AI代理技能:从策划到代码优化

Spotify Engineering的Portal工具通过将低推理任务路由至更小模型,将Claude Code的令牌消耗降低了90%,同时一个精心策划的Skills集合突显了最佳实践。AI编码成本集中在I/O环节;Claude Code在简单查询时浪费令牌读取多个文件、按模式生成测试文件以及更新文档。Portal在临时运行时上使用两个声明式代理(模式),均采用Gemini 2.5 Flash:一个批量读取器,将大文件压缩为带有行号且无客套话的结构化摘要;一个样板代码生成器,仅输出模仿参考模式的代码。一个三层分流插件(PreToolUse钩子、bash脚本、skills)拦截大文件读取(默认超过350行)并将其路由至批量读取器,同时允许针对性读取。在Java单体仓库测试中,批量读取节省了约90%的令牌;代码写入同时节省了输入和输出令牌。局限性:工作摘要缺乏可靠的行号用于编辑,无法委派推理任务(遗漏了一个线程安全漏洞),且委派增加10-30秒延迟,不适合小文件。另一篇文章分享了一个精选的Skills集合,包括设计、单点、企业和方法论技能,以及作者自己的三个技能。
Key insights
AI编码在I/O任务上开销巨大,这些任务对前沿模型而言“严重超规格”
Spotify Engineering发现,Claude Code的令牌大部分消耗在常规任务上,例如读取五个文件来回答一个方法问题、按照现有模式生成测试文件、以及会议后更新文档。这些任务不需要前沿模型的推理能力。
Spotify Portal的声明式代理将粗活路由至廉价模型,实现约90%令牌节省
Portal使用两个声明式模式(批量读取器和样板代码生成器),在临时运行时上运行Gemini 2.5 Flash。批量读取器将大文件压缩为带有行号的结构化摘要,而代码生成器模仿参考模式并仅输出代码。在Java单体仓库测试中,两者共同将令牌消耗削减了约90%。
分流插件采用三层方法拦截并委派任务
分流插件由PreToolUse钩子(拦截超过阈值(默认350行)的文件读取)、bash脚本(处理Portal CLI调用,包含错误处理和令牌报告)以及一个skills文件(指示Claude何时及如何使用脚本)组成。这确保廉价任务透明地路由至小模型。
委派方法存在明显局限:无法编辑、无法推理、增加延迟
工作摘要无法提供可靠的行号用于编辑,因此Claude仍需直接读取相关章节。工作模型不能信任推理任务——它遗漏了一个微妙的线程安全漏洞,而Claude迅速发现了它。每次委派增加10-30秒延迟,使其不适合小文件或安全关键代码。
精选技能集合表明社区对系统化AI代理能力的兴趣日益增长
一篇文章分享了一个推荐的技能集合,涵盖设计、单点、企业/工作流和方法论类别,以及作者自己的三个技能。这表明了可复用代理技能的积极策划和分享。