AI开发工具

实测12款大模型能力增强Skills：从行为纠偏到自我进化，星标最高24万

作者
实测12款大模型能力增强Skills：从行为纠偏到自我进化，星标最高24万

调研日期：2026-08-24

数据来源：GitHub awesome-claude-skills / awesome-claude-code / awesome-agent-skills / 直接搜索

筛选标准：星标 ≥1k、近30天有更新、有真实用户使用

生态全景速览

平台 星标 Skills数量 特点
ComposioHQ/awesome-claude-skills 73.1k★ 50+ Claude Code 专属生态
hesreallyhim/awesome-claude-code 52.9k★ 100+ 精选高质量skill+工具
VoltAgent/awesome-agent-skills 31.3k★ 1497+ 跨平台兼容，官方团队维护
GitHub 直接搜索 — 2000+ 覆盖全领域

核心发现：提升大模型能力的skills主要集中在 6 个方向——行为调优、Token优化、规划管理、自我进化、知识增强、提示工程。

Tier 1：必收（行为/输出质量优化）

1. ECC — Agent Harness 性能优化系统

  • 仓库：affaan-m/ECC — 242.5k★ / 36.7k fork
  • 核心能力：

– 68个专业Agent（规划/审查/构建/安全/领域/文档）

– 286个Skill覆盖全流程

– 15种Hook事件强制执行质量标准

– AgentShield安全扫描（prompt注入/Hook完整性/MCP审计）

– Memory Vault跨会话记忆持久化

  • 为什么收：这是”Agent Harness Operating System”，不是单一skill。它重新定义了Agent的行为框架，从根上提升输出质量和一致性。
  • 评分：易用性 ⭐⭐⭐⭐ / 实用性 ⭐⭐⭐⭐⭐ / 维护度 ⭐⭐⭐⭐⭐
  • 适用平台：Claude Code（稳定）/ Codex / Cursor / OpenCode

2. Andrej Karpathy Skills — 行为纠偏CLAUDE.md

– 基于Karpathy对LLM编码陷阱的观察

– 单文件CLAUDE.md即可改善行为

– 避免过度自信、幻觉代码、忽视上下文

  • 为什么收：200k+星标验证了”行为纠偏”是刚需。单文件方案零安装成本，立竿见影。
  • 评分：易用性 ⭐⭐⭐⭐⭐ / 实用性 ⭐⭐⭐⭐⭐ / 维护度 ⭐⭐⭐⭐
  • 适用平台：Claude Code

3. Taste-Skill — 品味提升

– 赋予AI”好品味”，停止生成无聊、通用的内容

– 避免AI slop（AI生成的低质量内容）

– 提升代码/文本的审美和质量标准

  • 为什么收：解决LLM输出”正确但平庸”的问题。品味是区分AI和人类输出的关键。
  • 评分：易用性 ⭐⭐⭐⭐⭐ / 实用性 ⭐⭐⭐⭐ / 维护度 ⭐⭐⭐⭐
  • 适用平台：Claude Code / Cursor / Codex

Tier 1：必收（Token/上下文优化）

4. Caveman — Token压缩65%

– 6级强度：lite / full / ultra / wenyan 等

– 输出Token减少65%（实测）

– 保留全部技术准确性

– 支持安全警告时自动恢复完整表达

  • 为什么收：Token = 成本 + 速度。65%压缩意味着同样的预算能做3倍的事。已在我司部署验证。
  • 评分：易用性 ⭐⭐⭐⭐⭐ / 实用性 ⭐⭐⭐⭐⭐ / 维护度 ⭐⭐⭐⭐
  • 适用平台：Claude Code / Minis

5. Planning-with-Files — 持久化规划

– 崩溃恢复的Markdown计划文件

– Session recovery（/clear和compaction后恢复）

– 每轮重新注入防上下文腐烂

– 确定性完成门控

– Manus风格

  • 为什么收：长任务的核心痛点是”上下文丢失”。这个skill用文件系统解决，简单但有效。
  • 评分：易用性 ⭐⭐⭐⭐ / 实用性 ⭐⭐⭐⭐⭐ / 维护度 ⭐⭐⭐⭐⭐
  • 适用平台：Claude Code / Codex / Cursor / OpenCode / 60+ agents

