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`。
Instalar com Codex ou Claude Copie este prompt, cole no Codex, Claude ou outro assistente e deixe que ele revise a página da skill e instale para você.
Baseado na classificação ocupacional SOC
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。