用途：审计并消除认知架构记忆文件中的 token 浪费，覆盖指令、提示、技能与智能体。核心观点是记忆文件是 LLM 上下文而非人类文档，每一行都消耗 token，应按模型消费而非人类可读性优化。
主要能力：给出加载分层（always-on、match-loaded、agent-loaded、on-demand）及各自成本；提出“指令薄、技能厚”原则，指令放决策表与路由，技能放流程、示例与参考；用 applyTo 控制领域指令成本；给出文件体积阈值（有匹配技能时指令 50 行、无匹配技能 200 行、技能正文 400 行、提示 60 行）；列出浪费模式与修复方式，如删除 Mermaid 初始化行、删除遗留 Related Skills 段、删除与 frontmatter 重复的分类/激活/优先级行、把超 20 行代码块移到 .github/muscles/ 或 scripts/、把超 15 行模板移到资源文件、用“见目录”替换硬编码数量、更新或删除过期日期版本、把人类教程式文字压缩为规则语句。
使用方式：先运行 node .github/muscles/audit-token-waste.cjs 做基线扫描；查找有匹配技能且超 50 行的指令并裁剪为规则加路由指针；修复所有命中的浪费模式（muscle --fix 可自动处理安全模式）；为缺失的领域指令补充 applyTo glob；汇总 always-on 成本并尽量最小化；检查提示只保留工作流步骤（20-40 行）；重跑脚本对比前后节省。另附浪费分诊决策表，区分真浪费与教学/参考/归档内容，原则是内容若有助于 LLM 做更好决策则保留，仅供人阅读则移除或迁移。
适用场景：技能收割后、发布前、响应质量下降时、季度维护时运行。
限制：资料未提供该技能的具体安装命令、收费与平台信息；审计脚本示例为 Node.js 代码，需按实际目录结构使用。