Prose 优化 — 减少 Prose 文件的 LLM Token 消耗

使用时机

在修改或编写 .prose 文件时，希望减少 LLM API 调用次数和 token 消耗。

步骤

1. 1. 审计所有 session 和 agent 语句 — 逐一标注是否需要语义理解
2. Python 替代 — 以下场景不需要 LLM：

- 运行脚本并返回输出 - 条件分支（if/else） - JSON 解析和字段提取 - 简单的模板渲染（JSON → 报告）

1. 3. Pipe 连接脚本 — 多个 Python 脚本串联使用 |，中间不要用 LLM 包装
2. 合并 LLM 调用 — 仅做数据传递的 agent 步骤可以合并：

- analyzer + extractor → 一次调用输出两份 JSON - 模式分析 + SKILL.md 生成 → 一次调用输出两份

1. 5. 使用 Prose VM 原生条件 — if 替代让 LLM 判断分支，但不如纯 Python
2. Python 统一入口 — 将分支逻辑封装到一个 Python 脚本，prose 里一行调用

常见陷阱

• - 变量为空时直接拼接命令会导致 argparse 参数错位，需要 Python 脚本处理空值（--topic → falsy）
• 合并 agent 步骤时注意 context 依赖，合并后失去中间变量
• Prose VM 条件分支（if）仍然消耗当前 turn 的 token，不如纯 Python
• 不要为了合并而合并 — 如果两个步骤逻辑独立，分开更清晰

示例

优化前（2 次 LLM）：

prose
agent analyzer:
prompt: 分析这段对话并输出 JSON...
let analysis = session: analyzer
prompt: 分析...

agent extractor:
prompt: 提取可复用的知识并输出 JSON...
let extraction = session: extractor
prompt: 提取...
context: analysis

优化后（1 次 LLM）：

prose
agent analyzer_extractor:
prompt: |
读取会话，同时进行分析和提取。输出单个 JSON：
{ analysis: {...}, extraction: {...} }
let combined = session: analyzer_extractor
prompt: 读取、分析并提取：

关键命令

bash

审计 prose 文件中的 LLM 调用

grep -c session\|agent: my-workflow.prose

测试 Python 脚本 pipe

python3 ./src/script1.py --json | python3 ./src/script2.py --from-json

检查脚本参数处理（空值安全）

python3 ./src/collect_sessions.py --since 24h --topic --limit 5

---

由 EvoSkill 提取