ailearneryang Token 节省最佳实践
本 Skill 帮助在保证输出质量的前提下最小化 token 消耗。
1. 输出格式精简
1.1 使用结构化简洁输出
- 避免：冗长的解释性文本、重复说明、客套话
- 使用：直接给出关键信息，用 bullet points 而非段落
1.2 代码注释精简
# ✅ 好：关键逻辑一行注释
def process(data):
# 跳过空值避免下游 NPE
return [x for x in data if x]
# ❌ 差：冗长解释
def process(data):
# This function takes a list of data items and processes them
# by filtering out any items that are None or empty. This is
# important because downstream functions expect non-null values
# and will throw NullPointerException if they receive null.
return [x for x in data if x]
1.3 文档格式
- 优先使用表格而非长段落
- 使用缩写：如
req→ requirements,impl→ implementation - 避免重复已知上下文
2. Prompt 工程
2.1 精准指令
# ✅ 好
实现 bubble_sort(arr)，返回升序数组。
# ❌ 差
请帮我实现一个冒泡排序算法。这个算法应该接收一个数组作为输入，
然后通过比较相邻元素并交换位置的方式，最终返回一个从小到大排序好的数组。
2.2 避免过度上下文
- 只包含当前任务必需的背景信息
- 使用
## Context (if needed)明确标记可选上下文 - 历史决策用 1-2 行摘要，不复制全文
2.3 输出约束
# 明确限制输出范围
输出要求：
- 仅返回修改的函数，不输出未变更代码
- 每个文件 diff 不超过 50 行
- 跳过样板代码说明
3. 代码生成策略
3.1 增量修改
- 修改时只输出 diff，不输出完整文件
- 使用
// ... existing code ...标记省略部分
3.2 避免重复
- 通用逻辑抽取为可调用函数
- 测试用例使用 parametrize 而非重复代码
3.3 工具调用优化
# ✅ 批量操作
files = ["a.py", "b.py", "c.py"]
for f in files:
edit(f, changes)
# ❌ 单独操作（每次调用都消耗 token）
edit("a.py", change1)
edit("b.py", change2)
edit("c.py", change3)
4. 上下文管理
4.1 蒸馏优先
- 大文档传递时，先用 distiller 生成摘要
- 摘要目标：原文 30% 以内
4.2 分段处理
- 超过 200 行的文件分段处理
- 每段独立完成，减少重复加载
4.3 缓存利用
- 重复查询的内容记录到 context.md
- 避免多次 Read 同一文件
5. VERDICT 快速判定
5.1 早期退出
# 发现明显问题立即报告，不继续深入
if critical_issue:
return "VERDICT: FAIL - 缺少必要的错误处理"
5.2 检查点模式
- 每完成一个子任务输出状态
- 可中断恢复，避免重做
6. 当前任务 Token 预算
参考 budget.yaml 配置：
- 单任务限制：500K tokens
- 单 stage 软限制：50K tokens
- 告警阈值：80%
- 硬限制：95%
当前用量：检查 /api/runtime 返回的 budget 字段
检查清单
在完成任务前确认：
- 输出是否可以更简洁？
- 是否重复了已知信息？
- 代码注释是否必要？
- 是否可以用 diff 代替完整文件？
- 上下文是否可以蒸馏？