用途：该技能用于统计提示词 token 数量、跨不同 LLM 提供商估算成本，并在不牺牲质量的前提下优化提示词以减少 token 使用，适合大规模管理 LLM API 预算的团队。
主要能力：通过 token_counter.py 统计 token 并估算各模型成本，支持 --file、--text、--stdin、--models；通过 prompt_optimizer.py 分析提示词中的 token 削减机会，支持 --file、--target-reduction、--format；通过 cache_savings_calculator.py 计算提示缓存的朴素成本与缓存成本、盈亏平衡复用次数与节省百分比，支持 --requests、--cached-tokens、--cache-write-multiplier、--cache-read-multiplier、--base-input-price、--json。
使用方式：需要先确认三项输入——待统计或优化的提示文本、目标模型、目标是成本估算还是提示优化及目标削减比例，信息不明时应询问而非假设。示例命令：python scripts/token_counter.py --file prompt.txt --models gpt-4o claude-sonnet；echo "Hello world" | python scripts/token_counter.py --stdin --models all；python scripts/prompt_optimizer.py --file system_prompt.txt；python scripts/prompt_optimizer.py --file prompt.txt --target-reduction 30。
适用场景：新项目成本估算、提示词优化冲刺、缓存与批处理经济性评估、按查询复杂度选择模型。
限制：缓存与批处理文档中的费率为用户自行提供，属模型无关；未提供具体定价数值、质量评估工具或其他限制说明。