在人工智能领域，Peter，这位广受尊敬的“龙虾之父”，对当前Skill描述中普遍存在的冗余问题表达了不满。他指出，许多开发者倾向于将过多的信息堆砌在Skill描述中，使其变得如同厚重的说明书，而非简洁明了的指引。
针对这一现象，Peter推出了一款名为“skill-cleaner”的开源工具。该工具旨在对现有Skill进行全面诊断和优化，帮助开发者精炼Skill描述，从而提高Agent的运行效率并降低成本。他的这一理念在开发者社区中引起了强烈反响。
许多网友对此深有同感，一位用户分享道，此前一个技能的描述长达90多词，导致Agent难以准确调用。经过精简至40词以内后，Agent反而能一次性准确选择所需的技能，这充分验证了简洁描述的重要性。
Peter强调，Skill描述的核心作用是为Agent提供清晰的路标，而非详尽的说明手册。过长的描述不仅增加了Agent处理信息的噪音，还直接导致了运行延迟和不必要的计算成本，因为每一次Agent的调用都需要为此付出更多的Token费用。
Peter开源的“skill-cleaner”工具很好地诠释了他的设计哲学。该工具的Skill.md文件仅包含56行提示词，而其背后的脚本代码却接近千行。这种设计理念明确了Skill.md是引导Agent的关键“路标”，而具体的实现逻辑则由庞大的代码库承载。
这款强大的“skill-cleaner”工具集成了五项核心功能：
首先是技能提示词预算审计，它能够计算技能所占用的上下文令牌空间，分析其预算占比，并提供优化方案，避免资源过度消耗。
其次是重复技能检测，能跨越不同代码库和插件缓存，扫描并标记那些名称相同或描述、内容高度相似的冗余技能。
再次是未使用技能筛查，通过分析历史日志，识别长期未被调用或提及的闲置技能，并提供清理建议。
第四是技能根目录审计，用于统计所有技能的来源路径，标注启用或禁用状态，从而梳理技能的加载流程。
最后是描述精简优化，此功能专门找出冗长的技能描述，推荐通过简化语法和替换短语来压缩长度，以节约提示词预算。
该工具的工作流程分为三步：首先，在技能目录或仓库根目录运行Node.js分析脚本，并可自定义时间范围、日志深度等参数。接着，用户将查阅核心报告，内容涵盖技能预算、描述优化、重复技能、未使用技能及根目录汇总。最后，进行安全清理或编辑，建议优先保留Codex内置技能，并对本地或重复副本进行删除，修改前务必验证文件有效性。
在技术细节上，该工具采用与Codex官方源码一致的提示词预算核算逻辑，优先读取本地模型配置中的GPT-5.5上下文窗口参数（默认为272k token）。它严格遵循Codex的计费规则（UTF8字节数除以4向上取整），并将模型上下文的2%设为默认技能预算基准。
结合技能优先级规则（系统、内置、插件、仓库自定义），工具能够核算出所有技能的原始令牌占用、最小渲染令牌及预算内可用令牌。它还支持模拟实际运行场景，估算预算不足时技能描述的截断字符数和被省略的技能数量，从而精确呈现预算使用率、剩余预算和上下文占用比例，直观展示技能体系的资源负载状况。
针对Skill描述的精简，工具同样采取三步策略：首先进行文本预处理，统一格式，小写并剔除标点符号。其次，利用内置关键词库识别技能所属业务领域。最后，一旦匹配到特定场景，便会调用预设的标准化短动作词组来替换原有的冗长描述，例如将调试类操作精简为“debug, inspect, fix”，部署发布类为“deploy, release, verify”，检索归档类为“search, sync, summarize”。
Peter本人在评论区也身体力行地实践着这种极度精简的“穴居人”式表达方式，如“install skill”、“agent smart”、“user happy”，充分展现了他对节约Token的极致追求。