progressive-loading
通过中心辐射式懒加载机制，优化大型技能库的Token消耗。
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：progressive-loading。 它的用途是：通过中心辐射式懒加载机制，优化大型技能库的Token消耗。 完整的 Skill 内容见：https://321skill.com/skills/progressive-loading-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
'我想开发一个包含代码生成、数据分析、文档撰写等多个模块的智能体助手，但担心一次性加载所有功能Token开销太大。'，它会引导你使用此Skill的懒加载架构，将核心助手作为Hub，各功能作为独立Spoke，确保用户调用“写Python代码”时只加载代码模块，调用“生成分析报告”时再加载数据分析模块，从而智能控制Token消耗。
介绍
该Skill旨在解决开发大型AI技能库时，因一次性加载所有功能模块而导致Token消耗过高、响应速度变慢的问题。它通过实现一种中心辐射式（Hub-and-Spoke）的懒加载架构，将核心功能与众多子模块分离，仅在用户实际调用特定子功能时才动态加载对应的模块，从而显著减少每次交互的初始负载。
使用时，开发者需要将技能库按功能拆分为一个中心模块（Hub）和多个子模块（Spoke）。中心模块负责路由和基础交互，当用户请求特定功能时，Skill会自动识别并懒加载对应的子模块代码，整个过程对用户透明，无需手动管理模块加载。
该Skill非常适合智能体开发、全栈开发以及运维开发人员，尤其是那些正在构建或维护功能复杂、模块众多的大型AI技能库或智能体应用的开发者。它帮助他们在保持功能丰富性的同时，严格控制AI交互的成本与效率。
建议在项目规划初期就考虑引入此懒加载架构，以便更好地组织代码结构。需要注意的是，模块间的接口定义需要清晰，以确保懒加载时的正确调用。对于功能极其简单、模块很少的小型项目，引入此机制可能带来的收益有限。
核心特点
与通用的代码懒加载工具不同，此Skill专为AI智能体技能库场景设计，其中心辐射式架构能精准匹配技能调用的树状依赖关系，实现按需、最小粒度的模块加载，从而最大化节省Token。
注意事项
不适合功能模块极少、依赖关系简单或对首次功能调用的延迟极其敏感的小型项目。
常见问题
这个Skill能减少多少Token消耗？
节省量取决于技能库的规模和结构，对于大型技能库，通过懒加载未使用的模块，通常可以显著降低每次对话的初始Token用量。
集成这个Skill复杂吗？
需要按规范重构现有技能库，将其拆分为Hub和Spoke，有一定集成成本，但架构清晰后易于维护。
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/progressive-loading-x-3/raw/index.md 读取 progressive-loading 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/progressive-loading-x-3/raw/index.md（查看排版版本）