用途：Token Optimization 用于系统性降低 AI 智能体运行中的令牌消耗，同时保持输出质量。资料称，在生产系统中令牌既是成本单位也是延迟单位，多余令牌会推高 API 账单并拖慢响应。该技能整理了相关生态与生产平台中使用的优化技术。
主要能力：优化覆盖四个维度——模型选择（按任务复杂度匹配模型能力与成本）、提示压缩（删除冗余令牌但保留指令保真度）、后台处理（把昂贵操作转移到异步工作流）、缓存（避免对相同或相似输入重复计算）。资料称同时实现四个维度的生产系统通常可实现 60%–80% 的令牌成本下降。
使用方式：任务先经复杂度分类器路由到相应模型层级，再由提示压缩器去除冗余内容、缩短冗长指令、用结构化格式替代叙述性描述；缓存层拦截重复或近似重复查询；适合后台处理的任务进入异步队列；每个阶段都执行令牌预算，硬性限制单次操作的消耗。资料给出了复杂度分类器、提示压缩引擎和语义缓存的示例实现，以及按操作类型测量令牌用量、合理选择模型、积极压缩系统提示、语义级缓存、设置单操作令牌预算、优先结构化格式、智能截断工具输出、监控每成功任务成本等最佳实践。
适用场景：月度 API 成本超预算、面向用户的智能体延迟过高、复杂任务完成前上下文窗口已满、需要在多个模型层级间智能路由、批处理产生高令牌量、需要在不按比例增加成本的情况下扩展智能体使用。
限制：资料未提供安装命令、具体价格、平台支持范围之外的部署细节或效果保证；示例代码中的模型名称与成本数值仅为示意，实际使用需自行核实。