Skills Agentes

Cost Optimize

Analiza patrones de uso de tokens y recomienda optimizaciones de costo con el ahorro estimado.

Solicitamcp__plugin_ruflo-core_ruflo__memory_search mcp__plugin_ruflo-core_ruflo__memory_list mcp__plugin_ruflo-core_ruflo__memory_store mcp__plugin_ruflo-core_ruflo__agentdb_pattern-search mcp__plugin_ruflo-core_ruflo__agentdb_pattern-store mcp__plugin_ruflo-core_ruflo__agentdb_semantic-route mcp__plugin_ruflo-core_ruflo__hooks_model-outcome bash
Estrellas
69.4k

en todo el repo

Actividad
54

0–100, la ruta de este skill

Actualizado
el mes pasado

último commit aquí

Commits
1

últimos 90 días

Contexto
1k tok

21 tok en reposo

Paquete
1 archivo

4 KB

Instalar

Funciona con cualquier agente que lea SKILL.md

npx -y skills add ruvnet/ruflo --skill cost-optimize --agent claude-code

Se instala solo en este repositorio.

Qué hace

  • Analiza el uso de tokens reciente por agente y modelo, e identifica desperdicio de gasto.
  • Evalúa si el nivel de modelo (Haiku/Sonnet/Opus) encaja con la complejidad de la tarea y detecta baja tasa de aciertos de caché.
  • Detecta redundancia entre agentes con tareas solapadas y estima el ahorro en dólares de cada recomendación.
  • Emite el evento `hooks_model-outcome` para cerrar el ciclo de aprendizaje del enrutador de modelos.

Úsalo cuando

  • Cuando el gasto es más alto de lo esperado o se quiere reducir proactivamente el costo.

No lo uses cuando

    Qué lo activa

    Di cualquiera de estas frases y el agente debería cargar este skill.

    • ¿Cómo puedo reducir el gasto en tokens de este proyecto?
    • Analiza si estoy usando el modelo correcto para cada agente
    • Recomienda optimizaciones de costo con ahorro estimado

    SKILL.md

    En inglés

    Cost Optimize

    Analyze recent token usage across agents and models, identify waste, and recommend specific optimizations with estimated dollar savings.

    When to use

    When costs are higher than expected or you want to proactively reduce spending. Analyzes model selection efficiency, cache utilization, agent redundancy, and prompt efficiency.

    Steps

    1. Load usage data -- call mcp__plugin_ruflo-core_ruflo__memory_search on the cost-tracking namespace (last 7 days). The memory_* tools route by namespace; use them — not agentdb_hierarchical-* (which routes by tier).

    2. Analyze model fit -- for each agent, assess whether the model tier matches task complexity:

      • Agents doing simple tasks (formatting, linting) on Sonnet/Opus → suggest Haiku or Agent Booster
      • Agents doing complex tasks (architecture, security) on Haiku → flag quality risk
    3. Check cache rates -- compute cache hit rate per agent; if below 60%, recommend enabling or improving prompt caching (90% cost reduction on cache reads)

    4. Detect redundancy -- look for multiple agents performing overlapping tasks, or agents being spawned for work that could be batched

    5. Estimate savings -- for each recommendation, calculate: current cost, projected cost after optimization, dollar savings, percentage reduction

    6. Search prior optimization patterns -- call mcp__plugin_ruflo-core_ruflo__agentdb_pattern-search (ReasoningBank-routed; don't pass a namespace argument — pattern-* tools ignore it).

    7. Store the optimization pattern -- two paths:

      • Pattern store (typed, recommended): mcp__plugin_ruflo-core_ruflo__agentdb_pattern-store with type: 'cost-optimization'. Don't pass a namespace arg — ReasoningBank routes it; on bridge unavailability the fallback writes to the reserved pattern namespace with controller: 'memory-store-fallback' (see ruflo-agentdb ADR-0001).
      • Plain store (namespace-routable): mcp__plugin_ruflo-core_ruflo__memory_store --namespace cost-patterns — this DOES respect the cost-patterns namespace because memory_* is namespace-routed.
    8. Close the routing feedback loop — auto-emit hooks_model-outcome -- for each downgrade recommendation, format the outcome-emit command as part of the recommendation table so it can be run directly:

      # success path (downgrade worked)
      node plugins/ruflo-cost-tracker/scripts/outcome.mjs "<task-description>" <model> success
      
      # escalated path (had to upgrade after downgrade attempt)
      node plugins/ruflo-cost-tracker/scripts/outcome.mjs "<task-description>" <model> escalated
      

      The script wraps npx @claude-flow/cli hooks model-outcome -t ... -m ... -o ... with explicit-argv spawnSync so quoting is safe. Without this signal the router does not learn from cost-tracker's recommendations and the booster bypass rate (see cost-booster-route skill) does not improve over time. This is the typed equivalent of the legacy routing-outcomes namespace (see ruflo-intelligence ADR-0001 §"Neutral").

    9. Report -- display: ranked recommendations with savings estimate, total potential savings, implementation priority (quick wins first), and any model-outcome events emitted in step 8

    CLI alternative

    npx @claude-flow/cli@latest memory search --query "cost optimization strategies" --namespace cost-patterns
    npx @claude-flow/cli@latest memory store --key "opt-2026-05-04" --value '{...}' --namespace cost-patterns
    

    Reproducido de ruvnet/ruflo bajo licencia MIT. Leer esta página en markdown.

    Archivos

    1 archivo en el paquete. Solo se lee SKILL.md al activarse — las referencias se cargan si el skill decide que las necesita.

    Antes de instalar

    Lee los últimos 7 días de datos del namespace `cost-tracking`.

    Necesita en el PATH:npx

    Detalles

    Creador
    ruvnet
    Licencia
    MIT
    Recursos incluidos
    Solo SKILL.md
    Repositorio
    ruvnet/ruflo
    Código fuente
    Ver SKILL.md

    Etiquetas

    Más de ruvnet/ruflo

    Este repo incluye 275 skills. Si instalas uno, normalmente ya tienes los demás.

    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.

    Costo de contexto al activarse
    833 tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 4 días
    Permisos
    herramientas desarrollo

    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.

    Costo de contexto al activarse
    566 tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 4 días
    Permisos
    automatizacion

    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.

    Costo de contexto al activarse
    627 tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 4 días
    Permisos
    automatizacion

    Construye o reconstruye el índice de ADRs y su grafo de dependencias ejecutando scripts/import.mjs, en vez de cientos de llamadas MCP.

    Costo de contexto al activarse
    866 tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 27 días
    herramientas desarrollo

    Crea un nuevo Architecture Decision Record con numeración secuencial y registro en AgentDB.

    Costo de contexto al activarse
    680 tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 27 días
    herramientas desarrollo

    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.

    Costo de contexto al activarse
    443 tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 26 días
    devops infraestructura

    Skills relacionados

    Agente especializado en desarrollo, entrenamiento y despliegue de modelos de machine learning.

    Costo de contexto al activarse
    1.3k tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 6 meses
    datos analitica

    Agente experto en análisis y optimización de matrices usando algoritmos sublineales. Se especializa en propiedades matriciales, dominancia diagonal, número de condición y recomendaciones para sistemas lineales grandes.

    Costo de contexto al activarse
    1.8k tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 6 meses
    datos analitica

    Especialista en entrenamiento y despliegue de redes neuronales. Gestiona entrenamiento distribuido, inferencia y ciclo de vida de modelos usando la infraestructura cloud de Flow Nexus.

    Costo de contexto al activarse
    965 tok
    Tamaño del paquete
    1 archivo
    Última actualización
    hace 6 meses
    datos analitica