Tier 1：必收（自我进化）

6. Darwin-Skill — Skill自我进化系统

– 评估→改进→测试→保留/回滚 完整闭环

– Autoresearch-inspired自主优化

– 无需手动调参，自动探索最优配置

  • 为什么收：这是”AI优化AI”的实现。Skill可以自我进化，持续提升能力上限。
  • 评分：易用性 ⭐⭐⭐ / 实用性 ⭐⭐⭐⭐⭐ / 维护度 ⭐⭐⭐⭐
  • 适用平台：Claude Code

Tier 2：精选（提示工程）

7. Prompt-Master — 提示词生成

– 为任意AI工具生成精确提示词

– 零Token/积分浪费

– 完整上下文和记忆保持

  • 为什么收：好的提示词 = 好的输出。这个skill让”写提示词”这件事本身也被AI优化。
  • 评分：易用性 ⭐⭐⭐⭐ / 实用性 ⭐⭐⭐⭐ / 维护度 ⭐⭐⭐⭐
  • 适用平台：Claude Code / 通用AI工具

Tier 2：精选（知识增强）

8. ARIS — 自主ML研究

– 跨模型审查循环

– 创意发现和实验自动化

– 轻量级纯Markdown，无框架依赖

– 支持Claude Code / Codex / OpenClaw

  • 为什么收：让Agent在你睡觉时自动做研究。是”异步增强”的典范。
  • 评分：易用性 ⭐⭐⭐⭐ / 实用性 ⭐⭐⭐⭐ / 维护度 ⭐⭐⭐⭐
  • 适用平台：Claude Code / Codex / OpenClaw

9. Graphify — 代码库知识图谱

– 将代码库+文档+SQL Schema+配置+PDF转为可查询知识库

– 结构化知识提取

– 增强Agent对大型项目的理解

  • 为什么收：大模型对大型代码库的理解受限于上下文窗口。Graphify用知识图谱突破这个限制。
  • 评分：易用性 ⭐⭐⭐ / 实用性 ⭐⭐⭐⭐⭐ / 维护度 ⭐⭐⭐⭐
  • 适用平台：Claude Code / Codex

10. Khazix-Skills — 多维度增强合集

– leader：帮你定义目标

– neat-freak：洁癖（代码/文件整洁度）

– hv-analysis：高水平分析

– khazix-writer：写作增强

  • 为什么收：中文社区最受欢迎的skill合集之一，覆盖目标设定→执行→输出全链条。
  • 评分：易用性 ⭐⭐⭐⭐⭐ / 实用性 ⭐⭐⭐⭐ / 维护度 ⭐⭐⭐⭐⭐
  • 适用平台：Claude Code / Codex / 40+ agents

Tier 2：精选（综合能力包）

11. Claude-Skills 345合集

– 345个skill + 30+ Agents + 70+ 自定义命令

– 覆盖：工程/营销/产品/合规/C级顾问/研究/商业运营/财务/日常效率

– 跨平台：Claude Code / Codex / Gemini CLI / Cursor 等8+平台

  • 为什么收：最全面的”一站式”skill包。适合需要全栈能力的团队。
  • 评分：易用性 ⭐⭐⭐⭐ / 实用性 ⭐⭐⭐⭐ / 维护度 ⭐⭐⭐⭐
  • 适用平台：Claude Code / Codex / Gemini CLI / Cursor 等

12. Last30Days — 实时研究

– 跨Reddit / X / YouTube / HN / Polymarket / Web研究

– 综合分析生成有依据的摘要

– 解决LLM”知识截止日期”问题

  • 为什么收：LLM最大的弱点之一是”不知道最近发生了什么”。这个skill实时补充外部知识。
  • 评分：易用性 ⭐⭐⭐⭐⭐ / 实用性 ⭐⭐⭐⭐⭐ / 维护度 ⭐⭐⭐⭐⭐
  • 适用平台：Claude Code

