积分预算师 (Points Budget Analyst)

Overview

本技能为 WorkBuddy 用户提供积分消耗预估与优化建议。通过对任务类型、复杂度、模型选择、上下文增长等关键因素的分析，在任务执行前给出积分消耗的区间预估，在任务执行中识别高消耗环节，并在任务完成后提供针对性的节省建议。

触发条件

当出现以下情况时激活本技能：

用户询问某个任务/问题大约消耗多少积分
用户要求在执行任务前评估积分预算
用户询问如何节省积分或降低消耗
用户提到"积分预算""积分预估""省积分""cost estimate""points budget"等关键词
用户在执行复杂任务前希望了解潜在消耗
用户召唤专家前希望了解积分成本
用户对近期积分消耗有疑问，希望分析原因

核心能力

1. 任务前积分预估

在用户提出任务后、执行前，提供积分消耗预估。

预估流程：

识别任务类型 — 参照下方"任务类型分类表"，将用户任务归类
评估复杂度等级 — 判断为简单/中等/复杂/极复杂
估算交互轮次 — 根据任务类型和复杂度预估需要的对话轮数
识别成本驱动因素 — 标记该任务的主要消耗来源（模型层级、上下文增长、工具调用、专家开销等）
输出预估区间 — 给出低/中/高三档预估区间及置信度说明
提供优化建议 — 针对该任务给出 2-3 条可操作的节省建议

预估输出格式：

## 积分预估报告

### 任务概述
- 任务类型：[类型]
- 复杂度：[简单/中等/复杂/极复杂]
- 预计交互轮次：[N] 轮

### 消耗预估
| 档位 | 预估积分 | 说明 |
|------|---------|------|
| 最低 | [X] | 最理想情况，最少轮次 |
| 预期 | [Y] | 正常执行，典型轮次 |
| 最高 | [Z] | 含额外调试/重试/补充 |

### 主要成本驱动
1. [驱动因素1] — 预计占比 [X]%
2. [驱动因素2] — 预计占比 [Y]%
3. [驱动因素3] — 预计占比 [Z]%

### 节省建议
1. [建议1]
2. [建议2]
3. [建议3]

### 置信度
[高/中/低] — [置信度说明]

2. 任务类型分类表

根据任务特征选择对应类别，用于快速预估：

| 任务类型 | 典型轮次 | 上下文增长 | 工具调用 | 典型场景 | |---------|---------|-----------|---------|---------| | 简单问答 | 1-2 | 低 | 无 | 知识查询、概念解释、翻译 | | 代码审查 | 2-4 | 低-中 | 少量 | Review代码、查找bug、代码优化建议 | | 代码生成 | 3-8 | 中 | 中等 | 写脚本、建项目、实现功能 | | 文档撰写 | 3-10 | 中-高 | 少量 | 写报告、生成文档、制作PPT | | 数据分析 | 5-15 | 高 | 频繁 | 数据处理、图表生成、统计分析 | | 多步任务 | 8-20+ | 高 | 频繁 | 完整项目开发、复杂调研、系统搭建 | | 专家咨询 | 2-5 | 中-高 | 视情况 | 召唤专家进行领域咨询 | | 迭代优化 | 5-15 | 高 | 中等 | 反复修改、调试、完善 |

3. 成本驱动因素分析

积分消耗由以下因素决定，预估时需逐项评估：

模型层级（最大影响因素）

| 层级 | 相对倍率 | 适用场景 | 消耗特征 | |------|---------|---------|---------| | 轻量模型 | 1x | 简单问答、翻译、格式转换 | 低消耗，速度快 | | 标准模型 | 3-5x | 日常任务、代码生成、文档撰写 | 中等消耗，能力均衡 | | 高级模型 | 8-15x | 复杂推理、架构设计、深度分析 | 高消耗，能力强 | | 推理模型 | 12-20x | 数学证明、逻辑推理、复杂调试 | 极高消耗（含思考Token） |

详细模型选择策略参见 references/cost_optimization_strategies.md 的"模型分层使用策略"章节。

上下文增长（隐性大头）

每增加一轮对话，之前所有内容（用户消息+模型回复+工具结果）都会作为输入再次发送。到第 N 轮时，累计输入 Token 约为前 N-1 轮所有内容之和。

第 1 轮：仅系统提示 + 当前问题（约 3K-8K Token）
第 5 轮：累积约 15K-40K Token 的上下文
第 10 轮：累积约 30K-80K Token 的上下文
第 20 轮：累积可达 60K-160K+ Token

