Context Budget Analyzer

上下文 Token 预算分析 — 按类别统计 token 使用（工具调用/用户消息/附件/重复文件读取），找出浪费点。适用于：(1) 对话快到 context 上限时诊断 (2) 优化长对话的 token 使用 (3) 发现重复文件读取等低效模式。灵感源自 Claude Code contextAnalysis.ts。

核心理念

不知道 token 花在哪里，就无法优化。

分析维度

1. 按消息类型

Human messages:     XXX tokens (XX%)
Assistant messages: XXX tokens (XX%)
Tool requests:      XXX tokens (XX%)
Tool results:       XXX tokens (XX%)
Attachments:        XXX tokens (XX%)
System/Other:       XXX tokens (XX%)
─────────────────────────────────
Total:              XXX tokens

2. 按工具分布

Tool Requests:
  BashTool:     XXX tokens (N 次)
  FileRead:     XXX tokens (N 次)
  FileEdit:     XXX tokens (N 次)
  WebFetch:     XXX tokens (N 次)

Tool Results:
  BashTool:     XXX tokens (N 次)
  FileRead:     XXX tokens (N 次)  ← 通常最大

3. 重复文件读取检测

最大浪费源之一：同一文件被 FileRead 多次。

⚠️ Duplicate File Reads:
  src/auth.py:       3 次, ~2400 tokens 浪费
  src/config.ts:     2 次, ~800 tokens 浪费
  Total waste:       ~3200 tokens

优化建议

发现	优化
重复文件读取	一次读取后缓存内容，不要再读
Tool results 占比 >50%	使用更精准的搜索（grep 替代全文件读取）
Attachments 占比高	压缩前移除图片块
单个 Bash 输出超大	加 head -N 或 | tail -N 限制输出
Assistant 消息过长	减少重复解释，更简洁

使用方式

对话中感觉 context 紧张时，做一次快速分析：

1. 回顾本轮对话的工具调用次数
2. 识别是否有同一文件被多次读取
3. 检查 Bash 输出是否过长
4. 决定是否需要 compact

预算红线

阈值	行动
总 token < 50% 上限	正常工作
总 token 50-75%	注意效率，避免大文件全量读取
总 token > 75%	考虑主动 compact
总 token > 90%	立即 compact，否则下一轮可能截断

🚀 Installation

Via OpenClaw CLI

openclaw skill install github:Arxchibobo/context-budget-analyzer

Manual Installation

cd ~/.openclaw/workspace/skills/
git clone https://github.com/Arxchibobo/context-budget-analyzer.git context-budget-analyzer

📄 License

MIT

---

This is an OpenClaw AgentSkill. Learn more at docs.openclaw.ai.