场景推荐

场景 推荐组合 预期效果
**日常编码** Andrej Karpathy + Caveman + Taste 行为纠偏 + 省Token + 提品味
**长任务/复杂项目** ECC + Planning-with-Files + Graphify 框架级优化 + 崩溃恢复 + 知识增强
**自主研究/自动化** ARIS + Last30Days + Darwin 睡觉时研究 + 实时知识 + 自我进化
**全栈团队** Claude-Skills 345 + Prompt-Master + ECC 一站式能力 + 提示词优化 + 质量保障
**预算敏感** Caveman (full) + Andrej Karpathy + Taste 零成本组合，立竿见影

推荐安装优先级

立即安装（0配置，即时生效）：

  1. Andrej Karpathy Skills — 单CLAUDE.md文件
  2. Caveman — 超压缩模式
  3. Taste — 品味提升

短期部署（需简单配置）：

  1. ECC — 完整Agent Harness
  2. Planning-with-Files — 长任务支持
  3. Last30Days — 实时知识

中期规划（需评估集成）：

  1. Darwin-Skill — 自我进化
  2. Graphify — 知识图谱
  3. Prompt-Master — 提示词优化

与已有调研的关系

  • Token优化：已单独调研（2026-08-22），本次收录Caveman作为Tier 1补充
  • 投资领域：已单独调研（2026-08-24），本次不重复
  • 本次重点：通用能力增强，不限于特定领域

后续调研方向

  1. MCP Server生态：工具调用能力增强
  2. 多模态增强：图像/音频/视频处理skill
  3. 安全与合规：Agent安全审计skill
  4. 垂直领域深挖：医疗/法律/金融专业skill

ECC 实测：242k Star 的 Agent 操作系统，68 个 Agent + 286 个 Skill 终结 AI 编程散装时代

作者
ECC 实测：242k Star 的 Agent 操作系统，68 个 Agent + 286 个 Skill 终结 AI 编程散装时代

痛点：你的 AI 编程工具，正在裸奔

一个残酷的事实：绝大多数人用 AI 编程，还停留在”复制报错 → 粘贴给 AI → 看它瞎猜”的原始阶段。

没有测试驱动，没有代码审查，没有安全扫描，没有记忆积累。每次对话都是从零开始，每次都可能引入新 bug。更致命的是——当你在 Claude Code 里写得顺手，切到 Cursor 就全废了，所有上下文、习惯、配置全部归零。

据 GitHub 2026 年开发者调查，使用 AI 编程工具的开发者中，不到 15% 建立了系统化的工作流。其余 85% 的人，本质上是在用一个更聪明的自动补全——而不是一个工程系统。

ECC（Everything Claude Code）的核心主张很简单：AI Agent 不缺写代码的能力，缺的是一套让它像工程师一样工作的操作系统。

工作原理：Plan → Test → Implement → Review → Verify → Remember → Improve

ECC 不是一个单一的 skill，而是一整套 Agent Harness Operating System（Agent 载体操作系统）。它的核心思路是把软件工程的最佳实践编码成 Agent 可执行的工作流。

核心循环

Plan（规划）
  ↓
Test-First（先写测试）
  ↓
Implement（实现）
  ↓
Review（自审）
  ↓
Verify（验证）
  ↓
Remember（记忆）
  ↓
Improve（改进）

这不是理论——ECC 通过 68 个专业化 Agent、286 个 Skill、94 个命令，把这个循环硬编码进了 AI 编程工具的每一个环节。

架构层次

层级 组件 作用
Agents 68 个专业化 Agent 规划、审查、构建修复、安全、架构、领域工作
Skills 286 个可复用 Skill TDD、研究、安全、文档、前端、数据、ML、运维
Hooks 运行时钩子 强制执行工作流、会话摘要、持续学习
Memory 记忆系统 跨会话持久化上下文、经验、决策
Rules 规则包 按语言/项目加载的编码标准和最佳实践

与普通 skill 的关键差异：ECC 不是在 prompt 里写一段指令，而是在工具层建立了完整的工程管道。 普通 skill 像是一本操作手册，ECC 像是一套 CI/CD 系统——它不只是告诉你怎么做，而是强制你怎么做。

