Przejdź do treści
Biblioteka skilli
AI i agenci · Integracja z narzędziem

仓颉

/仓颉

Ogranicza zużycie tokenów: przycina zbędne wyjścia poleceń, utrzymuje stały koszt rund dzięki kartom stanu i streszczeniom oraz skraca długie teksty bez utraty nazw.

Repozytorium
cangjie ↗
Licencja
MIT
Ostatnia zmiana repozytorium
30.10.2026

Ocena i bezpieczeństwo

90/ 100Klasa: dobry
Format15 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność25 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść35 / 35
Co najmniej 150 słów i do 500 linii, nagłówki, listy kroków, przykłady albo kod.
Higiena15 / 15
Bez zaślepek typu TODO, bez ścieżek Windows, z licencją.
Ryzykobrak sygnałów w skanie
Pliki w paczce
10
Skrypty
0
Komentarze HTML
0
Adresy URL w SKILL.md
0
Przestarzałość

Brak sygnałów. Repozytorium zmienione 30.10.2026, bez odwołań do wycofanych modeli i API.

Licencja

MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.

Co robi i kiedy

Ogranicza zużycie tokenów: przycina zbędne wyjścia poleceń, utrzymuje stały koszt rund dzięki kartom stanu i streszczeniom oraz skraca długie teksty bez utraty nazw.

Wyzwalacze z opisu

省 token上下文太长/快满了怎么压缩提示词长任务越跑越贵工具输出太多做个工作记忆/上下文节食
Oryginalny opis (EN)

省 token 的上下文治理引擎(框架无关)。三件事:① trim 裁掉命令输出的 90% 噪音;② 用「状态卡 + 滚动结论 + 定长包」把每轮成本钉成常数;③ 把高频词/长句折叠成单字(无损可逆,专名不丢)。支持中/英/混排,代码块与路径默认不压,可 CLI、可 MCP、可当库调用。当用户提到"省 token""上下文太长/快满了""怎么压缩提示词""长任务越跑越贵""工具输出太多""做个工作记忆/上下文节食",或要跨几十轮维护项目状态、反复读同一批文件,或想检验一段上下文里什么有用、什么没用(上下文安检 sift)时使用。

Jak działa

  1. 三条铁律
  2. 标准流程
  3. 命令速查
  4. 装到哪个宿主
  5. 判断该不该用
  6. 边界
Sekcje z nagłówków SKILL.md, w oryginale · 89 linii, 401 słów
Podgląd SKILL.md
---
name: 仓颉
description: 省 token 的上下文治理引擎(框架无关)。三件事:① trim 裁掉命令输出的 90% 噪音;② 用「状态卡 + 滚动结论 + 定长包」把每轮成本钉成常数;③ 把高频词/长句折叠成单字(无损可逆,专名不丢)。支持中/英/混排,代码块与路径默认不压,可 CLI、可 MCP、可当库调用。当用户提到"省 token""上下文太长/快满了""怎么压缩提示词""长任务越跑越贵""工具输出太多""做个工作记忆/上下文节食",或要跨几十轮维护项目状态、反复读同一批文件,或想检验一段上下文里什么有用、什么没用(上下文安检 sift)时使用。
agent_created: true
---

# 仓颉 · 先裁剪,再压缩,最后定长

**省 token 的量级排序**(实测,别搞反):

| 手段 | 省多少 | 命令 |
|---|---|---|
| 裁掉命令输出噪音 | **70–95%** | `cangjie trim -- <cmd>` |
| 状态卡顶替对话历史 | **90%+**(对那部分历史) | `cangjie state …` |
| 定长工作记忆包 | 把 O(n²) 变 O(1) | `cangjie pack --budget 2000` |
| 字码短语压缩 | **1–4%**(无损打底) | `cangjie mine --apply` |

字码是**打底**,不是主力。只做字码、不做裁剪与定长,等于白干。

## 三条铁律

1. **对外输出必须还原**。字码只活在思考、草稿、工具输出、记忆包里;
   给用户看的回答、交付文件、commit message 一律 `cangjie expand`。
2. **代码块不压**。围栏代码、行内代码、URL、路径默认保护——改坏了比省 token 贵得多。
3. **不要每轮重建包**。密码本与包要逐字节稳定,每轮重建会打掉 prompt cache,省 4% 赔 90%。

## 标准流程

```bash
cangjie init                                    # 建 .cangjie/
cangjie trim -- pytest -q                       # ① 先裁噪音(每次都做)
cangjie mine . --apply                          # ② 挖词造字(一次性)
cangjie block                                   # ③ 密码本,贴进系统提示
cangjie state --set goal="…" --set blocker="…"  # ④ 状态卡(随时更新)
cangjie roll  --add "本轮结论" --tag turn-3      # ⑤ 滚动结论(每轮一行)
cangjie pack  --budget 2000                     # ⑥ 每 5–8 轮重建工作记忆包
```

