Token Pilot：专业级 Token 成本控制系统
Token Pilot 是一套深度优化 AI 对话成本的工程化方案，核心价值来源于对 Claude Code 开源代码（autoCompact.ts、context.ts、tokenBudget.ts 等）的逆向工程与实测验证。
核心用法
自动规则（无需配置）：安装即生效 10 条行为规则，覆盖读取策略（Smart Read、No Repeat Reads）、响应压缩（Tool Result Compression、Response Brevity）、工具调用优化（Batch Tool Calls、Role-Aware Tool Economy）、Prompt 缓存策略（Prompt Cache Awareness）、非人类输出压缩、动态内容大小上限等关键场景。
诊断脚本：提供 audit.js（只读诊断）和 optimize.js（自动修复）双工具集，支持配置评分、插件协同检测、Cron 优化、Agent 分层建议、Workspace 清理等全链路扫描。
关键配置项：
compaction.memoryFlush.softThresholdTokens: 8000（基于 Claude Code 13K 缓冲实测调优）bootstrapMaxChars: 12000/bootstrapTotalMaxChars: 20000（限制冷启动注入）- 工具白名单按角色分层（重型/中型/轻型），每个 Agent 节省 4K-8K tok
imageMaxDimensionPx: 800（视觉 token 控制）lightContext: true+ 便宜模型用于 Cron 任务
显著优点
来源可信度高：规则均标注 Claude Code 源码出处（非推测），如 Autocompact 熔断机制（3 次失败停止）、Cache Write 比普通 Input 贵 25%、Compaction 正常区间 10K-40K 等关键发现。
实测可用性强：Config Recommendations 章节明确标注"经实测可用"，避免盲信第三方推荐的配置坑点。
成本收益量化：根目录脚本清理≈29,500 tok/session 节省；7 Agent 团队工具白名单优化预计每天省 3-5 万 tok；单次诊断即可回本。
多维度协同：与 qmd、smart-agent-memory、coding-lead、multi-agent teams 等技能深度联动，形成完整优化生态。
潜在局限
1. 平台绑定较深：部分高级功能（如 lightContext、Agent 分层配置）依赖 OpenClaw 特定实现，迁移成本存在。
2. 维护要求：需定期运行周度诊断（建议配合 cron 配置），否则配置漂移可能抵消优化效果。
3. 角色分类主观性：R7 角色权重信号依赖关键词匹配（browser=Heavy, research=Light），复杂角色可能误判。
适合人群
- 高频使用者：日均 10 万+ token 的团队，优化收益显著
- 多 Agent 架构团队：需要协调 5+ 子 Agent 的复杂工作流
- 成本敏感型组织：希望将 AI 支出从"黑箱"变为"可控预算"
- Claude Code 迁移用户：熟悉其内部机制，希望在新平台复现同等优化水平
常规风险
配置误操作风险：R-C1~R-C3 安全规则强调"改配置前先查 schema"，顶层字段写入会导致整个平台启动失败。建议先用 audit.js 扫描后再执行 optimize.js --apply。
过度优化风险：Response Brevity 规则可能导致信息密度过高，新用户适应期存在沟通摩擦；建议初期保留 medium 档位，逐步收紧。
Cache 策略误用：bursty agent 开 cacheRetention: "long" 纯亏损，需按 R8 规则严格分类。