TokenSaver

一个用于优化 AI 令牌使用成本的技能，可在不牺牲响应质量的前提下帮助您节省 50%-80% 的令牌消耗。

何时使用

在以下情况使用 TokenSaver：

• 长对话导致令牌消耗过高
• 希望降低 AI API 使用成本
• 处理技术性讨论，上下文信息持续累积
• 发现长时间会话中令牌用量快速增长

核心功能

1. 智能上下文压缩

根据消息重要性自动压缩对话历史。

工作原理：

• 最近 3-5 条消息完整保留
• 旧消息按重要性评分进行摘要
• 代码块和关键决策内容从不压缩

节省效果： 上下文令牌减少 50%-70%

2. 语义缓存

缓存相似查询的响应结果，避免重复处理。

工作原理：

• L1：完全匹配查询 → 节省 100%
• L2：语义相似度 > 85% → 节省 80%
• L3：模式匹配 → 节省 50%

3. 自适应优化

根据令牌压力自动调整压缩程度。

阶段划分：

• < 3K 令牌：不压缩
• 3K–6K 令牌：轻度压缩
• 6K–10K 令牌：中度压缩
• > 10K 令牌：重度压缩 + 建议开启新对话

自然语言指令

当用户以自然语言询问 TokenSaver 时，系统将解析并执行相应操作：

设置与配置

用户说： "配置 TokenSaver" / "TokenSaver 设置" / "设置 TokenSaver"

动作： 显示当前配置及可选项

当前 TokenSaver 设置：
- 模式：自适应（根据令牌压力自动调整）
- 压缩级别：平衡
- 缓存：已启用
- 质量阈值：85%

可切换模式：
- /tokensave - 极端节省模式（最大节省）
- /tokenbalance - 平衡模式（默认）
- /tokenquality - 质量优先模式（最小压缩）

用户说： "使用极端节省模式" / "最大化节省" / "设为节省模式"

动作： 执行 /tokensave 命令

响应： "✅ TokenSaver 已切换至极端节省模式。可实现最高 80% 的令牌节省，轻微影响质量。"

用户说： "使用平衡模式" / "默认设置" / "设为平衡"

动作： 执行 /tokenbalance 命令

响应： "✅ TokenSaver 已切换至平衡模式。节省 50%-70%，同时保持响应质量。"

用户说： "优先质量" / "保留完整上下文" / "设为质量模式"

动作： 执行 /tokenquality 命令

响应： "✅ TokenSaver 已切换至质量优先模式。最小化压缩，最大限度保留上下文，适用于精度要求高的任务。"

用户说： "禁用 TokenSaver" / "关闭令牌节省" / "停止 TokenSaver"

动作： 执行 /tokenoff 命令

响应： "⏸️ TokenSaver 已临时禁用。随时可通过 /tokens 或请求重新启用。"

使用报告与分析

用户说： "给我看令牌使用报告" / "TokenSaver 统计数据" / "令牌报告"

动作： 执行 /tokenreport 命令

响应格式：

📈 TokenSaver 使用报告
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
本会话：
• 原始总令牌数：12,450
• 优化后总令牌数：4,358
• 节省令牌数：8,092（65%）
• 预估节省费用：$0.016
• 缓存命中次数：5
• 应用压缩次数：12

主要节省来源：
1. 上下文压缩：-6,200 令牌
2. 语义缓存：-1,500 令牌
3. 响应优化：-392 令牌

用户说： "TokenSaver 状态" / "我节省了多少？" / "令牌状态"

动作： 执行 /tokens 命令

响应格式：

💰 TokenSaver 状态
━━━━━━━━━━━━━━━━━━━━
当前会话：
• 节省比例：65%
• 原始令牌数：12,450
• 优化后令牌数：4,358
• 缓存命中次数：5

当前模式：平衡（自适应）
• 当前处于第 3 级压缩
• 质量评分：95%

用户说： "清除令牌缓存" / "重置缓存" / "清除 TokenSaver 缓存"

动作： 执行 /tokencache clear 命令

响应： "✅ TokenSaver 缓存已清除。后续查询将生成全新响应。"

