studyzy st-analyze: Token 优化分析
收集用户的使用场景和项目上下文，结合 st diagnose 诊断数据，通过 6 个并行子 Agent 多维度分析，
生成个性化的 Token 优化方案，输出 OpenSpec 风格的 tasks.md 待办清单。
工作流
步骤 1: 检查诊断数据是否可用
cat save-token-resource/diagnosis-report.json 2>/dev/null || echo "NOT_FOUND"
文件存在且 scanTimestamp 在 5 分钟内 → 复用，跳到步骤 3。
不存在或过期 → 执行诊断：
st diagnose --format json --report save-token-resource/diagnosis-report.json
步骤 2: 收集使用场景信息
使用 AskUserQuestion 收集（不要猜测，必须询问）：
- 问题 1: 主要使用场景 — 日常编码 / 代码审查 / 架构设计 / 全栈开发 / 通用
- 问题 2: 项目类型 — 前端 / 后端 / 全栈 / 工具库 / 其他
- 问题 3: 技术栈（可选，允许跳过）— 自由文本如 "React + Node.js"
用户跳过 → 使用通用分析模式。
步骤 3: 并行启动 6 个子 Agent 分析
使用 Agent tool 并行启动以下 6 个分析子 Agent。每个传入完整上下文：
diagnosis-report.json 全文 + 场景 + 项目类型 + 技术栈。
所有子 Agent 必须严格输出以下统一 JSON 格式（不要任何额外文字）：
{
"agent": "<agent 标识>",
"suggestions": [
{
"id": "string",
"category": "tool-enable|cleanup|model-opt|defer-tools|knowledge-base|mcp-defer",
"target": "string",
"action": "string",
"reason": "string",
"estimatedSavingTokens": 0,
"risk": "low|medium|high",
"reversible": true
}
]
}
步骤 4: 汇总生成 tasks.md
合并 6 个子 Agent 的 suggestions，按 category 分组，写入：
openspec/changes/<scenario>-advice/tasks.md
其中 <scenario> 为 coding / docs / general 之一（对应步骤 2 的答案）。
格式见下方「tasks.md 输出格式」。
步骤 5: 输出摘要
控制台打印分组摘要（## 1. 第三方工具启用 ... ## 6. MCP 延迟加载）+ 总计节省 Token/百分比 + tasks.md 路径。
子 Agent 定义
每个子 Agent 使用 Agent(subagent_type="general-purpose", prompt="...") 启动，prompt 包含对应提示词 + 完整上下文。
子 Agent 1: 第三方工具启用分析 (tool-enable-agent)
提示词：
分析 toolDetection[] 数组。对每个 installed === true && enabled === false 的工具，生成启用建议。
参考 recommendedSaving 字段评估节省量。重点工具：rtk（终端输出压缩）、caveman（AI 回复压缩）、
headroom（上下文压缩）、ponytail（决策阶梯）、graphify（代码图谱）、lean-ctx（读取筛选）。
输入：toolDetection + scenario
输出 category：tool-enable
action 示例：启用 RTK（配置 PreToolUse Hook）
子 Agent 2: SKILL/Agent/MCP 精简 (cleanup-agent)
提示词：
分析 skillList[] / agentList[] / mcpList[]。结合 scenario 识别不必要的条目：
- 与当前场景无关的 Skill（如代码开发场景下的演示/文档类 skill）
- 重复或功能重叠的 Agent
- 低频使用或未引用的 MCP（status=disabled 或 toolsCount 极小且长期未用） 对每个建议删除的条目，给出明确原因和预估节省 Token。
输入：skillList + agentList + mcpList + scenario
输出 category：cleanup
action 示例：删除 skill: presentation、禁用 mcp: tdesign
子 Agent 3: 模型优化 (model-opt-agent)
提示词：
分析 skillList[] / agentList[] / 可用 Commands。识别执行简单、重复性高的任务（如 lint 检查、格式修复、
简单查询），建议在其 frontmatter 或配置中指定便宜模型（如 model: lite）。
说明哪些任务不需要旗舰模型，切换后可显著降本。
输入：skillList + agentList + commands + projectProfile
输出 category：model-opt
action 示例：为 lint-check-fix 指定 model: lite
子 Agent 4: Agent Tools 明确化 (defer-tools-agent)
提示词：
分析 agentList[] 中每个 Agent 的 Tools 定义。若 Agent 未在 frontmatter/配置中明确声明 tools，
或声明了过多 broad tools（如 *），建议明确最小必要 Tools 集合，并将其余工具配置为 defer_loading
（延迟加载）。说明明确 Tools 可减少每次对话注入的工具定义 Token。
输入：agentList + hookList
输出 category：defer-tools
action 示例：为 code-reviewer 明确 tools: [Read, Grep, Bash]，其余 defer
子 Agent 5: 知识库推荐 (knowledge-base-agent)
提示词：
分析 projectProfile（代码文件数、文档文件数、是否大代码量）。当 isLargeCodebase 或 hasLargeDocs 为真时，
推荐第三方知识库/记忆构建工具（如 Graphiti、Mem0、Zep、codebase-memory），
帮助用户将项目知识沉淀为可检索的记忆，减少每次对话重新读取文件的 Token 消耗。
输入：projectProfile + scenario
输出 category：knowledge-base
action 示例：安装 Graphiti 知识库构建 MCP
子 Agent 6: MCP 延迟加载 (mcp-defer-agent)
提示词：
分析 mcpList[]。对每个 status === "enabled" && deferLoading !== true 的 MCP，生成延迟加载建议。
说明延迟加载可减少会话初始化的工具定义 Token 注入，仅在首次调用时加载。
输入：mcpList
输出 category：mcp-defer
action 示例：配置 mcp: serena 延迟加载
tasks.md 输出格式
# 优化建议：<scenario-label>
## 1. 第三方工具启用
- [ ] 启用 RTK（预估节省 ~8900 Token）
原因：rtk 已安装但未通过 Hook 启用，终端输出未压缩
- [ ] 启用 Headroom（预估节省 ~6200 Token）
原因：headroom 已安装但 MCP 未注册
## 2. SKILL/Agent/MCP 精简
- [ ] 删除 skill: presentation（预估节省 ~300 Token）
原因：当前为代码开发场景，演示类 skill 无意义
- [ ] 禁用 mcp: tdesign（预估节省 ~1600 Token）
原因：低频使用，可用 CLI 替代
## 3. 模型优化
- [ ] 为 lint-check-fix 指定 model: lite（预估节省 ~20% 成本）
原因：lint 检查为简单重复任务，无需旗舰模型
## 4. Agent Tools 明确化
- [ ] 为 code-reviewer 明确 tools 并 defer 其余（预估节省 ~2000 Token）
原因：当前声明 broad tools，每次对话注入过多工具定义
## 5. 知识库推荐
- [ ] 安装 Graphiti 知识库构建 MCP（预估节省 ~5000 Token/会话）
原因：项目代码量大，知识库可减少重复文件读取
## 6. MCP 延迟加载
- [ ] 配置 mcp: serena 延迟加载（预估节省 ~2000 Token）
原因：serena 工具数多，延迟加载减少初始化注入
---
总计：预估节省 ~XXXXX Token (XX.X%)
每组标题固定为上述 6 个，顺序不变。每条建议一行 - [ ] 复选框 + 原因缩进两空格。
总计行放在文件末尾，区别于 OpenSpec 的章节标题（用 --- 分隔）。