- name
- token-optimizer
- description
- >
- Triggers
- token优化, token节约, token审计, 省token, 上下文膨胀, context太大,
Token Optimizer
Purpose: 系统性审计并优化 AI Agent 项目的 Token 消耗，降低 30%+ 固定开销。
Core Concept
每次 AI Agent 对话都有固定的"上下文税"——Rules、Memory、Knowledge 在每轮注入 prompt。固定开销 × 对话轮数 = 真正的消耗大头。
┌─────────────────────────────────────┐
│ 用户可见的对话内容（~40%） │ ← 你以为的消耗
├─────────────────────────────────────┤
│ Always-on Rules / Memory / │
│ System Prompt / Knowledge / │ ← 隐性固定税
│ Skill 指令 │
└─────────────────────────────────────┘Four-Layer Diagnostic Framework
按 ROI 从高到低：
| 层级 | 审计对象 | 预期收益 |
|---|---|---|
| L1 Rules | .codebuddy/rules/*.mdc | ~800-2,000 tokens/轮 |
| L2 Memory | update_memory 条目 | ~500-1,500 tokens/轮 |
| L3 Knowledge | 知识库文件 | ~1,000-3,000 tokens/轮 |
| L4 Behavior | 运行时行为模式 | 变量，可省数万 tokens |
→ 各层详细策略与判断标准见 references/optimization-strategies.md
Six-Step SOP
Step 1: Inventory — 建立 Token 消耗基线
运行自动审计脚本建立基线：
python3 scripts/token_audit.py [项目根目录]
python3 scripts/token_audit.py [项目根目录] --json # JSON 格式
python3 scripts/token_audit.py [项目根目录] --knowledge-dir /path/to/knowledge # 自定义知识库路径脚本自动扫描 Rules / Memory / Knowledge，输出每轮固定开销估算和分层诊断建议。
若需手动盘点，参考 references/optimization-strategies.md 中的基线计算公式。
Step 2: Diagnose Rules (L1)
核心原则：身份铁律 always-on，行为指南 on-demand。
检查四类问题：重复规则 → 合并；过长规则 → 拆分；可降级规则 → 改 requestable；僵尸规则 → 删除。
→ 判断标准和降级操作清单见 references/optimization-strategies.md §L1
Step 3: Diagnose Memory (L2)
清理三类冗余：已被 Rule 覆盖的 → 删除；一次性事件记录 → 删除；过时信息 → 删除。保留：行为红线、经验教训、仍有效的事实。
目标：Memory 控制在 ~15 条以内，每条不超过 3 行。
→ 清理决策树和格式规范见 references/optimization-strategies.md §L2
Step 4: Diagnose Knowledge (L3)
拆分巨型文件为"精简路由表（~200行）+ 详细内容（按需加载）"。入口文件控制在 200 行以内。
→ 拆分模式和"两跳"加载策略见 references/optimization-strategies.md §L3
Step 5: Optimize Runtime Behavior (L4)
五项行为优化：精准读取（offset/limit）、主动 /compact（>10轮）、subagent 分流、Skill 按需加载、知识两跳检索。
→ 具体操作对照表见 references/optimization-strategies.md §L4
Step 6: Verify & Institutionalize
- 量化对比优化前后的固定开销
- 验证降级 Rule 的触发词能正确唤回
- 将架构决策写入 MEMORY.md
- 建立守护机制防止开销回弹
→ 守护机制清单见 references/optimization-strategies.md §守护机制
Quick Decision Tree
Token 开销过高？
├── 固定开销高 → Step 2 (Rules) / Step 3 (Memory) / Step 4 (Knowledge)
├── 变量开销高 → Step 5 (精准读取 / subagent 分流 / Skill 按需加载)
└── 累计开销高 → Step 5 (主动 /compact)Tools & References
| 资源 | 路径 | 说明 |
|---|---|---|
token_audit.py | scripts/ | 自动扫描，输出分层诊断报告 |
optimization-strategies.md | references/ | 四层诊断的完整操作手册 |
real-world-cases.md | references/ | 实战优化案例（可选参考） |