# Cost Booster Edit > Aplica una transformación de código simple mediante el motor WASM de agent-booster: submilisegundo, determinista, $0 (sin llamada a LLM). Complementa a cost-booster-route. Fuente: https://skillsagentes.com/skills/ruvnet/ruflo/cost-booster-edit Markdown: https://skillsagentes.com/skills/ruvnet/ruflo/cost-booster-edit.md Repositorio: https://github.com/ruvnet/ruflo Autor: ruvnet Licencia: MIT Actualizado: hace 3 meses Coste de contexto: 37 tok instalada, 1.5k tok al activarse, 1.5k tok con todos los archivos del bundle Bundle: 1 archivo, 6 KB Permisos que pide: bash ## Instalación Un skill son archivos markdown: los mismos archivos valen para cualquier agente y lo único que cambia es el directorio de destino, es decir la bandera `--agent`. Añade `-g` para instalarlo en todos los proyectos de la máquina. ```bash # Claude Code npx -y skills add ruvnet/ruflo --skill cost-booster-edit --agent claude-code # Cursor npx -y skills add ruvnet/ruflo --skill cost-booster-edit --agent cursor # Codex npx -y skills add ruvnet/ruflo --skill cost-booster-edit --agent codex # Gemini CLI npx -y skills add ruvnet/ruflo --skill cost-booster-edit --agent gemini # Windsurf npx -y skills add ruvnet/ruflo --skill cost-booster-edit --agent windsurf # Cline npx -y skills add ruvnet/ruflo --skill cost-booster-edit --agent cline ``` ## Qué hace - Aplica una transformación de código simple mediante el motor WASM de `agent-booster`, sin llamar a ningún LLM. - Ejecuta uno de seis intents (var-to-const, add-types, remove-console, add-error-handling, async-await, add-logging) con costo $0. - Si la confianza del resultado cae por debajo de 0.5, no escribe el archivo y escala a Tier 2/3. - Guarda el resultado en el namespace `cost-tracking` y alimenta al enrutador de aprendizaje. ## Cuándo usarla - Transformaciones masivas sobre muchos archivos que ya fueron clasificadas como elegibles para Tier 1 por `cost-booster-route`. - Cualquier edición simple y estructural donde de otro modo se llamaría y facturaría a un LLM. - Dentro de pipelines de CI donde el determinismo y el costo cero importan más que la naturalidad del texto. ## Cuándo no - La transformación requiere razonar sobre intención, nombres o contexto entre archivos: eso es trabajo de Tier 2/3. ## Qué la activa - "Aplica la transformación var-to-const con el booster en este archivo" - "Convierte estos console.log a logging sin usar un LLM" ## Antes de instalar - Requiere el paquete npm `agent-booster` (vía `agentic-flow/agent-booster`) y ejecutarse desde bajo `v3/`. - Variables de entorno: CODE, EDIT - runs shell commands - reads environment config ## Archivos - SKILL.md — 6 KB ## SKILL.md Reproducido tal cual desde ruvnet/ruflo bajo MIT. Esta sección es el documento original y está en inglés. # Cost Booster Edit Direct wrapper around `agent-booster.apply()` (npm `agent-booster` v0.2.x, exposed via `agentic-flow/agent-booster`). Use when a transform is **already classified** as Tier 1 eligible — `cost-booster-route` recommends *whether*; this skill *executes*. ## When to use - Bulk transforms across many files (`var → const`, `add-types`, `remove-console`, `add-error-handling`, `async-await`, `add-logging`). - Any simple, structural edit where an LLM would otherwise be called and billed. - Inside CI pipelines where determinism + zero-cost matter more than naturalness. **Do NOT use when** the transform requires reasoning about intent, naming, or cross-file context — those are Tier 2/3 jobs. ## Steps 1. **Take inputs** — `intent` (one of the 6 booster intents) and `file` path. 2. **Read the source** to a variable, derive the intended `edit` text from the intent (caller supplies). 3. **Invoke** — run from anywhere under `v3/` so `agent-booster` resolves: ```bash node --input-type=module -e ' import("agent-booster") .then(async ({ AgentBooster }) => { const booster = new AgentBooster(); const r = await booster.apply({ code: process.argv[1], edit: process.argv[2], language: process.argv[3] || "javascript", }); console.log(JSON.stringify({ success: r.success, output: r.output, latency: r.latency, confidence: r.confidence, strategy: r.strategy, tokens: r.tokens, })); }) .catch(e => console.log(JSON.stringify({ success: false, error: String(e.message) }))); ' -- "$CODE" "$EDIT" "$LANG" ``` 4. **Check confidence** — default threshold is `0.5`. Below that, fail closed: do NOT write the file; report and escalate to Tier 2/3. 5. **Write back** the `output` field if `success && confidence >= 0.5`. 