精确计算方法参见 references/points_estimation_guide.md 的"上下文增长模型"章节。

工具调用开销

每次工具调用产生额外 Token 消耗：

工具调用参数（输出侧）：100-500 Token
工具返回结果（输入侧，后续轮次累积）：200-10,000+ Token
频繁工具调用的任务，工具结果会成为上下文增长的主要来源

专家召唤开销

召唤专家时额外增加：

专家系统提示加载：1,000-5,000 Token（每次对话都包含）
部分专家使用更高级模型，倍率更高
专家对话通常轮次更多，上下文增长更快

4. 快速预估参考表

以下为标准模型下的典型消耗参考（实际消耗因任务而异）：

| 任务类型 | 简单 | 中等 | 复杂 | |---------|------|------|------| | 简单问答 | 5-15 | 15-30 | 30-50 | | 代码审查 | 20-50 | 50-120 | 120-250 | | 代码生成 | 30-80 | 80-200 | 200-500 | | 文档撰写 | 40-100 | 100-300 | 300-600 | | 数据分析 | 80-200 | 200-500 | 500-1200 | | 多步任务 | 200-500 | 500-1500 | 1500-4000 | | 专家咨询 | 50-150 | 150-400 | 400-800 | | 迭代优化 | 100-300 | 300-800 | 800-2000 |

若使用高级模型，将上表数字乘以 3-5 倍；使用推理模型，乘以 5-8 倍。完整预估方法论和计算公式参见 references/points_estimation_guide.md。

5. 积分节省建议生成

根据任务特征，从以下维度提供针对性建议：

模型优化

简单任务主动降级到轻量模型
仅在关键推理步骤切换高级模型
避免全程使用推理模型处理常规任务

上下文管理

长对话定期总结后开启新会话
避免在对话中粘贴超长文本，改用文件读取
不需要的工具结果可以要求忽略

任务规划

将大任务拆分为多个独立小会话
先用轻量模型做规划，再用标准模型执行
批量处理相似问题，减少重复上下文

专家使用

明确问题范围后再召唤专家，避免泛泛而谈
一次对话中集中提问，减少多轮开销
选择最匹配的专家，避免多次试错

工具效率

减少不必要的文件读取和搜索
使用精准的搜索条件，避免返回过多结果
批量操作代替逐个操作

更多策略和实战案例参见 references/cost_optimization_strategies.md。

工作流程

场景一：任务前预算评估

分析用户的任务描述
加载 references/points_estimation_guide.md 获取详细预估方法
按任务类型分类表归类
评估复杂度和预计轮次
识别关键成本驱动因素
计算低/中/高三档预估
生成预估报告（使用上方输出格式）
提供 2-3 条针对该任务的节省建议

场景二：专家召唤成本评估

识别用户计划召唤的专家类型
估算专家系统提示的 Token 开销
评估专家使用的模型层级
预估专家对话的典型轮次
计算总预估消耗
对比直接对话 vs 专家对话的成本差异
给出是否值得召唤专家的建议

场景三：消耗异常分析

询问用户大致的任务描述和执行情况
识别可能的消耗来源：
- 是否使用了高级/推理模型
- 对话轮次是否超出预期
- 是否有大量工具调用
- 上下文是否过度增长
定位主要消耗原因
提供后续优化建议

场景四：通用节省建议

加载 references/cost_optimization_strategies.md
了解用户的典型使用场景
从模型选择、上下文管理、任务规划、专家使用、工具效率五个维度给出建议
按预期节省效果排序
提供可立即执行的具体操作

预估注意事项

所有预估值均为区间估计，非精确数字
实际消耗受模型版本、系统配置、上下文长度等动态因素影响
预估时始终标注置信度（高/中/低）
对于超过 10 轮的复杂任务，置信度通常为中或低
预估后如用户执行任务，可在完成后回溯对比实际消耗
积分消耗的核心公式：总消耗 = 各轮次 (输入Token x 输入费率 + 输出Token x 输出费率) 之和

参考文档

references/points_estimation_guide.md — 积分预估详细方法论：Token消耗模型、上下文增长计算公式、各任务类型逐项分析、完整实战案例
references/cost_optimization_strategies.md — 积分节省完整策略库：模型分层使用、上下文管理技巧、任务分解方法、专家调用优化、工具效率提升、实战优化案例