用途：帮助用户降低本仓库中 GitHub Agentic Workflows 的 AI token 用量与成本，针对超出护栏（guardrail）的工作流进行诊断与优化，并给出可执行的改进方案。
主要能力与用法： 先加载 github/gh-aw 中的参考文件，如 .github/aw/github-agentic-workflows.md、.github/aw/token-optimization.md、.github/aw/workflow-editing.md、.github/aw/syntax.md；仅在相关时加载 experiments.md、safe-outputs.md。 可用命令：gh aw audit <run-id> --json、gh aw audit <base-run-id> <optimized-run-id>、gh aw logs <workflow-name> --json、gh aw compile <workflow-name>、gh aw status。
入口与诊断：用户可提供运行 URL/ID、工作流名称，或超出的护栏类型。若给出运行 URL，先提取 run ID 并执行 gh aw audit <run-id> --json，查看 agent_usage.aic、input_tokens、output_tokens、cache_read_tokens，定位最昂贵阶段。
按护栏类型检查：max-ai-credits 关注主导 token 的工具调用、前端大负载、可交子代理的重复抽取、高配模型是否被滥用；max-daily-ai-credits 关注调度频率、廉价分诊、批处理/缓存、无操作早退；max-tool-denials 关注被拒工具、权限配置、改写提示或 DataOps 前置步骤；超时/max-turns 关注任务拆分、长工具调用替换、单次任务过重。
分析计划：测量用量、诊断 harness（上下文组装、工具交互、生成控制、编排、记忆管理、输出处理）、列出最贵的三个阶段或调用、先做快速优化（DataOps 前置步骤、gh-proxy、cli-proxy、提示精简）、子代理委派、在 cache-memory 复用执行经验、提示缓存（稳定指令与经验先于动态内容）、先保证实验正确性（experiments 条目，先比质量，用 metric: "aic" 在质量等价变体中择优）、校验质量（安全输出一致）。
编辑与限制：改动对象为 .github/workflows/<workflow-name>.md，重新编译 gh aw compile <workflow-name>，同时提交源文件与生成的 .lock.yml，并报告预计节省。任何修改前须先清楚呈现计划并征得用户确认。资料未提供具体价格、平台范围或性能承诺，暂未提供。