agent-expenditure
跟踪多智能体Token消耗，识别并行调度浪费
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：agent-expenditure。 它的用途是：跟踪多智能体Token消耗，识别并行调度浪费 完整的 Skill 内容见：https://321skill.com/skills/agent-expenditure-x-10/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
'分析上次并行调度的Token消耗，检查是否有浪费'，它会输出每个代理的Token使用统计，并基于Brooks法则给出优化建议，比如减少代理数量或调整任务分配。例如，当代理数量为6-8时，它会提示协调开销达20-30%，建议监控并考虑减少代理。
介绍
这个Skill解决了并行调度多个AI代理时Token消耗失控和协调开销过大的问题。在实际开发中，开发者经常同时派发多个代理执行任务，但缺乏对每个代理Token使用情况的细粒度追踪，导致费用飙升且产出重复。该Skill通过事后分析，量化每个代理的Token支出，并基于Brooks法则标记浪费行为，帮助团队优化代理数量。
使用方式很简单，你只需要在并行代理运行完成后，通过自然语言指令触发该Skill进行后分析。它会自动检查每个代理的产出是否独特、Token支出是否与价值成正比，并生成一份包含协调开销百分比和代理数量建议的报告。之后可以根据报告中的“Post-Dispatch Review Checklist”逐项评估，决定是否减少未来调度中的代理数量。
它非常适合需要管理多个AI代理的团队或个人，尤其是那些已经遇到Token费用飙升、代理重复工作或协调效率低下的场景。项目经理可以通过它量化调度效率，智能体开发者可以据此调整并行策略，运维工程师也能用它监控资源消耗。对于单代理工作流或实时Token预算控制场景，则不需要使用此Skill。
建议在每次大规模并行调度后统一运行此Skill进行复盘，并结合“plan-before-large-dispatch”规则预先规划代理数量。需要注意的是，它主要用于事后分析，不支持实时拦截或预算控制，且依赖Claude Code插件环境。另外，代理数量超过9个时协调开销可能超过30%，此时应优先考虑减少代理而非继续增加。
核心特点
与通用的Token监控工具（如token-conservation）不同，它专门针对并行调度场景，结合Brooks法则量化协调开销（如共享文件冲突占比），并给出具体的代理数量建议（1-3个自由调度，9+个可能适得其反），而不仅仅是统计Token总量。
注意事项
需要依赖Claude Code插件环境，仅支持事后分析，不支持实时Token预算控制或单代理场景。
常见问题
这个Skill能实时控制Token消耗吗？
不能，它只用于并行调度完成后的复盘分析，实时预算控制请使用token-conservation技能。
单代理工作流可以用吗？
不需要，单代理没有协调开销，该Skill专为多代理并行调度设计。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/agent-expenditure-x-10/raw/index.md 读取 agent-expenditure 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/agent-expenditure-x-10/raw/index.md（查看排版版本）