Token Budget

token-budget-advisor es una skill de enrutamiento que ayuda a elegir la profundidad de la respuesta antes de contestar. Úsala para controlar la longitud, el nivel de detalle o el gasto de tokens en automatizaciones de flujos de trabajo y chats. Esta guía de token-budget-advisor cubre las reglas de activación, cuándo no usarla y cómo aplicarla desde skills/token-budget-advisor.

cost-aware-llm-pipeline te ayuda a crear flujos de trabajo con LLM que controlan el gasto en API mediante enrutamiento de modelos, seguimiento inmutable de costes, gestión de reintentos y caché de prompts. Es ideal para trabajos por lotes, pipelines de documentos y automatización de flujos de trabajo cuando el volumen de salida y los compromisos de calidad necesitan reglas claras.

La skill context-budget audita el uso de contexto de Claude Code en agentes, skills, reglas y servidores MCP. Ayuda a identificar bloat, contenido duplicado y componentes de alto costo, y luego devuelve acciones de limpieza priorizadas. Usa esta guía de context-budget para una aplicación práctica del presupuesto de contexto y para pruebas de skills en configuraciones más grandes.

context-compression es una skill práctica para reducir sesiones largas de agentes sin perder los datos necesarios para continuar el trabajo. Ayuda con context compression, el resumen estructurado, el seguimiento de archivos, la preservación de decisiones y la optimización de tokens por tarea en tareas de programación de larga duración y flujos de trabajo de Context Engineering.

context-fundamentals es una guía práctica de ingeniería de contexto para sistemas de agentes de IA. Te ayuda a decidir qué debe ir en el prompt, depurar problemas de contexto y gestionar mejor los presupuestos de tokens con una estructura de contexto más clara. Usa esta skill de context-fundamentals cuando necesites una guía sólida sobre context-fundamentals para diseño de agentes y optimización de prompts.

context-optimization es una skill práctica para ingeniería de contexto que ayuda a reducir el desperdicio de tokens, preservar el estado de decisión y gestionar flujos de trabajo largos. Úsala para manejar límites de contexto, recortar el exceso de salida de herramientas, mejorar la estructura de prompts compatible con caché, aplicar enmascaramiento de observaciones y compactación, y dividir el contexto cuando haga falta. Está pensada para uso real, no solo para teoría.