我用OKF、CLAUDE.md和Skills大幅降低LLMToken消耗

我用OKF、CLAUDE.md和Skills大幅降低LLMToken消耗 | 前端进阶之旅

Full translation

完整中文译文

每次你向 AI 编程助手提问，它往往从零开始。

"认证逻辑在哪里实现的？"

"谁调用了 UserService？"

"这个 API 流程是怎么工作的？"

模型并不会记住你的架构，而是再次爬取几十个文件。这意味着更多的 token、更高的成本、更慢的响应，以及更多的幻觉风险。

在尝试 AI 辅助开发之后，我发现最大的优化不是选择不同的模型——而是改变你发送给模型的内容。

本文介绍一种分层工作流，通过 OKF、持久化项目记忆、按需 Skills 和 token 压缩，让 AI 代理的效率大幅提升。

为什么 token 优化很重要

LLM 不会像人类那样阅读代码。所有内容都转化为 token，通过 Transformer 层处理。

每一个不必要的文件、日志或重复的解释都会增加：

💰 成本（对于付费 API）

🧠 上下文窗口占用

❌ 丢失重要信息的风险

目标不是提供更少的上下文，而是提供结构更好的上下文。

第一层：用结构化知识替代原始代码

最大的改进来自于完全避免重复的文件读取。

不要在每个会话都把代码库喂给 LLM，而是生成一次知识包，让代理去查询它。这就是 OKF（Optimised Knowledge Format）的核心思想。它将项目的架构——类、函数、API、关系和模块——提取成结构化的 Markdown，人类和 AI 代理都可以高效导航。

传统工作流：

Question
│
▼
Read 40 files
│
▼
Understand architecture
│
▼
Answer

OKF 工作流：

Question
│
▼
Read knowledge bundle
│
▼
Jump directly to implementation
│
▼
Answer

区别很简单：

最容易生成这些知识包的方式是使用 OKF Generator，一个开源 CLI，通过静态分析扫描代码库并生成 OKF 包——无需 LLM。它支持增量更新、代理集成，甚至零 LLM 工作流，你可以完全离线生成和查询包。

GitHub: https://github.com/UmairBaig8/okf-generator

pip install okf-generator

# Generate your first bundle
okf generate

# Update it after new changes
okf update

# Install integrations for AI agents
okf install all

生成之后，让你的代理指向这个包而不是整个代码库。这个包是纯 Markdown，可版本控制，设计上与源代码共存。

不仅是 Claude：OKF 适用于任何代理

OKF 超越了 token 优化。在让开发者快速上手大型代码库时，你可以给任何 LLM 生成的 okf_bundle，让它解释项目、识别关键组件及其关系，并生成 Mermaid 图。

这提供了代码库的快速高层概览，可以显著减少上手时间。

在这个例子中，使用本地 LLM（gpt-oss20b），我让它分析 C:\Code\uigen\okf_bundle 并生成一个 Mermaid 图，以及对项目关键组件及其交互方式的解释。

所有组件、解释和 Web 流程都在不到 2 分钟内生成。

第二层：给你的项目加上记忆（CLAUDE.md）

大多数开发者反复解释同样的事情：

如何运行项目

架构决策

这些信息应该放在 CLAUDE.md，一个在每个会话开始时自动加载的持久化 Markdown 文件。它消除了重复的介绍，并让项目基础知识在不影响每次 prompt 的情况下始终可用。

一个好的 CLAUDE.md 包含：

# Project Rules

- Use pnpm instead of npm

This project has an OKF knowledge bundle at ./okf_bundle/.
- Use `okf lookup <Name>` for full concept context.
- Use `okf lookup --type <Type>` to filter by type.
- Read `SUMMARY.md` for the full knowledge map.

这些指令不需要在每次对话中重复，它们会自动加载。

# Project-level
./CLAUDE.md
./.claude/CLAUDE.md
# User-level
~/.claude/CLAUDE.md

第三层：只在需要时加载知识（Skills）

并非所有东西都值得永久占用上下文。

部署指南、审查清单、合规文档和冗长的 API 参考最好存为 Skills。Skills 是可复用的 SKILL.md 文件，在主上下文之外待机，直到任务需要它们时才调入，保持默认 prompt 精简，同时让详细工作流随时可用。

好的例子包括：

你的默认上下文保持精简，但专业知识只需一条命令即可获取。

.claude/skills/<name>/SKILL.md
# or
~/.claude/skills/<name>/SKILL.md

第四层：用 Hooks 自动保持一致性

Hooks 并不是直接节省 token，而是防止昂贵的错误。

每次编辑后自动格式化

阻止危险的 shell 命令

代理完成时通知你

自动运行 lint

由于 Hooks 在预定义的生命周期事件触发，它们完全省去了 prompt 中的重复指令。

.claude/settings.json
# or
~/.claude/settings.json

保持知识包最新

过时的架构几乎和没有架构一样糟糕。

你可以使用 GitHub Actions 在有人推送 main 或打开 pull request 时自动重新生成 OKF 包。这个工作流保持 AI 上下文与代码库同步，甚至可以为审查生成影响摘要。

name: OKF Bundle

on:
  push:
    branches: [main]

jobs:
  generate:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - run: pip install okf-generator
      - run: okf generate . okf_bundle

现在你的 AI 始终理解最新的架构。

同时减少输出 token

优化输入只是故事的一半。

两个互补工具解决不同的问题：

如果你的上下文中满是 git diff、构建日志或测试输出，rtk 会在其到达模型之前修剪它。如果你的助手倾向于产生冗长的解释，caveman 保持响应简洁。它们共同减少了 token 等式的两边。

完整的 token 高效工作流

每一层消除不同来源的浪费：

AI 开发的未来不是无限增加上下文窗口，而是让上下文变得有意图。

一个结构良好的代码库给 AI 助手带来的优势与给人类开发者相同：减少搜索时间，增加解决问题的时间。

如果你已经在使用 Claude Code、Cursor、Copilot 或其他 AI 编程助手，为你的下一个项目生成一个 OKF 包试试。你可能会在你注意到 token 节省之前很久就注意到差异了。

OKF Generator (GitHub)

如果你一直在尝试 token 优化或 AI 开发者工作流，我很想在评论中听到什么对你有效。