BC token-optimizer
Слишком дорогие API-счета? 6 уровней оптимизации + 7 шагов диагностики + Pre-LLM компрессионный конвейер + CCR обратимое сжатие, аудит потребления токенов по пунктам и количественная оптимизация. Новое в v1.5: режим CCR от headroom (26.7K⭐) (сжатие → маркировка → восстановление по запросу, нулевая потеря информации) + совместное кэширование между агентами + анализ неудачных сессий. Тестирование показало: экономия 92% на поиске кода, 92% на логах SRE, 73% на классификации проблем. Триггеры: экономия токенов, снижение потребления, высокая стоимость API, контроль затрат, API слишком дорого, пакетные вызовы экономят деньги, оптимизация RAG, затраты на агента, бюджет токенов, снижение затрат и повышение эффективности, оптимизация затрат, переключение моделей, стратегия кэширования, сжатие промптов, прогнозирование затрат, сжатие вывода инструмента, сжатие контекста, сжатие CCR, обратимое сжатие. Исключения: оптимизация скорости вывода модели, затраты на обучение/дообучение модели, закупка оборудования.
машинный переводПоказать оригиналСкрыть оригинал«API账单太贵？6级优化+7步诊断+Pre-LLM压缩管道+CCR可逆压缩，逐项审计token消耗并量化优化。v1.5新增：headroom…»
API账单太贵？6级优化+7步诊断+Pre-LLM压缩管道+CCR可逆压缩，逐项审计token消耗并量化优化。v1.5新增：headroom(26.7K⭐)的CCR模式（压缩→标记→按需恢复，零信息损失）+跨Agent缓存共享+失败会话挖掘。实测代码搜索省92%、SRE日志省92%、Issue分类省73%。 触发词：省token、降低消耗、API费用高、成本控制、API太贵、批量调用省钱、RAG优化、Agent成本、token预算、降本增效、成本优化、模型切换、缓存策略、prompt瘦身、成本预测、工具输出压缩、上下文压缩、CCR压缩、可逆压缩 排除：模型推理速度优化、模型训练微调成本、硬件采购
Слишком дорогие API-счета?
Как процесс C 57/100 · Есть пробелы — слабые места: когда включается, входы и предусловия, ошибки и развилки
Как улучшить
- Скажите в description, КОГДА применять скилл («используй, когда…», примеры запросов): это главный сигнал для агента.
- 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
- предупреждение
description-no-whendescription не говорит, КОГДА применять скилл (нет "use when / используй когда")
Процессный рейтинг: все десять параметров 57/100
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Ошибки и развилки. Линейный процесс без обработки сбоев
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 20Когда включается. Не сказано, при каком запросе скилл включается
- 40Согласованность. Имя во frontmatter (token-optimizer) не совпадает с папкой (mimo-token-optimizer)
- 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 40
- 100Стоимость исполнения. Тело инструкции 898 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)
- -41 справочных файлов, но SKILL.md на них не ссылается: модель их не откроет
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 301 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 21 заголовков
- +3Пошаговые инструкции: 40 пунктов
- +3Формат ответа описан явно
- +4Есть примеры (4 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 71.