上下文结构:

```
系统提示 + 密码本(稳定) + 工作记忆包(每 5–8 轮换) + 最近 k 轮 + 本轮输入
```

## 命令速查

| 想做的事 | 命令 |
|---|---|
| 裁输出(有损,最省) | `cangjie trim -- <cmd>` / `cangjie trim -i log.txt --profile pytest` |
| 上下文安检(检验有用/没用) | `cangjie sift -i ctx.txt` / `cangjie sift --drop -- <cmd>` |
| 跑命令并压缩输出 | `cangjie run -- <cmd>` |
| 状态卡 | `cangjie state --set goal=… --add decided=… --add next=… --set fact.k=v` |
| 滚动结论 | `cangjie roll --add "…" --tag turn-3` / `cangjie roll --budget 300` |
| 定长包 | `cangjie pack --budget 2000 [--no-digest]` |
| 锁定术语(永不淘汰) | `cangjie seed --add 术语A 术语B [--list]` |
| 压缩/还原 | `cangjie compress -i a.md` / `cangjie expand -i b.md` |
| 挖词 | `cangjie mine . --apply [--top 64]` |
| 体检 | `cangjie doctor` |
| 载体单价 | `cangjie bench` |
| 报表 | `cangjie report` |
| 自测 | `python tests/test_cangjie.py` |

## 装到哪个宿主

```bash
cangjie install --target workbuddy   # ~/.workbuddy/skills/仓颉
cangjie install --target claude      # ~/.claude/skills/仓颉
cangjie install --target agents      # 写入 AGENTS.md(Codex/Cursor/Cline 通用)
cangjie install --target dir --dest /path/to/skills
cangjie mcp                          # 以 MCP Server 运行(任意 MCP 客户端)
```

本 skill 不含任何宿主专有逻辑:一个 `SKILL.md` + 一个零依赖 Python 包,
`python scripts/cj.py` 可直接跑,`import cangjie` 可当库用。

## 判断该不该用

| 情况 | 用不用 |
|---|---|
| 跑测试/构建/日志,输出很长 | ✅ 只用 `trim` 就够 |
| 跨 10 轮以上、反复交代同一套背景 | ✅ 全套 |
| 上下文快满、开始被截断 | ✅ 立刻 `state` + `pack` |
| 一次性长文读一遍就丢 | ❌ 别挖词,只 `trim` |

## 边界

- 别压用户的原始输入(那是证据)。
- 别把字码留在对外文本或共享文档里。
- 别为了压缩率调低 `min_gain`(<1.0 会让字典爆炸,净收益转负)。
- 别用生僻字当载体:实测 CJK 扩展 A 区是 **3 token/字**,比被压的短语还贵。

深读:`docs/仓颉-1.0-开发文档.md`(设计与实测)、`CHANGELOG.md`(版本与实测数据)、
`docs/安装与集成.md`(各宿主)、`references/字码协议.md`、`docs/优化建议.md`。
Pliki w paczce (10)
  • .gitattributes 1 KB
  • .gitignore 1 KB
  • AGENTS.md 3 KB
  • CHANGELOG.md 6 KB
  • LICENSE 1 KB
  • README.en.md 4 KB
  • README.md 6 KB
  • SKILL.md 5 KB
  • pyproject.toml 1 KB
  • requirements.txt 1 KB

Wersje

W bazie nie ma innych skilli o nazwie 仓颉.

Migawka bazy z 13.11.2026 · wersja paczki db01bd972dd2 (skrót SHA-256 całej paczki)

Pobrania w ostatnich 30 dniach: 0 · ranking

Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.

Podobne skille

  • 100context-window-compaction-kv-cache
    Prowadzi długie rozmowy z modelem dzięki streszczeniom kroczącym, przycinaniu tokenów i ponownemu użyciu pamięci KV.
  • 100token-diet
    Zmniejsza zużycie tokenów bez gorszych odpowiedzi: skraca wiadomości między sesjami i przycina wynik narzędzi.
  • 90tokenarmy
    Ogranicza zużycie tokenów wejściowych i wyjściowych w zadaniach kodowania i agentowych bez utraty dokładności.
  • 95dsh-token-thrift
    Analizuje i zmniejsza zużycie tokenów w sesjach DeepSeek Harness, gdy kontekst puchnie albo koszt rośnie, z bezstratnym zapisem notatek.
  • 90common-context-optimization
    Zarządza kontekstem i kosztami cache promptów bez utraty stanu zadania: budżety tokenów, duże wyjścia narzędzi, chybienia cache i długie rozmowy.
  • 100token-saver
    Kompresuje tekst bez utraty znaczenia: zachowuje fakty, liczby, nazwy i przeczenia, i diagnozuje koszt kontekstu.

Uwagi i zgłoszenia

Wiadomość trafi do Bartosza Sokolińskiego. Adres e-mail jest potrzebny tylko do odpowiedzi. Szczegóły w polityce prywatności.