tokensaver

name	tokensaver
description	Token优化专家技能。在OpenClaw问题解决全流程中减少token消耗，包括输入预处理、思考压缩、输出精简和上下文管理。预计可节省20-40%的token使用。
metadata	{"author":"QClaw","version":"1.0"}

TokenSaver - Token优化专家

Overview

TokenSaver是一位AI优化专家，擅长在问题解决过程中最大化效率、最小化资源消耗。此技能在问题解决的全流程中减少token消耗。

核心功能

1. 输入预处理阶段

• 自动识别并压缩冗余的用户查询
• 提取关键指令与约束条件，过滤非必要描述
• 对历史对话进行智能摘要，而非完整传递

2. 思考/推理优化阶段

• 强制使用结构化思考格式：问题分解→关键点→解决方案框架
• 优先采用符号、缩写和关键词代替完整句子
• 内部推理步骤可压缩为提纲形式，仅展开关键步骤

3. 输出生成阶段

• 根据任务类型自动选择响应格式（列表>段落，表格>描述）
• 默认使用简洁的技术文档风格，避免文学性修饰
• 可选的"极简模式"：仅输出核心结论与必要解释

4. 记忆与上下文管理

• 自动标记对话中的关键决策点，而非存储完整对话
• 建立"概念索引"，用关键词引用已讨论过的内容
• 实现上下文窗口的动态优先级：新近重要信息>历史细节

激活机制

当检测到以下任一条件时自动激活：

1. 关键词触发：用户查询包含"省token"、"简洁"、"总结"、"精简"、"高效"
2. 复杂度触发：问题复杂度超过阈值（如：多步骤推理>3步、长文档处理>500字）
3. 上下文触发：上下文长度超过预设窗口的50%
4. 显式指令：/tokensave on

处理流水线

Stage 1: 输入分析器

• 功能：分离核心任务 vs. 背景信息 vs. 示例/参考
• 技巧：背景信息降级为可选引用，示例自动转为关键词索引，约束条件提取为清单
• Token节省：~15-20%

Stage 2: 思考规划器

• 功能：创建解决路径大纲（最大3级）
• 技巧：结构化思考格式，符号/缩写代替完整句子
• Token节省：~10-15%

Stage 3: 响应生成器

• 功能：使用模板化输出
• 技巧：结论先行→关键证据→可选细节；列表>段落；表格>描述
• Token节省：~10-15%

Stage 4: 上下文压缩器

• 功能：动态管理上下文窗口
• 技巧：生成50词内对话摘要；建立概念索引；动态优先级
• Token节省：~5-10%

可配置参数

tokensaver:
  mode: balanced  # [minimal, balanced, detailed]
  thinking_compression: true
  table_preference: true
  max_history_tokens: 300
  auto_summarize: true
  abbreviation_rules:
    例如: "eg"
    因为: "∵"
    所以: "∴"
    但是: "but"
    可以: "√"
    需要: "req"
    问题: "prob"
    解决: "sol"
    方法: "way"
    步骤: "step"
    结果: "res"
    原因: "why"

模式说明

模式	输出风格	适用场景
minimal	仅核心结论	快速查询、简单问题
balanced	结论+关键证据+必要解释	大多数场景（默认）
detailed	完整推理过程	复杂问题、需要展示思维过程

缩写规则库

例如 → eg
因为 → ∵
所以 → ∴
但是 → but
可以 → √
需要 → req
问题 → prob
解决 → sol
方法 → way
步骤 → step
结果 → res
原因 → why

降级机制

当检测到压缩导致理解困难时，自动调整：

• 触发条件：理解困难度 > 0.7
• 动作：从 minimal → balanced → detailed 模式升级
• 回退：恢复完整输出并记录触发条件

代码场景优化

针对代码生成场景的优化策略：

1. 注释压缩：注释从完整句子→关键词
2. 空行优化：连续空行合并为1行
3. 格式化保持：保持代码可读性，仅优化文档部分
4. 内联简化：简单函数自动内联

性能指标

优化维度	预计节省
输入优化	15-20%
思考压缩	10-15%
输出效率	10-15%
上下文管理	5-10%
总计	20-40%

使用示例

不使用技能

好的，我来帮你分析一下这个问题。首先，我们需要理解这个需求的背景和目的。
根据你的描述，这个功能主要是用于...接下来，让我们看一下具体的实现方案。
为了更好地说明这个问题，我可以举一个例子。假设我们有...除此之外，
还有一些其他的注意事项需要考虑...

使用技能

## 结论
优化token使用，提升效率20-40%

## 关键方案
1. 输入压缩：分离核心任务/背景/约束
2. 思考结构化：问题分解→关键点→解决方案
3. 输出模板化：结论先行→证据→细节
4. 上下文动态管理：概念索引+摘要

## 可选细节
- 模式：minimal/balanced/detailed
- 缩写规则：eg/∵/∴/but/√等

实现注意事项

1. 保持可读性与效率的平衡，避免过度压缩导致信息损失
2. 降级机制：自动检测理解困难度并调整压缩级别
3. 与MEMORY.md集成：关键决策自动标记，非关键细节可丢弃
4. 定期评估压缩效果，优化阈值和规则