ratel
AI Agent的上下文工程层，按需加载工具以节省成本并提升准确性。
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：ratel。 它的用途是：AI Agent的上下文工程层，按需加载工具以节省成本并提升准确性。 完整的 Skill 内容见：https://321skill.com/skills/ratel/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
“帮我分析一下服务器日志里上个小时的错误。”，你的Agent会通过Ratel动态地只加载‘读取日志文件’和‘错误模式分析’这两个相关的工具技能，而不是把所有数据库查询、API调用等几十个工具都塞给模型，从而用更低的成本获得更精准的分析结果。
介绍
Ratel 旨在解决AI Agent开发中的两大痛点：成本与准确性。传统方式将所有工具和技能描述一次性塞入提示词，导致每次调用都需为大量无用信息付费，且过长的上下文会干扰模型判断，降低任务准确性。
Ratel 通过构建工具和技能目录，实现了“渐进式披露”。在每个交互回合，它仅搜索并注入当前步骤真正需要的工具，而非加载全部。这大幅减少了每次API调用的Token消耗，并让模型能更专注于相关选项，从而提升任务完成的准确率。
它非常适合需要集成多个工具或技能的AI Agent开发者，尤其是那些对API调用成本敏感，或发现工具过多导致Agent行为混乱、偏离目标的团队。无论是使用本地模型、开源模型还是前沿商业模型，都能从中受益。
使用建议：建议在工具集较大或任务流程复杂的Agent项目中优先引入Ratel。它无需向量数据库，集成相对简单，但需要你预先将工具和技能注册到其目录中。对于工具极少或任务极其固定的简单场景，其收益可能不明显。
核心特点
核心区别在于其“按需加载”机制。不同于其他方案（如将所有工具描述硬编码到系统提示中），Ratel动态地为每个Agent调用步骤筛选并注入最相关的工具，从根本上减少了无效的Token开销并提升了模型选择的准确性。
注意事项
对于工具数量极少（如少于3个）或每次任务都必然使用全部工具的固定流程场景，引入Ratel可能带来的优化收益有限。
常见问题
Ratel能节省多少Token成本？
节省幅度取决于工具/技能库的规模和使用模式，官方基准测试显示在工具较多的场景下可显著降低每次调用的输入Token数量。
Ratel需要额外的数据库吗？
不需要，Ratel本身不依赖向量数据库或其他外部存储，其目录在运行时构建和管理。
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/ratel/raw/index.md 读取 ratel 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/ratel/raw/index.md（查看排版版本）