# Tool Proficiency Tracker

> Мониторинг использования инструментов. Замечает когда слишком часто используешь один инструмент в ущерб другим. Предлагает альтернативы.

- Skill: `zad111ak-ai/tool-proficiency-tracker` (Agent Skill)
- Install (CLI): `npx skillmds@latest add zad111ak-ai/tool-proficiency-tracker`
- Raw SKILL.md: https://api.skillmd.com/api/skills/zad111ak-ai/tool-proficiency-tracker/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: zad111ak-ai (https://skillmd.com/u/zad111ak-ai)
- Updated: 2026-09-21
- Page: https://skillmd.com/skills/zad111ak-ai/tool-proficiency-tracker

---


# Tool Proficiency Tracker — Осознанность инструментов

## Зачем

Я склонен к tool-рутине — нахожу один рабочий инструмент и долблю его, забывая про альтернативы. Базовый MoE должен перенаправлять, но я не вижу своей статистики.

Примеры:
- 10 раз terminal(cat) вместо 1 execute_code с read_file
- 5 раз browser_navigate вместо 1 curl
- 3 раза последовательный tool call вместо 1 execute_code с циклом
- Всегда DeepSeek V4 хотя 90% задач делает GPT-5 Nano

## Триггер

Замечать **в реальном времени** когда:
1. **>3 однотипных tool call подряд** — пауза: "а можно иначе?"
2. **1 инструмент доминирует в сессии** — проверить альтернативу
3. **Тяжёлый инструмент для простой задачи** — browser для текста, terminal для создания файла
4. **Ни разу не использовал execute_code при 10+ tool calls** — 🚩 BIG RED FLAG

## Матрица выбора (быстрая)

### Terminal vs execute_code

| Делаю | Терминал | execute_code |
|-------|----------|--------------|
| 1 быстрая команда (ls, pwd, git status) | ✅ Идеально | ❌ Overkill |
| 3-5 команд с обработкой | ❌ 5 tool calls | ✅ 1 вызов |
| Цикл (N повторов) | ❌ N вызовов | ✅ 1 вызов |
| Фильтрация вывода | ❌ grep в голове | ✅ Python фильтр |
| Установка софта | ✅ Лучше | ❌ Сложнее |
| retry/fallback логика | ❌ | ✅ retry() встроен |

### execute_code vs delegate_task

| Делаю | execute_code | delegate_task |
|-------|--------------|---------------|
| 1-10 операций, обработка между ними | ✅ | ❌ Overhead |
| 5+ независимых подзадач | ❌ | ✅ Параллельно |
| Данные не нужны в parent | ❌ А всё равно влезут | ✅ Изоляция |
| Нужно сэкономить контекст | ✅ | ✅ Ещё лучше |
| Результат >2000 символов | ⚠️ Раздует контекст | ✅ Только summary |

### Простая vs сложная модель

| Задача | Какая модель |
|--------|-------------|
| Ответить на вопрос "как дела?" | DeepSeek V4 (Polza) — основная |
| Простой delegate_task (1-3 шага) | DeepSeek V4 — не переключать |
| Средняя сложность (4-10 шагов) | GPT-5 Nano (AITunnel) — 0.96₽ |
| Сложная логика, код, анализ | GPT-5 Nano — дешевле в 28 раз |
| Генерация картинки | gpt-image-2 (AITunnel) |

## Tool Diversity Check (каждые 10 tool calls)

Остановись на секунду и посчитай:
```
Terminal:    ████████ 8 вызовов
execute_code: ██ 2 вызова
delegate_task: 0 вызовов
read_file:    ███ 3 вызова
browser:      0 вызовов
```

**Критично если:**
- Terminal >80% → ты в shell-режиме. Используй execute_code для обработки
- execute_code = 0 при >10 tool calls → 🚩 ты не группируешь операции
- Делегирование = 0 при >15 tool calls → ты тащишь всё в контекст
- browser >0 при JSON-запросах → используй curl

## Anti-Patterns

- ❌ **terminal для всего** — даже если работает, это дорого (много вызовов)
- ❌ **read_file ×5 подряд** → execute_code с циклом
- ❌ **Никогда не использовать delegate_task** → контекст раздувается
- ❌ **browser_navigate для API** → curl или scrapling
- ❌ **Всегда DeepSeek V4** → 90% задач на GPT-5 Nano за 0.96₽