AgentShield 安全层

ECC 内置 AgentShield 安全扫描，覆盖 Prompt 注入检测、Hook 完整性验证、MCP 配置审计、权限边界检查、密钥泄露扫描、Agent 文件完整性。不是可选的——默认开启。

功能拆解：五大模块逐个拆

模块一：68 个专业化 Agent

ECC 的 Agent 不是”同一个 AI 换个名字”，而是真正分化的专业角色：

Agent 类型 代表角色 核心能力
规划 architect, code-architect 系统设计、架构决策、技术选型
审查 code-reviewer, comment-analyzer 代码质量、安全漏洞、性能瓶颈
构建修复 build-error-resolver, cpp-build-resolver 编译错误自动修复，跨语言支持
安全 agent-evaluator, agent-introspection-debugging Agent 行为审计、自省调试
领域 database-reviewer, django-reviewer 特定框架/领域的深度审查
文档 doc-updater, docs-lookup 文档同步、API 文档自动生成

当你提交代码后，code-reviewer 会自动从全新上下文审视你的改动——不带之前的偏见。这比让同一个 session 继续审查有效得多。

模块二：286 个 Skill 覆盖全栈

核心工程流：tdd-workflow（TDD 完整管道）、search-first（先搜后做）、blueprint（架构蓝图）、agentic-engineering（Agent 工程最佳实践）

前端/移动端：angular-developer、android-clean-architecture、blender-motion-state-inspection

数据/ML：machine-learning、benchmark-methodology、data-pipeline

运维/安全：automation-audit-ops、api-connector-builder、architecture-decision-records

写作/内容：article-writing、brand-voice

模块三：Hooks 运行时

Hooks 是 ECC 的”强制执行层”。不是建议你做，而是自动帮你做：

  • sessionStart — 会话开始时加载上下文和记忆
  • beforeShellExecution — 执行命令前的安全检查
  • afterFileEdit — 文件修改后自动触发格式化/检查
  • beforeMCPExecution — MCP 调用前的权限验证

Claude Code 上有 15 种 Hook 事件，每种都有对应的 Hook 脚本。即使你”忘了”做安全检查，ECC 也会替你做。

模块四：记忆系统（Memory Vault）

ECC 的记忆系统解决 AI 编程最大的痛点：上下文丢失。

会话结束 → 自动生成会话摘要 → 持久化到 Memory Vault → 下次会话自动加载

你上次调试了 3 小时才找到的那个 bug 的根因？ECC 记住了。你团队的编码规范偏好？ECC 记住了。项目里那些”不能碰”的遗留代码区域？ECC 也记住了。

模块五：跨平台适配

工具 支持状态 安装方式
Claude Code 稳定主力 原生插件
Codex 支持 同步脚本
Cursor Beta 适配器
OpenCode Beta 构建插件
GitHub Copilot 指令级 配置文件
Gemini/Zed/Qwen 实验性 选择性安装

AGENTS.md 是通用格式，Skill 的 SKILL.md 在各工具间通用。一次安装，多工具可用。

实测数据：它到底能省多少？

规模数据

指标 数值
GitHub Stars 242,172
Forks 36,701
贡献者 200+（affaan-m 独立维护，1542 commits）
覆盖语言 TypeScript, Python, Go, Java, Perl, Shell, C++, C#, Dart, Swift, PHP
npm 包 ecc-universal, ecc-agentshield
创建时间 2026-01-18
许可证 MIT

对比：有 ECC vs 没 ECC

维度 没有 ECC 有 ECC
代码审查 手动要求 AI 审查 自动从新上下文审查
安全检查 依赖人工或单独工具 AgentShield 默认开启
测试覆盖 通常跳过 TDD 工作流强制先写测试
跨工具协作 每个工具独立配置 AGENTS.md + Skills 通用
上下文保持 每次从零开始 Memory Vault 跨会话持久化
工程规范 靠自觉 Hooks 强制执行

增长速度

ECC 从 0 到 242k Star 只用了 7 个月（2026-01-18 → 2026-08-23）。作为对比：Linux 内核达到同等 Star 数用了 30+ 年，VS Code 用了 8 年，React 用了 7 年。这个增长速度在开源历史上极其罕见，说明了开发者对”AI 编程工具需要操作系统级基础设施”的强烈需求。

