$ loading_
帮助用户在回答前选择简短、标准或详细版本，控制回复深度与 token 用量。
该技能属于纯提示词型能力，无需密钥、无远程端点、无本地执行或数据读写迹象；结合开源且社区采用度很高，整体风险较低。材料主要描述回答长度控制逻辑，未见具体高风险红旗。
材料明确标注无需密钥或环境变量，功能仅涉及回答深度与 token 预算提示，未见凭证收集、存储或滥用路径。
材料明确无远程端点，且描述为纯提示词/流程拦截逻辑，未见将用户内容发送到第三方服务或未知主机的事实。
未见本机起进程、执行脚本、调用系统命令或扩展系统权限的说明；README 仅描述基于启发式规则估算 token 并让用户选择回答深度。
未声明读写本地文件、数据库、剪贴板或其他资源权限；其处理对象看起来仅限当前对话内容的长度/复杂度估算，不构成过度授权。
来源为 GitHub 开源仓库，且社区采用度极高（约 21 万 star），这些都是明显的降风险因素；虽许可证未声明、维护状态未知，属于可留意点，但基于现有材料不足以上调为更高风险。
复制安装指令，让 AI 自动完成配置 · 推荐新手
请帮我安装 askskill 上的 "token-budget-advisor" 技能： 1. 下载 https://raw.githubusercontent.com/affaan-m/ECC/main/skills/token-budget-advisor/SKILL.md 2. 保存为 ~/.claude/skills/token-budget-advisor/SKILL.md 3. 装好后重载技能，告诉我可以用了
我想控制 token 预算。请先给我三个选项：精简版、标准版、详细版，再等我选择后回答。
先提供不同回答深度及大致成本说明，等待用户选择后再展开回答。
请用尽量少的 token 总结这篇文章，并告诉我如果改成详细版会多讲哪些内容。
输出精简总结，并补充详细版可能增加的要点范围说明。
这个问题请按 100、300、800 token 三档说明你会怎么回答，让我选一个。
给出三档回答策略或大纲，体现不同篇幅下的信息密度差异。
Intercept the response flow to offer the user a choice about response depth before Claude answers.
Do not trigger when: user already set a level this session (maintain it silently), or the answer is trivially one line.
Use the repository's canonical context-budget heuristics to estimate the prompt's token count mentally.
Use the same calibration guidance as context-budget:
words × 1.3chars / 4For mixed content, use the dominant content type and keep the estimate heuristic.
Classify the prompt, then apply the multiplier range to get the full response window:
| Complexity | Multiplier range | Example prompts |
|---|---|---|
| Simple | 3× – 8× | "What is X?", yes/no, single fact |
| Medium | 8× – 20× | "How does X work?" |
| Medium-High | 10× – 25× | Code request with context |
| Complex | 15× – 40× | Multi-part analysis, comparisons, architecture |
| Creative | 10× – 30× | Stories, essays, narrative writing |
Response window = input_tokens × mult_min to input_tokens × mult_max (but don’t exceed your model’s configured output-token limit).
Present this block before answering, using the actual estimated numbers:
Analyzing your prompt...
Input: ~[N] tokens | Type: [type] | Complexity: [level] | Language: [lang]
Choose your depth level:
[1] Essential (25%) -> ~[tokens] Direct answer only, no preamble
[2] Moderate (50%) -> ~[tokens] Answer + context + 1 example
[3] Detailed (75%) -> ~[tokens] Full answer with alternatives
[4] Exhaustive (100%) -> ~[tokens] Everything, no limits
Which level? (1-4 or say "25% depth", "50% depth", "75% depth", "100% depth")
Precision: heuristic estimate ~85-90% accuracy (±15%).
Level token estimates (within the response window):
min + (max - min) × 0.25min + (max - min) × 0.50min + (max - min) × 0.75max| Level | Target length | Include | Omit |
|---|---|---|---|
| 25% Essential | 2-4 sentences max | Direct answer, key conclusion | Context, examples, nuance, alternatives |
| 50% Moderate | 1-3 paragraphs | Answer + necessary context + 1 example | Deep analysis, edge cases, references |
| 75% Detailed | Structured response | Multiple examples, pros/cons, alternatives | Extreme edge cases, exhaustive references |
| 100% Exhaustive | No restriction | Everything — full analysis, all code, all perspectives | Nothing |
If the user already signals a level, respond at that level immediately without asking:
| What they say | Level |
|---|---|
| "1" / "25% depth" / "short version" / "brief answer" / "tldr" | 25% |
…
帮助你编写或审查符合 React 18/19 最佳实践的组件与架构。
帮助开发者使用 Bun 进行运行、打包、测试与依赖管理，并评估替代 Node 的时机。
提供 Django 架构模式、DRF 接口设计与生产级开发最佳实践指导
帮助开发者为代码代理配置性能优化、安全防护与研究优先工作流。
帮助开发者用 pytest-django 与 TDD 构建高质量 Django 测试体系。
帮助团队搭建可复现、可部署、可监控的生产级机器学习工程流程
分析并精简 Markdown 内容，降低 token 消耗并提升 AI 处理效率。
将长期复杂任务拆分为可执行小步骤，减少上下文超限与遗漏
监测 AI 对话中的令牌浪费，及时警告冗长输出、重复历史与噪声日志。
压缩大模型输入输出内容，减少冗词与结构开销以节省令牌成本。
用于创建、编辑与优化AI技能，并评测其效果与触发准确性。
帮助用户为各类 AI 工具编写精准提示词，减少试错并保留完整上下文。