用途：该技能用于在 LLM token 相关方向开展研究工程与科研工作，包括围绕 token、上下文长度或推理成本构建研究问题，设计带基线、消融与统计严谨性的实验，并撰写可复现的研究备忘录。
主要能力：构建以“每成功任务 token 数”、有效上下文、缓存利用率为指标的基准；测量分词器与格式对长度和模型行为的影响；评估压缩、摘要、路由或蒸馏带来的 token 节省；分析长上下文现象（needle、lost-in-middle、注意力预算）；将发现转化为工程与产品可执行的阈值。
核心工作流：研究框架（假设、指标、基线、预算）；测量与埋点（token 核算、日志、公平比较）；实验设计与消融（对照、扫描、功效、停止规则）；上下文、分词与长上下文；压缩与效率方法；可复现性与研究报告。输出包括预注册/实验计划、结果表（均值±置信区间，token 与质量并列）、帕累托图叙述、消融附录、研究备忘录与工件包（配置、种子、评测脚本、哈希数据集）。
原则：token 与质量必须同时报告；分词器与模型需匹配，计数来自部署所用分词器/API；控制混淆变量（温度、系统提示、工具 schema 在各组间固定）；预注册主指标；科研与落地分离，研究只做建议。
适用场景：需要严谨测量与实验设计的 token 效率、上下文与压缩研究。
限制：不适用于高管级 token 削减计划的阶段化落地、上下文打包与压缩代码实现、单条生产提示改写、与 token 无关的通用文献综述、生产 RAG/智能体部署，以及不聚焦 LLM token 的经典机器学习。相关技能包括 ai-researcher、ai-token-improvement-plan-engineer、ai-context-engineer、prompt-engineer、ai-engineer、data-scientist、ai-redteam、applied-ai-architect-commercial-enterprise。具体安装与调用方式暂未提供。