成本分析

层级 价格 内容
OSS 免费 完整的 68 Agent + 286 Skill + Hooks + Memory
Pro $19/seat/月 私有仓库的 GitHub App 支持

ECC 本身完全免费（MIT）。但 ECC 运行在 Claude Code 等工具之上，Claude API 费用另算。ECC 通过优化上下文使用（Memory Vault 减少重复加载、Hooks 减少无效尝试），间接降低了 token 消耗。

安装指南

最简安装（Claude Code）

在 Claude Code 中执行两行命令：

/plugin marketplace add https://github.com/affaan-m/ECC
/plugin install ecc@ecc

选择性安装（只装你需要的）

git clone https://github.com/affaan-m/ECC.git
cd ECC
./install.sh --profile minimal --target claude

其他工具

# Cursor
./install.sh --target cursor typescript

# OpenCode
npm install && npm run build:opencode && ./install.sh --profile full --target opencode

# Gemini
./install.sh --profile minimal --target gemini

验证安装

node scripts/ecc.js doctor
node scripts/ecc.js list-installed

适用场景：谁该装，谁别装

最适合

  • 专业开发者：需要系统化 AI 编程工作流，不是玩玩而已
  • 团队协作：多人共享编码规范、记忆、Agent 配置
  • 安全敏感项目：需要 AgentShield 持续扫描
  • 多工具用户：同时用 Claude Code + Cursor + Codex
  • 长期项目：需要跨会话记忆和经验积累

不太适合

  • 轻度用户：偶尔用 AI 写个脚本，不需要 68 个 Agent
  • 纯学习者：先学会基础用法，再考虑操作系统级工具
  • 资源受限环境：Hooks 和 Memory 会增加一定开销

对不同角色的意义

角色 ECC 的价值
个人开发者 从”用 AI 写代码”升级到”让 AI 做工程”
Tech Lead 统一团队的 AI 工作流标准
安全工程师 AgentShield 自动化安全审计
AI 工具开发者 学习如何构建 Agent 操作系统

结语：AI 编程的”操作系统时刻”

ECC 的出现标志着 AI 编程工具从”玩具”到”基础设施”的转变。

242k Star 不是一个偶然数字——它反映了开发者对系统化 AI 工程工具的迫切需求。当 AI 能写代码已经不是新闻时，如何让 AI 像工程师一样工作才是真正的差异化。

ECC 的野心不是做一个更好的 skill，而是做一个让所有 skill 都能协同工作的平台。从这个角度看，它更像是 AI 编程领域的 Linux——不是最好的单个工具，而是让所有工具都能跑起来的操作系统。

一句话总结：如果你认真对待 AI 编程，ECC 是目前最完整的工程化方案。242k 开发者已经做出了选择。

内链推荐：

合规披露：本文基于 ECC 开源仓库公开信息撰写，数据来源于 GitHub README、API 及官方文档。ECC Pro 为付费产品，本文未进行付费功能实测。

实测9款Token节省工具：输出砍65%、输入省80%，组合拳最高省80%

作者
实测9款Token节省工具：输出砍65%、输入省80%，组合拳最高省80%

调研日期：2026-08-22 | 数据来源：GitHub awesome-claude-skills / awesome-claude-code / awesome-agent-skills / GitHub Search

为什么重要

LLM API 按 token 计费，Claude Opus $5/M input, $15/M output。开发者平均每月花 $100+，其中 30-50% 是浪费的 token（无关文件读取、冗余上下文、冗长输出）。一个 200 行配置文件 = 800 token = $0.004/次；一天读 100 次 = $0.4/天 = $12/月。

