技能介绍

解决什么问题

基于 LLM 的编码助手每轮对话都在烧 Token：BPE 分词下中文一个字约 1 个 Token（同样的意思比英文贵 2～3 倍）；每轮请求都要把完整历史重新打包发给模型，轮数越多输入越大；输出 Token 单价通常是输入的 3～5 倍，但总成本往往还是被长长的输入上下文主导；聊到窗口上限就报错或截断。普通用户既不愿记命令，也不知道从哪下手——这个技能把省钱变成 AI 主动代劳的固定清单。

技能如何工作

核心是一份按优先级排序的优化清单，默认模式下 AI 直接执行，用户零操作：

先压缩：话题漂移或混聊累积约 10～15 轮时优先用 /compact，保留状态、比开新对话便宜。
写文件而非聊天：长报告、长代码默认写入 .docx/.py/.md，聊天里只留结论。
一次说清需求，批量合并相似任务，避免多轮返工重复发送历史。
精简输出：主动限长、去掉寒暄，直接砍掉最贵的输出 Token。
模型默认：无特殊需求时优先 GLM 系列；少滥用专家模式与执行类技能，它们有固定初始化溢价。

分三个 tier：默认模式只改包装，答案正确性偏差≈0；geek 触发的进阶模式放宽 COMPACT_PCT 等阈值、可降级模型，仅作用于当前会话且有边界偏差；special 触发的特殊模式（如翻译后发送）只作用于单条消息，处理完必须广播复位。触发词整词匹配、只认用户自己输入的指令句，切换前必须回显确认，绝不静默生效。

适用边界

原理层（分词、历史重发、窗口上限）适用于所有 LLM 助手，但 /compact、CODEBUDDY_* 环境变量、Credits 计费口径只属于 WorkBuddy/CodeBuddy，换平台须查各自文档，不能照搬。社区流传的「模型加权 ×1.3～1.8」等数字未经官方确认，仅作量级参考。偏差风险与 tier 是否触碰内容本身直接相关：只改包装无风险，动精度有边界风险，改内容（翻译）风险最大且最不实用。