长对话瘦身 · 冗余扫描与压缩【律令·本地零联网】
对话压缩与对话精简:扫描导出的对话文件找出冗余大块,干跑预览能省多少上下文、做上下文优化,确认后写瘦身副本做对话清洗,原件不动。
免费 · 开源许可 BUSL-1.1 · 本地执行,安装后不产生任何外部网络请求
去安装 →这个技能做什么
本地运行,零网络、免 API Key、数据不出电脑。 四项诚实承诺:① 算不出就说算不出,绝不编造数字;② 高危动作强制人工确认;③ 幂等断点,绝不重复副作用;④ 全程留痕可审计。
长对话瘦身
子命令(全部实测通过)
scan:冗余扫描
conversation_slimmer.py scan conv2.md
实测(80 行对话夹具):
{"role_token_share": {"user": 181, "assistant": 705},
"oversize_code_blocks": [{"start": 10, "end": 73, "lines": 64, "est_saving": 456}],
"duplicate_groups": [{"count": 2, "est_tokens_each": 104}],
"est_saving_tokens": 560}
slim:干跑预览 → 确认瘦身
conversation_slimmer.py slim conv2.md # 干跑,只出报告
conversation_slimmer.py slim conv2.md --yes --out conv2_slim.md # 写瘦身副本
实测:干跑带 "dry_run": true 提示;确认后 {"orig_est_tokens": 909, "new_est_tokens": 381, "lines_removed": 58},原文件字节级未动。--out 与原文件相同被拒绝:{"ok": false, "error": "--out 禁止与原文件相同"}。
工作流建议
- 先 scan 拿冗余画像,把 est_saving_tokens 与用户确认再动刀
- 瘦身副本回读抽检省略标记处,确认没有剪掉关键结论
- 交付时说明:只做了机械冗余处理(超长代码/工具输出截断、完全重复折叠),正文一字未改,原文仍完整保留
自检清单
- 未加 --yes 时是否确实没写任何文件
- --out 是否与原文件不同(相同必须报错)
- 瘦身副本的用户/助手正文是否与原文逐字一致
- 每处截断/折叠是否都带「省略 n 行,原文 Lx-Ly」标记可回溯
与相邻技能的关系
本包只做自己职责范围内的事,遇到下列情形直接转给兄弟技能:
| 用户要做的事 | 转交给 | 转交话术 |
|---|---|---|
| 要压缩的是长文/文档而非对话 | context-compressor | 「长文压缩交给 context-compressor」 |
| 要的是结构化摘要而非瘦身 | dialogue-summarizer | 「摘要提炼交给 dialogue-summarizer」 |
| 要精确估算省了多少 | token-optimizer | 「用量估算交给 token-optimizer」 |
反向边界:确认前只干跑预览,不动原件;确认后写瘦身副本,原件保留。
你是一个会话文件的裁缝:只剪机械冗余(超长工具输出、完全重复块),不碰人说的正文,动刀前先给预览。核心原则:默认干跑、只写副本永不动原件、正文原样保留。
标签
对话瘦身对话压缩对话精简上下文优化对话清洗
安装方式
- 打开 SkillHub 上的技能页,点击安装;
- 技能文件落在本机技能目录,SKILL.md 全文可在安装前预览;
- 在你的 Agent 里直接说出使用场景即可触发,例如「对话记录太长了、瘦身一下聊天记录、导出的会话太大」。
network: none,运行过程中不发起任何外部网络请求,也不上传你的文件与数据。你可以断网运行来验证这一点。同类技能
常见问题
按真实会被问到的顺序排。每条答案都给得出可核对的依据——触发词、文件名、路径、源码,全部来自技能包里的真实内容,不是宣传话术。
长对话瘦身 · 冗余扫描与压缩 能帮我做什么?
对话压缩与对话精简:扫描导出的对话文件找出冗余大块,干跑预览能省多少上下文、做上下文优化,确认后写瘦身副本做对话清洗,原件不动。
常见的触发场景有:对话记录太长了、瘦身一下聊天记录、导出的会话太大。
完整说明、版本记录和安装方式在 SkillHub 上的「长对话瘦身 · 冗余扫描与压缩」页面。
具体能做哪几件事?
按包内文档「子命令(全部实测通过)」,它做这几件事:
- scan:冗余扫描
- slim:干跑预览 → 确认瘦身
它明确不做什么?什么情况该转给别的技能?
本包只做职责范围内的事。下面这些情况它会明确转给兄弟技能,而不是硬做:
- 要压缩的是长文/文档而非对话 → 转给 context-compressor
- 要的是结构化摘要而非瘦身 → 转给 dialogue-summarizer
- 要精确估算省了多少 → 转给 token-optimizer
反向边界:确认前只干跑预览,不动原件;确认后写瘦身副本,原件保留。
用之前得注意什么?有什么红线?
每次执行前要过的自检项:
- 未加 --yes 时是否确实没写任何文件
- --out 是否与原文件不同(相同必须报错)
- 瘦身副本的用户/助手正文是否与原文逐字一致
- 每处截断/折叠是否都带「省略 n 行,原文 Lx-Ly」标记可回溯
装上之后怎么用?
安装后,在支持 SkillHub 的 AI 客户端(如 WorkBuddy)里直接使用即可。
触发方式:对话里提到「对话记录太长了、瘦身一下聊天记录、导出的会话太大」等场景,或把相关文件发给 AI,它就会自动响应。
也可以直接跑脚本,典型用法:"$PY" <skill目录>/scripts/conversation_slimmer.py <子命令> [参数](完整参数见包内说明)。
或从客户端的「已安装技能」列表里手动唤起。
怎么验证它真的没有联网?
不发一个网络包——包的 frontmatter 声明 network: none,不声明就没有联网能力。三条验证路径任选:
① 安装后把网断掉再跑一遍,功能照常——它本来就没打算联网;
② 用抓包工具(Wireshark / Fiddler)观察该技能进程,零外部连接;
③ 直接翻源码:conversation_slimmer.py、token_estimator.py 等源码全部公开可预览,没有一行网络代码。这是能逐行核对的技术事实,不是宣传口号。
要付费吗?要 API Key 吗?
不需要 API Key,全部技能免费安装。
许可为 BUSL-1.1:BUSL-1.1 源码可见,个人及企业内部可自由使用(含内部生产环境);发布满 4 年自动转为 Apache-2.0。详见随包 LICENSE.md。
什么环境能跑?需要装依赖吗?
Windows / macOS / Linux 都能跑。
依赖情况以包内「环境准备」一节为准,SkillHub 安装页可直接预览 SKILL.md 全文。
唯一前置是本机装了 Python 3;客户端(如 WorkBuddy)会替你调用,一般不用手动敲命令。
它会不会乱动我的电脑?高危操作怎么办?
四项诚实承诺写死在每个包里:算不出就说算不出;高危动作强制人工确认(阻断而非提示,不是弹窗问一句就放行);幂等断点,绝不重复副作用;全程留痕可审计。
这类工具包只读取你指定的输入,结果写到输出目录,不改原文件;每一步动作留痕可查。
遇到问题怎么反馈?
执行 · 门禁 · 账单 · 可靠 —— 四块拼图,覆盖 Agent 落地全链路
去企业页 →