在人工智能技能开发领域，技能描述冗长导致运行成本飙升的问题正引发广泛关注。被业界称为"龙虾之父"的资深开发者Peter近期推出开源工具skill-cleaner，通过重构技能描述体系为行业提供解决方案。该工具上线后迅速获得开发者社区认可，有用户反馈将技能描述从90词精简至40词后，Agent调用准确率显著提升。
核心矛盾在于技能描述与运行效率的博弈。每个多余的词汇都会增加token消耗，导致Agent在海量信息中难以快速定位目标技能。Peter提出"路标理论"：技能描述应像交通指示牌般简洁精准，而非承载完整说明书。其开发的工具包正是这种理念的实践样本，其中Skill.md文件仅包含56行核心提示词，配套的调用脚本却达到近千行代码量。
该工具具备五大核心功能：预算审计系统可计算技能占用的上下文令牌空间，分析资源占用比例；重复检测模块能跨多个代码库扫描同名或高度相似的技能；闲置筛查功能基于调用日志识别长期未使用的技能；根目录审计可梳理技能加载链路；最受关注的描述优化模块则通过语法压缩技术精简冗长文本。测试数据显示，优化后的技能描述平均缩短62%，同时保持功能完整性。
技术实现层面，工具采用Codex官方相同的预算核算逻辑，默认以GPT-5.5上下文窗口的2%作为技能预算基数。通过模拟真实运行场景，可精准计算预算不足时的截断字符数和被省略技能数量。描述精简流程分为三步：首先统一文本格式并去除标点，接着通过关键词库识别业务领域，最后用标准化短动作词组替换冗长表述，例如将"数据清洗与异常值处理"压缩为"clean data"。
这种极简主义风格已渗透到开发者社区文化。Peter在技术论坛的留言采用"install skill/agent smart/user happy"的缩写体，引发数百名开发者效仿。有开发者计算，单个技能描述精简后每年可节省数千美元的token费用，对于管理数百个技能的企业用户而言，成本优化效果更为显著。
工具的开源代码包含详细的参数配置指南，支持自定义时间范围、日志深度和预算阈值等参数。安全机制设计尤为谨慎，系统默认保留Codex内置技能和核心运维技能，删除操作前会进行二次确认。这种平衡效率与安全的架构设计，使得该工具在GitHub发布首周即获得超过三千个星标。
