agent-expenditure
监控多智能体并行调度的Token消耗，识别浪费并优化成本。
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：监控多智能体并行调度的Token消耗，识别浪费并优化成本。 完整的 Skill 内容见：https://321skill.com/skills/agent-expenditure/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
“分析一下刚才那场由5个代理并行处理数据清洗任务的Token使用情况，看看有没有浪费。”，它会生成一份报告，列出每个代理的Token消耗、代理间的文件冲突次数（协调开销），并指出是否有代理做了重复性工作，最后根据Brooks‘s Law给出下次类似任务是否应减少代理数量的建议。
介绍
这个Skill解决了在多智能体并行调度场景下，Token消耗难以追踪、协调开销过高导致成本浪费的问题。在实际开发中，开发者经常需要同时部署多个AI代理来处理复杂任务，但缺乏有效的工具来量化每个代理的贡献与消耗，容易陷入“人海战术”的误区，造成不必要的资源浪费。
使用方式很简单，你只需要在完成一次多智能体并行调度任务后，触发该Skill进行分析。之后就可以通过自然语言指令来获取详细的Token使用报告，包括每个代理的消耗、协调开销占比（如文件读写冲突）、以及是否存在工作重复等浪费信号。
它非常适合需要协调多智能体进行复杂任务（如大规模代码审查、数据并行处理、多角度竞品分析）的团队或个人。尤其是那些已经采用并行调度策略但担心成本失控，或者希望评估增加代理数量是否真的能提升效率的开发者。
建议在每次完成涉及4个及以上代理的并行任务后，统一使用此工具进行复盘。需要注意的是，它主要进行事后分析，不适用于单代理工作流或实时的Token预算控制，后者应使用专门的Token预算管理工具。
常见问题
这个Skill能减少Token消耗吗？
不能直接减少，但能通过分析报告帮助你识别浪费，从而优化后续的代理调度策略，间接降低成本。
单智能体任务需要用这个吗？
不建议。该Skill的核心价值在于分析多智能体间的协调开销，单智能体场景几乎没有此类开销，使用意义不大。
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/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/raw/index.md（查看排版版本）