progressive-loading
中心辐射式懒加载，优化大型技能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：中心辐射式懒加载，优化大型技能Token消耗 完整的 Skill 内容见：https://321skill.com/skills/progressive-loading-x-5/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
'为我的大型客服技能启用渐进式加载，采用中心辐射式懒加载，优先加载回复模板模块，延迟加载知识库查询模块。' 它会自动解析技能结构，将核心路由模块设为中心，按用户请求动态加载辐射模块，使每次交互Token消耗降低约40%。
介绍
大型AI技能通常包含多个功能模块，每次交互时若全部加载会消耗大量Token，导致成本高昂且响应延迟。本技能通过中心辐射式（Hub-and-Spoke）懒加载机制，仅加载核心路由模块，其他子模块按需动态加载，从而在不影响功能完整性的前提下大幅降低Token使用量。
使用方式：安装后，在技能配置文件中定义中心模块和辐射模块的依赖关系（如通过JSON或YAML声明）。运行时，中心模块自动调度请求，仅当用户触发特定子功能时才加载对应辐射模块。无需手动管理加载顺序，系统透明处理。
适合用户：开发复杂AI技能（如多步骤任务、多工具集成）的智能体开发者；需要控制AI调用成本的全栈或后端开发者；以及希望优化大型技能响应速度的团队。
使用建议：合理划分模块粒度，避免过度细粒化导致频繁加载影响性能。建议在测试环境中验证懒加载对功能完整性的影响，尤其注意辐射模块间的数据依赖是否被正确传递。
核心特点
与通用懒加载（如按文件拆分）不同，本技能采用中心辐射式拓扑，中心模块负责路由与调度，辐射模块按逻辑依赖而非文件结构加载，更贴合AI技能的交互模式，减少不必要的跨模块冗余Token。
注意事项
不适合单模块的小型技能（引入复杂度反而不值），也不适合对延迟要求极高且所有模块必须即时可用的场景。
常见问题
这个技能和普通懒加载有什么区别？
普通懒加载多以文件或组件为单位，本技能以AI技能的逻辑模块为单位，中心模块管理调度，辐射模块按需加载，更符合技能的功能依赖关系。
安装后会影响技能的功能完整性吗？
只要正确配置依赖关系，不会影响功能。反而因为减少了Token占用，响应速度可能提升。
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-5/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-5/raw/index.md（查看排版版本）