解释与帮助

用户说： "什么是 TokenSaver" / "令牌节省如何工作？" / "解释 TokenSaver"

响应：

TokenSaver 是一项智能令牌成本优化技能，可帮助您节省 50%-80% 的 AI 令牌使用量。

核心功能：
1. 智能上下文压缩 - 对旧对话进行摘要，同时保留最新消息
2. 语义缓存 - 重用相似问题的响应结果
3. 自适应优化 - 根据对话长度自动调节压缩强度
4. 质量保障 - 不压缩代码、错误或关键信息

优势：
• 降低 50%-80% 的令牌成本
• 缓存加速响应速度
• 关键内容无质量损失
• 自动运行，无需手动干预

用户说： "TokenSaver 未生效" / "为何没有节省？" / "TokenSaver 未节省"

响应：

TokenSaver 可能未显示节省效果的原因包括：
1. 对话过短（< 3000 令牌）——压缩从 3K 开始触发
2. 当前处于质量优先模式——可通过 /tokensave 切换
3. 首次查询——缓存需随时间积累
4. 代码密集型对话——代码块从不压缩

建议开启更长的技术讨论，以观察显著节省效果！

最佳实践

用户说： "TokenSaver 最佳实践" / "如何有效使用 TokenSaver？" / "TokenSaver 使用技巧"

响应：

TokenSaver 最佳实践：

1. 用于调试/代码审查：
   使用 /tokenquality 模式以保留完整上下文

2. 用于研究/探索性讨论：
   使用 /tokensave 模式以实现最大节省（最高可达 80%）

3. 用于一般聊天：
   平衡模式（默认）最为合适

4. 何时开启新对话：
   若切换主题，建议新建对话以获得更好压缩效果

5. 监控建议：
   /tokens - 快速查看状态
   /tokenreport - 获取详细分析报告

斜杠命令

用于直接调用功能：

/tokens

显示当前状态与统计数据

会话节省率：65%
原始令牌数：12,450
优化后令牌数：4,358
缓存命中次数：3

/tokensave

启用激进保存模式

• 最大化压缩
• 适用于非常长的技术讨论
• 可能存在轻微质量损失

/tokenbalance

平衡模式（默认）

• 在保持质量的前提下实现良好节省
• 适用于大多数使用场景

/tokenquality

优先质量模式

• 压缩最小化
• 最大化上下文保留
• 当精度至关重要时使用

/tokenreport

生成详细的使用报告

已节省令牌数：8,092
预计节省成本：$0.016
应用压缩次数：12
缓存命中次数：5

/tokencache clear

清除所有缓存的回复

/tokenoff

临时禁用优化功能

使用示例

示例 1：长时间编程会话

用户：[20 轮关于 Python 的讨论]
TokenSaver：优化后从 15K 降至 4.5K 令牌（节省 70%）

示例 2：重复提问

用户：如何在 Python 中写入文件？
用户：Python 文件写入方法？
TokenSaver：L2 缓存命中 - 立即响应，消耗 0 令牌

示例 3：话题切换

用户：从讨论 Python 切换到 JavaScript...
TokenSaver：“检测到话题变更。是否开启新对话以保持上下文清晰？”
[是] [否]

安全特性

TokenSaver 永远不会压缩以下内容：

• 代码块（始终完整保留）
• 错误信息和堆栈跟踪
• 用户标记为重要的消息
• 高交叉引用的消息

质量保护机制：

• 若质量下降超过 15%，自动回滚
• 一键恢复至未压缩版本
• 每次压缩均生成快照

配置

默认配置：

{
  "mode": "adaptive",
  "compression": "balanced",
  "cache": true,
  "qualityThreshold": 0.85
}

预期效果

局限性

• 对话需超过 3000 令牌才开始压缩
• 首次查询无法被缓存
• 极短对话（少于 10 条消息）节省效果有限
• 代码密集型对话最受益于智能引用机制

相关技能

• shieldclaw：用于安全扫描
• browser_visible：用于网页浏览
• file_reader：用于读取本地文件