6. **Persist outcome** — `memory_store --namespace cost-tracking --key "booster-edit-..." --value '{"intent":..., "latency":..., "confidence":..., "strategy":..., "applied":true}'`. Feed the routing learner via `hooks_model-outcome` (use the `cost-optimize` skill's step 8). ## Measured benchmark (2026-05-04, this checkout) 5 representative intents run through `AgentBooster.apply()`: | intent | latency (ms) | wall (ms) | confidence | strategy | success | |--------------------|-------------:|----------:|-----------:|-----------------|---------| | var-to-const | 5 | 5 | 0.65 | fuzzy_replace | true | | add-types | 1 | 1 | 0.64 | fuzzy_replace | true | | remove-console | 0 | 0 | 0.70 | fuzzy_replace | true | | add-error-handling | 0 | 0 | 0.85 | exact_replace | true | | async-await | 0 | 0 | 0.85 | exact_replace | true | Avg measured latency ≈ **1.2 ms**. All 5 above the default 0.5 confidence threshold. See `docs/benchmarks/0002-baseline.md` for the LLM-baseline comparison. ## What's verified locally | Claim | Status here | |------------------------------------|-------------------------------------------------------------------------| | **100% win rate** | **Verified** — 12/12 on `bench/booster-corpus.json` (see `runs/latest.json`). Booster AND Gemini 2.0 Flash both score 12/12 — this is a structural-correctness corpus, not a hard adversarial one. | | **Sub-millisecond latency** | **Verified** — avg 0.67 ms, p50 0 ms, p99 6 ms, max 6 ms. | | **$0 per edit** | **Verified structurally** — no API call, no token billing. | | **Deterministic AST-based merge** | **Verified** — same inputs reproduce the same `output` and `strategy`. | | **Confidence ≥ 0.5 ⇒ correct** | **Verified on this corpus** — 12/12 above 0.5 (min 0.551), all correct. | | **`350×` speedup vs. LLM** | **Verified — exceeded against every tier:** 1000.9× vs Gemini 2.0 Flash, **1838.7× vs Claude Sonnet 4.6**, **2634.1× vs Claude Opus 4.7**. Run `BENCH_LLM_BASELINE=1 BENCH_ANTHROPIC=1 node scripts/bench.mjs` to refresh. | | **Cost saved per edit** | **Measured:** $0.000020 vs Gemini, **$0.000722 vs Sonnet 4.6**, **$0.004720 vs Opus 4.7** (the booster side is $0 in all cases). | | **Win parity with frontier LLMs** | **Verified** — Booster, Gemini 2.0 Flash, Sonnet 4.6, Opus 4.7 all scored 12/12 on this corpus. Booster matches LLM accuracy structurally for deterministic transforms. | To extend: add cases to `bench/booster-corpus.json`, run `( cd v3 && node ../plugins/ruflo-cost-tracker/scripts/bench.mjs )` (or with `BENCH_LLM_BASELINE=1`), commit `runs/latest.json`. Smoke step 23 fails the build if win rate drops below 0.80. **Override the LLM model:** `BENCH_LLM_MODEL='claude-sonnet-4'` (when wired against `api.anthropic.com`) or `BENCH_LLM_MODEL='models/gemini-2.5-flash'` for a reasoning-model comparison. Pricing flags: `BENCH_LLM_PRICE_IN`, `BENCH_LLM_PRICE_OUT`. `fuzzy_replace` is best-effort; for production transforms prefer cases that route to `exact_replace` (≥0.85 confidence in our sample). ## Cross-references ADR-0002 §"Decision 1" (route classifier) and §"Riskiest assumption" (Bash-shelled invocation) · `cost-booster-route` (classifier-side companion) · `agent-booster` npm README (3-mode install, MCP / npm / HTTP). ## Dónde encaja - Categoría: [Herramientas para desarrolladores](https://skillsagentes.com/categorias/herramientas-desarrollo.md) — Skills que cambian cómo tu agente escribe, revisa y despliega código. - Creador: [ruvnet](https://skillsagentes.com/creators/ruvnet.md) — 275 skills en el directorio - [Todas las skills](https://skillsagentes.com/skills.md) - [Ranking de instalaciones](https://skillsagentes.com/ranking.md) ## Otras skills del mismo repositorio - [Harness Gepa](https://skillsagentes.com/skills/ruvnet/ruflo/harness-gepa.md): Inspecciona y audita genomas GEPA: carga y valida un genoma, renderiza el system prompt que compila, o clasifica los modos de fallo de una transcripción de ejecución. - [Deepseek Reason](https://skillsagentes.com/skills/ruvnet/ruflo/deepseek-reason.md): Completion en modo razonamiento contra deepseek-reasoner (R1) de DeepSeek. Devuelve el chain-of-thought por separado de la respuesta final. Lee DEEPSEEK_API_KEY y degrada si falta o la API no responde. - [Deepseek Chat](https://skillsagentes.com/skills/ruvnet/ruflo/deepseek-chat.md): Completion de un solo turno contra el modelo deepseek-chat de DeepSeek vía /v1/chat/completions. Lee DEEPSEEK_API_KEY y degrada con status:degraded si falta o la API no responde. Para tareas sin razonamiento. - [Adr Index](https://skillsagentes.com/skills/ruvnet/ruflo/adr-index.md): Construye o reconstruye el índice de ADRs y su grafo de dependencias ejecutando scripts/import.mjs, en vez de cientos de llamadas MCP. - [Agntcy Status](https://skillsagentes.com/skills/ruvnet/ruflo/agntcy-status.md): Muestra el estado de la integración AGNTCY/SLIM/CASA: si los paquetes están instalados, qué transporte está activo y si el enforcement de CASA está habilitado. --- Skills Agentes · [Índice de páginas en markdown](https://skillsagentes.com/sitemap.md) · [Inicio](https://skillsagentes.com/index.md)