zero-rules

核心用法

ZeroRules 作为 LLM 查询的前置拦截层，在请求到达大模型之前，通过 Node.js 本地脚本快速判断是否为确定性任务。用户只需将原始查询传入 rules.js，系统即通过正则匹配识别五种内置规则：数学计算、时区查询、货币转换、文件列表和日期计算。匹配成功时直接返回结构化结果，完全跳过 LLM 调用；未匹配时静默放行，不影响正常 AI 工作流。

显著优点

极致成本优化是该 Skill 的核心竞争力。官方数据显示可节省 50-70% 的 token 消耗，单次简单数学运算即可避免 800+ tokens 的浪费。与模型路由（将简单查询导向更便宜的模型）不同，ZeroRules 彻底跳过模型层，实现真正的零成本处理。

安全设计严谨：无 eval 或动态代码执行，文件操作仅限目录列表（fs.readdirSync），且内置路径遍历防护。网络请求仅货币规则使用，设有 3 秒超时和静态汇率回退机制。

零依赖架构仅使用 Node.js 内置模块（fs/path/https），彻底规避 npm 供应链攻击风险。会话统计文件仅存储聚合数据，绝不记录用户原始查询。

潜在缺点与局限性

功能边界严格：仅处理五种预设的确定性任务，任何需要推理、创意或上下文理解的查询都会放行给 LLM，无法扩展至半结构化场景。

货币功能依赖外部 API：虽然 exchangerate.host 提供免费服务，但存在单点故障风险。尽管有静态汇率回退，实时性会受损。

时区数据覆盖有限：内置时区库可能无法识别部分小众城市或新变更的时区规则。

Pro 功能付费墙：自定义规则、跨会话仪表盘等进阶功能需订阅 $9/月，免费版仅支持五种基础规则。

适合的目标群体

• 高频使用 AI 助手的开发者/知识工作者：日均查询量大的用户能快速回收成本
• 成本敏感的企业团队：需要严格控制 AI API 预算的中小团队
• 本地优先的隐私用户：希望减少数据上传、偏好离线处理的场景
• CLI/终端重度用户：习惯命令行交互、需要文件系统快捷操作的技术人群

使用风险

性能层面：Node.js 冷启动可能带来 50-200ms 的额外延迟，对于高频短查询场景需权衡拦截收益与启动开销。

依赖项风险：虽然无外部 npm 包，但依赖 Node.js 运行时环境，版本兼容性需验证。

网络隔离场景：若部署在严格防火墙环境，需预配置禁用货币规则，否则可能触发超时等待。

会话文件持久化：~/.zerorules-session.json 的写入行为在只读文件系统或容器环境中可能报错，需确保 HOME 目录可写。