agent-expenditure
追踪智能体Token消耗，识别并行调度中的浪费
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：追踪智能体Token消耗，识别并行调度中的浪费 完整的 Skill 内容见：https://321skill.com/skills/agent-expenditure-x-3/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
‘启动agent-expenditure监控，分析当前并行处理客服工单的三个智能体的Token使用情况。’ 它会开始追踪每个智能体的交互过程，并生成一份报告，指出哪个环节存在Token重复消耗或闲置浪费。你可以根据报告优化调度策略，比如合并相似请求或调整调用顺序。
介绍
在并行调用多个AI智能体（Agent）进行任务处理时，开发者常常面临Token消耗不透明、成本难以控制的问题。本Skill通过精确追踪每个独立智能体在任务执行过程中的Token使用量，帮助用户清晰了解资源消耗的去向。
使用时，Skill会监控智能体间的交互与调用过程，实时记录和汇总每个Agent的输入与输出Token数量。当检测到并行调度中存在重复计算、无效循环或资源分配不均等情况时，它会主动标记出这些潜在的浪费点。
该Skill主要面向智能体开发者、运维工程师和项目经理，特别是那些需要协调多个AI智能体协同工作、并希望优化AI调用成本与效率的团队。它有助于在复杂的多智能体工作流中建立成本意识。
建议在开发或测试阶段就集成此Skill，以便尽早发现资源消耗模式。注意，它主要用于监控和分析，本身不自动执行优化操作，具体的调整策略仍需开发者根据报告结果来制定。
核心特点
专注于多智能体并行调度场景下的细粒度Token追踪，能识别出因调度策略不当（如重复调用、循环等待）导致的资源浪费，而不仅仅是统计总用量。
注意事项
不适用于单一线程或非AI模型调用的普通任务资源监控。
常见问题
这个Skill能帮我降低AI调用成本吗？
它能通过识别浪费帮你找到成本优化点，但具体的优化措施需要你根据其报告来调整智能体调度逻辑。
支持哪些AI模型或平台的Token计算？
通常支持遵循通用Token计算方式的模型（如OpenAI的GPT系列），具体需查看Skill的适配说明。
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-3/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-3/raw/index.md（查看排版版本）