Index of every page on this site: llms.txt
All skills
steelan9199 avatar

/token-auditor-yashu

@9e01957
Run it yourself

回顾对话过程,找出消耗大量token且可优化的场景,给出优化建议。激活条件:用户消息须包含以下关键词之一:`分析token消耗`、`审计token`、`优化token`、`token审计`、`分析token`、`优化token消耗`。

  • 1 file
  • 5.7 KB
  • Updated 4 months ago
  • GitHub
Use this Skill: https://skilld.dev/gh/steelan9199/wechat-publisher/token-auditor-yashu

Nothing lands on disk. Nothing to clean up.

Fork this Skill

Edit a local copy. It keeps the author and licence.

SKILL.md

≈69 tokens for metadata: the name and description. ≈1.4k when used: this file.

Description uses 1.7% of example budget

Before choosing a Skill, your Agent reads its name and description. All available Skills share that space.

  • A shorter description leaves more room for other Skills. This entry exceeds our 1% size suggestion.

In our Claude Code example, all Skill names and descriptions share 8,000 characters. This Skill uses ≈139 characters, or 1.7%.

The 1% threshold is a size suggestion. Longer descriptions can still fit.

Your model, settings, and other Skills decide how much text your Agent can read.

Example settings and source

The example uses a 200k-token context and default Claude Code settings. The count includes the name, description, separators, and when_to_use when present. Codex also counts local file paths.

Skit's source and limits: Codex 0.160.1, Claude Code 2.1.292.

token-auditor-yashu

Token 消耗审计器

功能概述

在用户使用某技能完成任务后,回顾整个对话执行过程,从多个维度分析 token 消耗点,找出"消耗大量 token 且可优化"的场景,输出结构化优化报告。

核心原则:只读审计,不修改任何文件。

触发条件

用户消息包含以下关键词之一时触发:

  • 分析token消耗
  • 审计token
  • 优化token
  • token审计
  • 分析token
  • 优化token消耗

工作流程

阶段 1:回顾对话过程

  1. 识别本次对话中执行了哪个技能任务(如 license-checker 检测、js-obfuscator 加密等)
  2. 回顾执行过程中的关键步骤:
    • 读取了哪些文件(文件名、大致行数)
    • 运行了哪些命令(命令本身、输出内容)
    • 执行了多少次重复操作
    • 使用了什么搜索方式(全文读取 vs Grep/Glob)

如果对话历史较长,重点回顾消耗 token 最多的几个关键步骤,不必逐条列举所有操作。

阶段 2:多维度分析

从以下 5 个维度分析 token 消耗点:

维度 1:文件读取
  • 是否读取了不必要的文件:有些文件对任务完成没有帮助,读取它们纯属浪费 token
  • 是否读取了过长的文件:有些文件很长,但任务只需要其中一小部分,可以用 Grep 搜索或只读取特定行范围
  • 是否可以用 Grep 搜索代替全文读取:如果只需要文件中的特定内容,Grep 比 Read 更省 token
维度 2:命令输出
  • 是否有冗余输出:多个命令输出相同或高度相似的内容(如重复的错误信息)
  • 是否可以精简输出:可以在命令中用正则匹配关键字,只输出验证结果,而不是完整输出
  • 是否可以用管道过滤输出:用 Select-String 或 Where-Object 过滤输出
维度 3:重复操作
  • 是否有可以批量化的重复操作:多次运行相同命令,输出可以合并
  • 是否有可以合并的命令:多个独立命令可以用 ; 合并为一条
维度 4:搜索方式
  • 是否用了全文读取代替精准搜索:用 Read 读取整个文件,而用 Grep 只搜索关键字更省
  • 是否可以用 Glob/Grep 代替 LS/Read:LS 列出目录后再 Read 文件,不如直接 Glob 匹配
维度 5:文档读取
  • 是否读取了不必要的参考文档:有些参考文档对任务完成没有帮助
  • 是否可以只读取文档的关键部分:用 Grep 搜索关键字,或只读取特定章节

阶段 3:筛选优化项

对每个分析出的 token 消耗点,应用"两条件法则"筛选:

条件 说明
条件 1:消耗大量 token 该场景消耗的 token 量较大(粗略估算行数或字符数)
条件 2:可以想办法节约 该场景的 token 消耗是可以通过改变操作方式来节约的

只有同时满足两个条件的场景才列入优化报告。

以下场景不列入报告:

  • 消耗大量 token 但无法避免的(如必须读取的配置文件)
  • 消耗少量 token 的场景(即使可以优化也不值得)

阶段 4:输出优化报告

报告格式如下:

报告结构
  1. 头部:分析的技能任务名称、对话回顾范围
  2. 优化项列表(按预计节约量从大到小排序),每项包含:
    • 优化点名称
    • 消耗量估算(粗略估算 token 或行数)
    • 为什么消耗大(具体行为描述)
    • 优化建议(具体的改进方法)
    • 预计节约量
  3. 总结表格:
| 优化项 | 预计节约 token |
| ------ | ------------- |
| ...    | ...           |
| 合计   | ...           |
报告示例

参考以下格式输出:


优化项 1:读取 references 目录下的 8 个参考文档

消耗量估算:约 9000-14000 token(8 个文档共约 937 行)

为什么消耗大:读取了 8 个完整的参考文档(createSession.md、sendMessage.md 等),每个文档 50-200 行,总计约 937 行。

优化建议:不读取 references 文档,直接使用占位参数。因为授权检查在参数验证之前执行,占位参数对于拦截场景测试完全够用。

预计节约量:约 9000-14000 token


总结表格

优化项 预计节约 token
不读取 references 文档 ~9000-14000
只读取 SKILL.md 关键部分 ~2500-4000
精简重复输出 ~2400-3600
合计 ~14000-21000

重要规则

  1. 只读审计:绝不修改任何文件,只输出分析报告
  2. 两条件法则:只列出同时满足"消耗大量 token"和"可以想办法节约"的场景
  3. 基于对话回顾:不读取文件,完全基于 AI 对对话过程的回顾
  4. 量化估算:尽量给出粗略的 token 消耗量估算(可以按行数估算,每行约 10-15 token)
  5. 可操作建议:优化建议必须具体可操作,不能是"减少读取"这种空话
  6. 按节约量排序:优化项按预计节约量从大到小排序,让用户优先关注收益最大的优化
  7. 不列不可避免项:必须读取的配置文件、必须执行的命令等不可避免的大 token 消耗,不列入报告

使用示例

用户说"分析 token 消耗",AI 回顾本次对话中执行 license-checker 检测的过程,找出 3 个可优化点(读取 references 文档、读取完整 SKILL.md、重复授权错误输出),输出结构化报告。

Source: SKILL.md on GitHub

No rule matched.

skilld matched fixed text patterns in SKILL.md and file names. Patterns miss obfuscated code.

skilld run checks every file with the same patterns. It asks for approval before it loads a Skill with a behavior marked Needs approval.

No third-party reports yet.

Signed by skilld at 9e01957. This ties the file your Agent reads to that commit on GitHub. It does not review the instructions.

Last checked against GitHub 3 weeks ago.

Activeupdated 4 months ago

README badge

README badge for steelan9199/wechat-publisher/token-auditor-yashu