Menu
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`。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
将本地 Markdown 文章发布到微信公众号草稿箱。激活条件：用户消息必须包含以下关键词之一：`发布到公众号`、`上传 Markdown 到公众号`、`推送到公众号草稿`、`发布公众号文章`、`同步文章到微信`、`publish to WeChat`。
生成扁平的 SVG 图（架构图、中心辐射图、流程图、简易时序图、思维导图、组织架构图、2×2 对比矩阵、时间线、循环图、鱼骨图），也支持把已有 SVG 文件转成 PNG 图片。激活条件（满足任一即可）：生成类关键词 `画架构图`、`画中心辐射图`、`画流程图`、`画时序图`、`画思维导图`、`画脑图`、`画组织架构图`、`画树形图`、`画对比矩阵`、`画四象限`、`画时间线`、`画循环图`、`画鱼骨图`、`画因果分析图`；转换类关键词 `SVG 转图片`、`把 SVG 转成图片`、`把 SVG 转成 PNG`。
评审一个技能是否「自包含」——即其知识、经验、规范是否全部内置在技能文件内（SKILL.md + references/），不依赖特定 AI 客户端专有的知识接口命令（如 read_me / modules: / show_widget / Visualizer）去外部拉取，也不硬编码某个 AI 软件的私有路径（如 .workbuddy）。同时检查工具依赖（node、浏览器、命令行）是否仅作为用户自备工具声明、未写死私有路径。当用户要求「评审这个技能是否自包含 / 独立」「检查技能知识是否内置」「审查技能的独立性 / 可移植性」「audit / review a skill for self-containment」时触发。产出评审报告：结论（自包含 / 不独立）+ 问题清单（文件:行号 + 引用的外部依赖 + 为何影响独立性）+ 整改建议。
生成公众号文章封面图片的AI提示词。智能分析文章标题和内容，提取核心价值和视觉主题，生成适合即梦等AI绘图工具使用的专业提示词。支持从上下文中读取文章内容，确保封面与文章主题高度契合。当用户需要生成公众号文章封面、创建封面图片提示词、为文章配图时使用此技能。
将 C 盘大文件夹迁移到其他盘（D/E/F等），通过目录联接（Junction）保持原路径可用，释放 C 盘空间。当用户提到 C 盘空间不足、C 盘变红、迁移大文件夹、释放 C 盘空间、软链接迁移时使用此技能。Use when user mentions C drive full, move large folder, free up C drive space, symlink/junction migration.
自动启停视频课程录制所需的辅助程序。激活条件：用户消息须包含以下关键词之一:`我要录制视频课程`、`开始录制视频课程`、`准备录课`、`视频课程录完了`、`录课结束`、`停止录制`。
| name | token-auditor-yashu |
| description | 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`。 |
Token 消耗审计器
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。
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tokentoken审计分析token优化token消耗如果对话历史较长，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。
从以下 5 个维度分析 token 消耗点：
Select-String 或 Where-Object 过滤输出; 合并为一条对每个分析出的 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：
报告格式如下：
| 优化项 | 预计节约 token |
| ------ | ------------- |
| ... | ... |
| 合计 | ... |
参考以下格式输出：
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
| 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 |
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。