save-money

核心用法

Save Money 是一个纯行为指导型的成本优化技能，其核心机制是在系统提示词层面嵌入智能路由规则。当用户发起请求时，AI 首先根据预设的复杂度指标（任务类型、长度、结构需求等）进行快速分类：简单任务（事实问答、单句翻译、问候等）直接由低成本的 Claude Haiku 处理；复杂任务（分析报告、代码编写、多步骤推理、长文档总结等）则立即调用 sessions_spawn 升级至 Sonnet 模型。整个决策过程在毫秒级完成，对用户完全透明。

该技能采用"When in doubt, escalate"的保守策略——当任务边界模糊时优先升级，避免因误判导致输出质量下降。同时支持动态降级机制：若对话已从 Sonnet 回到简单跟进，可自动切回 Haiku 继续处理。

显著优点

成本效益突出：官方宣称可节省 50%+ 的 API 费用，对于高频使用场景（客服、内容审核、日常问答）尤为显著。Haiku 与 Sonnet 的定价差距通常达 5-10 倍，精准路由能大幅降低运营支出。

规则体系完善：提供了覆盖多语言（中英日韩德）的具体示例、明确的触发条件清单、以及"30秒思考法则"等实用判断标准，大幅降低模型的误判率。

零侵入设计：无需修改现有代码或接入新 API，仅通过 SKILL.md 的描述字段注入行为指导，部署成本为零。

生态兼容性强：文档明确给出 OpenAI、Google 等厂商的模型映射方案，便于迁移至其他平台。

潜在缺点与局限性

分类准确性依赖模型能力：虽然规则详尽，但最终判断仍取决于 Haiku 自身的理解能力。对于边缘案例（如"简短但专业度要求高的邮件"），可能出现该升未升或过度升级的情况。

无法处理实时反馈：技能本身无状态记忆，若用户连续对话中任务性质渐变（从简单询问演变为深度分析），依赖模型自行识别转折点，存在滞后风险。

多语言覆盖不均：虽然提供了五种语言的示例，但规则描述以英文为主，非英语场景下的分类一致性可能略逊。

成本节省存在天花板：对于本身以复杂任务为主的用户群体（如程序员、研究员），实际节省比例可能远低于 50%。

适合的目标群体

• 高频轻量用户：客服团队、社群运营、个人助理等日常以简单问答为主的场景
• 成本敏感型企业：AI 应用已进入规模化阶段，需要精细化控制推理支出
• 多模型部署者：已在 Claude 生态内使用 Haiku/Sonnet 组合，希望自动化路由决策
• 技能开发者：希望学习行为注入（behavioral injection）设计模式的参考案例

使用风险

性能风险：sessions_spawn 调用涉及额外的模型初始化开销，对于极短对话可能抵消甚至超过成本节省。

体验一致性风险：Haiku 与 Sonnet 的输出风格、格式偏好存在差异，用户可能在切换时感知到"人格变化"。

规则僵化风险：预设的触发条件（如"代码>10行"）可能随模型迭代而过时，需定期维护更新。

供应商锁定风险：技能深度绑定 Claude 的模型命名体系，迁移至其他平台需手动调整映射表。