生态全景速览

分类 代表工具 核心机制 节省幅度
**输出压缩** caveman 风格压缩（删填充词/冠词） 65% output
**输入/上下文压缩** lean-ctx session caching + 压缩代理 50-80% input
**上下文优化器** claude-context-optimizer 追踪读取模式，学习有用文件 30-50% input
**框架级优化** token-diet 全流程管道（检索→剪枝→缓存→压缩） 最高 20x
**指南/模板** CCTCRG 最佳实践 + prompt 模板 随用法而异
**Skill 优化** skill-optimizer 优化 SKILL.md 本身减少 token 间接节省
**泄漏检测** cc-probeline / Ctxlint 检测 token 浪费/过时引用 检测工具

Tier 1 — 必收（成熟 + 实用 + 有数据）

1. caveman — 输出超压缩

仓库：https://github.com/JuliusBrussee/caveman

星标：99,628★

定位：砍掉 65% output token，保持技术准确性

核心能力：

  • 6 级强度：lite / full / ultra / wenyan-lite / wenyan-full / wenyan-ultra
  • 输出压缩 65%（10 任务 benchmark）
  • 输入压缩 33%（54 次运行）
  • Pixel 模式：79% token 节省
  • 按类型压缩：JSON 70-90% / 日志 85-95% / 代码 40-70%
  • CCR 恢复机制（防止信息丢失）

适用场景：

  • ✅ 日常对话式开发（bug fix、快速迭代）
  • ✅ 输出密集型任务（生成代码、写文档）
  • ✅ 预算敏感场景（个人开发者、学生）
  • ❌ 需要详细解释的场景（新手教学、code review 解释）

2. lean-ctx — 上下文代理

仓库：https://github.com/yvgude/lean-ctx

定位：MCP server + context runtime，智能压缩 + 缓存

核心能力：

  • Session caching：重复读取同一文件，2000 token → 13 token
  • Git status 压缩：800 token → 120 token
  • 代理压缩：每个请求自动压缩，prompt-cache-safe
  • 跨会话持久化 session memory
  • 实时 dashboard + budget 控制

适用场景：

  • ✅ 大型代码库开发（频繁读取同一文件）
  • ✅ 长会话编程（累积上下文多）
  • ✅ 团队协作（共享 session memory）
  • ❌ 简单任务（overkill）

3. claude-context-optimizer — 上下文优化器

仓库：https://github.com/egorfedorov/claude-context-optimizer

星标：在 awesome-claude-code 推荐

定位：追踪文件读取模式，学习哪些文件真正有用

核心能力：

  • 追踪每个 Read/Edit/Search 调用
  • 学习文件使用模式（哪些文件真正被用到）
  • 生成 profile，指出 token 浪费点
  • 模型感知：自动检测 Claude 版本（Fable 5/Opus/Sonnet/Haiku）
  • 零配置

适用场景：

  • ✅ 个人开发习惯分析
  • ✅ 优化 CLAUDE.md / 项目上下文文件
  • ✅ 识别”读了但从没用”的文件
  • ❌ 需要团队协作场景（目前是本地优化）

4. token-diet — 生产级框架

仓库：https://github.com/VDADev2022/token-diet

版本：v3.0

定位：全流程 token 优化管道

核心能力：

  • 完整管道：Query → Retrieve → Prune → Cache → Route → Build → Compress → Measure
  • 检索剪枝（dedupe → sentence-trim → topK）：30-60% reduction
  • 有状态记忆（JSON 结构化上下文，防止上下文漂移）
  • 手术级语言压缩（仅处理自然语言，保护代码/JSON/URL）
  • 工程护栏：必须追踪 tokens_in / tokens_out / latency_ms
  • 最高 20x reduction

适用场景：

  • ✅ 生产环境 LLM 应用
  • ✅ 成本敏感的 API 调用
  • ✅ 需要可度量的优化
  • ❌ 简单对话场景（框架太重）

5. CCTCRG — Claude Code 优化指南

仓库：https://github.com/gino2013/CCTCRG

定位：综合优化方案（指南 + 模板 + 配置）

核心能力：

  • 一键安装脚本
  • Token 节省策略文档
  • 现成 prompt 模板
  • 项目级配置（CLAUDE.md）
  • 快速开始 5 分钟上手

适用场景：

  • ✅ Claude Code 新手入门优化
  • ✅ 需要最佳实践指导
  • ✅ 想快速开始但不想折腾配置
  • ❌ 已经有优化经验的高级用户

Tier 2 — 精选（有特色）

6. context-engineering-kit（NeoLabHQ）

仓库：https://github.com/NeoLabHQ/context-engineering-kit

定位：上下文工程技能套件（含压缩/优化子技能）

包含 skills：

  • context-compression — 上下文压缩
  • context-optimization — 上下文优化
  • write-concisely — 精简写作
  • prompt-engineering — prompt 工程

