按需加载架构师 Skill On-Demand Architect
1. 定位
本技能是方法论参考，不是执行器：不直接改目标技能，而是指导 AI 如何优化一个指定的技能以节约 token。
适用对象：SKILL.md 体积过大、每次会话全量加载、或执行时反复读取大文档/大脚本的技能。
不适用：目标技能已足够精简（SKILL.md < 150 行且无重复读取）时，不做无谓重构。
2. 核心模型（动手前先建立）
2.1 token 消耗公式
单轮问答成本 ≈ 历史上下文累积 + 本轮新读入 + 本轮输出
- 历史累积随轮次滚雪球：轮次越多，后面每轮越重；
- 本轮新读入 = 本轮 Read 进上下文的内容（最大可控头）；
- 本轮输出 = AI 回复长度（可控）。
2.2 压缩-重读循环（隐藏大头）
上下文超限 → 系统压缩丢细节 → AI 记不住 → 被迫重读文档 → 再次占用上下文 → 再次压缩。
优化目标不是减少轮次，而是减少每轮携带的冗余信息、切断重读循环。
2.3 三层加载（技能的标准结构）
| 层 | 内容 | 加载时机 | 体积目标 |
|---|---|---|---|
| L1 元信息 | name + description | 常驻 | ~100 词 |
| L2 核心卡 | SKILL.md 正文 | 技能触发时 | < 200 行 |
| L3 按需资源 | references/ scripts/ | 用到才读 | 不限（scripts 执行不读入） |
3. 五步工作流
Step 1 定边界（诊断）
- 画出目标技能的 token 消耗链路：哪些内容每次必读？哪些本应按需却仍被全量读？哪些被重复读？
- 量化基线：统计 SKILL.md 行数、各 references 行数、scripts 体积。
- 产出：链路图 + 必读体积清单。
Step 2 展开可能性空间
- 列出优化方向：读侧瘦身 / 执行侧减负 / 结构重构 / 机制改造。
- 选控制方式：优先负反馈调节（小步改、每轮验证），不用随机试错。
Step 3 定目标差
- 定义可量化目标，如「SKILL.md 从 340 行降到 ≤120 行，且能力 100% 保留」。
- 定义容差：列出不可删内容（触发词、铁律、模板表），可删内容（过程细节、示例、旧日志）。
Step 4 建反馈回路
- 回路：改一版 → 模拟一次典型任务 → 统计必读 token → 比对目标差 → 再改。
- 判稳：每轮只动一个结构点，防止振荡；改完必须验证「任务仍能完成」。
Step 5 收敛与容错
- 记录每轮目标差，确认单调下降，不振荡。
- 加容错：改前保留备份；路由表写清「某份文档缺失时怎么办」。
4. 核心手法
| 手法 | 做法 | 收益 |
|---|---|---|
| 分层加载 | SKILL.md 只留核心卡，细节拆到 references/ | 必读体积直降 |
| 路由表 | SKILL.md 末尾列「什么场景读哪份文档」 | 防止拆了后全读/漏读 |
| 压薄必读 | 铁律/模板表精简，过程文档移出 | 每轮都省 |
| 切断重读 | 关键信息固化成薄接口卡，不藏在长文档 | 防止压缩-重读循环 |
| 数据代码分离 | 坐标/数据进存储或脚本，文档零数值 | 文档不再膨胀 |
| 引用复用 | 已有技能（如 cybernetic-thinking-yashu）不重复写理论 | 避免重复 |
4.1 控制论底座（需要时先读）
本技能的方法论内核来自 cybernetic-thinking-yashu。当 AI 对「控制论是什么、如何拆解任务」缺乏把握时，先读取 cybernetic-thinking-yashu 的 SKILL.md 获取完整框架（系统边界 / 可能性空间 / 目标差 / 反馈回路 / 判稳 / 容错）。
引用方只需遵守该技能的三条原则：
- 先定义目标差指标，再动手；
- 每一轮都要测量，不允许无反馈执行；
- 先判稳再寻优。
本技能不重复控制论理论，避免双份占用上下文。
5. 路由表（本技能自身的按需加载）
| 场景 | 读什么 |
|---|---|
| 需要诊断清单 / 手法详表 / 案例 | references/诊断与手法.md |
| 需要控制论理论 | 引用 cybernetic-thinking-yashu 技能 |
6. 验证与交付
- 优化后回读目标技能，确认：触发词保留、能力不降级、路由表清晰、必读体积达标。
- 向用户交付：改了什么、每项收益（行数/比例）、验证结果、仍存在的缺口。
- 用控制论收尾模板汇报：系统边界 / 目标差 / 反馈回路 / 收敛状态。