progressive-loading

介绍

本技能旨在解决大型AI技能集在运行时因一次性加载全部功能而导致Token消耗过高的问题。它通过实现中心辐射式（hub-and-spoke）懒加载架构，将核心功能与扩展功能分离，仅在需要时才动态加载特定的功能模块，从而显著减少每次交互的上下文长度和Token使用量。

使用时，开发者需要将技能的核心逻辑作为“中心”（hub），而将各个独立的功能模块作为“辐射”（spoke）进行拆分。当用户请求特定功能时，系统会先加载核心中心，再按需加载对应的辐射模块，实现按需调用。

该技能特别适合那些正在开发或维护包含大量功能、代码库庞大或依赖众多外部工具的复杂AI技能（或智能体）的开发者。无论是全栈开发、智能体开发还是运维工程师，只要面临技能Token开销过大的挑战，都能从中受益。

建议在项目初期或重构阶段引入此架构，以便更好地规划模块边界。需要注意的是，过度细分的模块可能会增加初始设计的复杂度和模块间通信的开销，因此需要在模块粒度和加载效率之间找到平衡。