3 дн назад

Отслеживайте использование токенов OpenClaw и затраты на API на основе локальных данных сеанса.

Как процесс C 64/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, отчётность по ходу

ИнтеграцияДанные и аналитикаИнфраструктураИИ и агентытип и темы размечены автоматически по тексту скилла
JSON
Технический рейтинг
A
95/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
87
Прогон на моделях
не было
Процессный рейтинг
C
64/100
Есть пробелы
Результат и критерий готовности вес 14
0
Отчётность по ходу вес 2
0
Когда включается вес 12
20
три самых слабых из десяти параметров · все десять

Как улучшить

    Для прогона на моделях — необязательно
    • 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: 4. 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

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 20Когда включается. Не сказано, при каком запросе скилл включается
    • 60Инструменты и файлы. Используются инструменты (python), но во frontmatter они не объявлены
    • 70Входы и предусловия. Входные данные и предусловия перечислены
    • 100Шаги. Шагов: 14
    • 100Ошибки и развилки. Развилок: 1, есть раздел про ошибки
    • 100Согласованность. Имя и обязательные поля на месте
    • 100Стоимость исполнения. Тело инструкции 855 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

    • +5В description нет примеров фраз, по которым скилл должен срабатывать
    • +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
    • +3Длина description 353 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 9 заголовков
    • +3Пошаговые инструкции: 14 пунктов
    • +4Есть примеры (4 блоков кода)
    • +3Все 1 скриптов описаны в инструкциях

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 87.

    Внешние проверки

    ClawHub: clean
    This skill transparently reads local OpenClaw session logs to summarize token usage and costs, with no evidence of hidden network access, credential use, or destructive behavior.
    LLM: benign (high) · VirusTotal: benign · 28 мая 2026 г.