帮你省 Token

问题从哪来

让 Agent 翻译一句话，它可能先加载翻译 Skill，再调 LLM——结果对了，token 却多出一倍。更隐蔽的是常识型问题：问「CAP 定理是什么」，路由去调 search-agent 搜一圈再总结，而模型本身就能答。浪费往往发生在派发任务之前：子任务里哪些其实不需要任何工具，却被拆成多步工具链。

它怎么分析

Token Saver 是纯本地的分析工具，核心逻辑在 scripts/token_analyzer.py。你输入任务描述，它会输出结构化报告，通常包括：

• 任务结论：能否省、大致省多少
• LLM 原生能力匹配：哪些子任务不必碰外部工具
• 工具级分析：逐工具看触发词、是否必要、替代理由
• 节省建议：按 none / minimal / moderate / significant 分级

支持单任务分析（默认）、多行批量审计，以及 --interactive 交互模式。工具清单来自 skills_registry.json，可扩展而不必改代码；清单缺失时会降级到内置默认清单。

边界与用法

它只建议、不拦截：「可省略」不等于禁止调用；原则上是宁可漏判不可误判，不确定会标为需要调用。分析基于关键词与规则，不感知对话上下文，也不统计真实 token 数。纯信息获取有时可省；带副作用的操作（写文件、装应用等）即使输出相似也不能用 LLM 替代。拿报告当参考，结合工作流与质量需求再决定是否精简工具调用。