findscripter 何时使用
适用：
- 项目有 3+ 目录，智能体每轮都重读相同的大量文件，输入 token 居高不下，想砍掉重复读取成本。
- 想要「目录作用域」上下文，而非一份越堆越大的单体 CLAUDE.md。
- 想用仪表盘可视化 token 节省、会话历史与上下文健康度（缺失/陈旧/路由命中率）。
- 新项目立项，希望从第一天就有结构化的智能体记忆。
不该用：
- 单文件或两三个文件的小项目——分层开销大于收益，直接一份根 CLAUDE.md 即可。
- 需要跨会话语义记忆、向量检索 / RAG → 转
agent-memory-systems，HAM 只管「按目录给上下文小抄」，不做语义召回。 - 把它当真实计费器：token 估算是 ~4 字符=1 token 的近似，节省值是基于典型行为的估算，不等于账单。
核心心智：给每个目录一张小抄，让智能体读完根上下文就直接跳到相关子上下文，而不是每次重扫整个工程。
步骤
搭骨架（"go ham"）：自动探测项目平台与成熟度，生成分层记忆结构：
project/ ├── CLAUDE.md # 根上下文（~200 token，含路由表） ├── .memory/ │ ├── decisions.md # 架构决策记录（ADR） │ ├── patterns.md # 可复用模式 │ ├── inbox.md # 待确认的推断项 │ └── audit-log.md # 审计历史 └── src/ ├── api/CLAUDE.md # api/ 的作用域上下文 ├── components/CLAUDE.md └── lib/CLAUDE.md同时把基线写入
.memory/baseline.json，供后续 savings 对比。配上下文路由：在根 CLAUDE.md 写一个路由小节，直接告诉智能体每个区域加载哪份子上下文：
## Context Routing → api: src/api/CLAUDE.md → components: src/components/CLAUDE.md → lib: src/lib/CLAUDE.md智能体读完根上下文 → 立刻按路由加载对应子目录上下文，不靠猜。新增目录后用
ham route刷新路由表。看收益（"ham savings"）：输出 HAM 开/关的每轮 token 与成本对比、按月推算的节省额。
起仪表盘（"ham dashboard"，可选）：在 localhost:7777 起 Web 面板，看 token 节省、每日趋势、按目录的会话拆分、上下文文件健康度、路由命中率、碳/能耗估算。需 Node.js 18+，读
~/.claude/projects/的会话数据。定期治理：每两周跑
ham audit抓陈旧 / 缺失的上下文文件；周期性 review.memory/inbox.md，确认或否决推断项；ham insights从会话数据生成可执行建议。
指令
命令速查：
| 触发 | 作用 |
|---|---|
go ham |
搭建 HAM——探测平台、生成各级 CLAUDE.md |
ham savings |
输出 token 与成本节省报告 |
ham dashboard |
起交互式 Web 仪表盘 |
ham audit |
上下文文件健康检查 |
ham insights |
从会话数据生成可执行洞察 |
ham route |
在根 CLAUDE.md 增改 Context Routing |
ham carbon |
能耗与碳效率数据 |
硬约束（落地红线）：
- 根 CLAUDE.md 控制在 60 行 / 250 token 以内。
- 每个子目录 CLAUDE.md 控制在 75 行以内。
- 子目录 CLAUDE.md 内容不会自动更新——靠你手动维护或
ham audit提醒。 - 路由检测依赖会话 JSONL 里 CLAUDE.md 的读取顺序；token 估算是近似而非真实分词器。
示例
首次搭建：
User: go ham
Agent: HAM setup complete. Created 8 files.
- CLAUDE.md (root)
- .memory/decisions.md
- .memory/patterns.md
- .memory/inbox.md
- src/api/CLAUDE.md
- src/components/CLAUDE.md
- src/lib/CLAUDE.md
- src/utils/CLAUDE.md
Baseline captured in .memory/baseline.json
Run "HAM savings" to see your token and cost savings.
查看节省：
User: ham savings
Agent:
Before HAM: ~7,500 tokens/prompt
After HAM: ~450 tokens/prompt
Savings: 7,050 tokens (94%)
Monthly projection (1,500 prompts):
Sonnet: ~$31.73 saved
Opus: ~$158.63 saved
注意事项
- token 估算用 ~4 字符=1 token 近似，非真实分词器；savings 对比是基于典型行为的估算，别当账单。
- 仪表盘需 Node.js 18+，依赖
~/.claude/projects/的会话数据；无会话历史则面板空。 - 路由命中率依赖会话 JSONL 中 CLAUDE.md 的读取顺序检测，可能有误差。
- 子目录 CLAUDE.md 内容不会自动同步代码变更——目录重构后务必手动或
ham audit更新，否则陈旧上下文会误导智能体。 - 碳估算用区域电网均值而非实时能耗数据。
互见
- related：
agent-memory-systems—— 跨会话语义记忆 / 向量检索，与 HAM 的「目录级上下文小抄」互补；agent-memory-mcp—— 基于 MCP 的记忆集成。 - combines_with：上下文工程 / token 预算类技能 —— HAM 负责按目录裁剪上下文，可与提示词精简、上下文窗口管理叠加进一步省 token。
采编自 sickn33/antigravity-awesome-skills（MIT）。