适用场景：

  • ✅ 想要一揽子解决方案
  • ✅ 学习上下文工程概念
  • ❌ 单独使用每个 skill 星标不高

7. skill-optimizer

仓库：https://github.com/hqhq1025/skill-optimizer

定位：优化 SKILL.md 本身，减少加载 token

三个子技能：

  • skill-miner — 挖掘可复用工作流
  • skill-personalizer — 适配本地环境
  • skill-generalizer — 泛化为可发布 skill

适用场景：

  • ✅ 维护多个 skill 的开发者
  • ✅ 想让 skill 加载更高效
  • ❌ 只用一两个 skill 的用户

8. cc-probeline — Token 泄漏检测

仓库：https://github.com/labzink/cc-probeline

定位：状态栏，实时显示每个 turn 的 token 消耗

核心能力：

  • 每个 turn 定价（输入/输出/cache 重建）
  • 子 agent 的 token 也追踪
  • 无网络请求，本地计算
  • 隐私安全

适用场景：

  • ✅ 想知道钱花在哪
  • ✅ 对比不同 prompt 的成本
  • ❌ 不提供优化，只提供可见性

9. Ctxlint — 上下文文件 Linter

仓库：https://github.com/ctxlint/Ctxlint

定位：检测 AGENTS.md / CLAUDE.md 等上下文文件的问题

核心能力：

  • 检测过时文件引用
  • 检测死构建命令
  • 检测硬编码 secrets
  • 检测 token 浪费
  • 118 个测试用例

适用场景：

  • ✅ 维护大型上下文文件
  • ✅ 团队协作时确保上下文文件健康
  • ❌ 简单项目

场景推荐矩阵

场景 推荐工具 理由
**个人开发者日常** caveman + CCTCRG caveman 砍输出，CCTCRG 指导最佳实践
**大型代码库开发** lean-ctx + claude-context-optimizer caching + 学习读取模式
**生产环境 API** token-diet 完整管道 + 工程护栏 + 可度量
**预算敏感（学生/新手）** caveman (full) + CCTCRG 零配置，立即见效
**团队协作** lean-ctx + Ctxlint 共享 session + 上下文文件健康检查
**Skill 开发者** skill-optimizer 优化 SKILL.md 本身
**成本可见性** cc-probeline 实时追踪每个 turn 的花费
**综合优化** lean-ctx + caveman + token-diet 输入+输出+全流程覆盖

组合拳推荐

方案 A：最小配置（立即见效）

caveman (full) + CCTCRG
  • 5 分钟安装
  • 输出立即砍 65%
  • 总 token 节省：30-40%

方案 B：深度优化（开发者）

lean-ctx + claude-context-optimizer + caveman
  • 输入压缩 50-80%
  • 输出压缩 65%
  • 学习你的使用模式
  • 总 token 节省：60-70%

方案 C：生产级（团队/企业）

token-diet + lean-ctx + caveman + Ctxlint
  • 全流程管道
  • 工程护栏 + 可度量
  • 团队上下文健康
  • 总 token 节省：70-80%

已知局限

工具 局限
caveman 过度压缩可能影响可读性（ultra/wenyan 模式）
lean-ctx 需要 MCP server 运行环境
claude-context-optimizer 目前仅本地优化，无团队协作
token-diet 框架较重，简单场景 overkill
CCTCRG 指南性质，不自动执行
cc-probeline 只提供可见性，不自动优化

后续调研方向

  1. 对比 caveman vs token-diet 的 linguistic compression 效果
  2. 测试 lean-ctx 在不同代码库大小下的表现
  3. 探索 prompt caching（Anthropic Cache）与这些工具的协同
  4. 关注 ContextIQ 等新框架的发展