epoko77-ai

Tokensave — AI skill for Claude Code

AI community

멀티에이전트 Claude Code 하네스를 위한 토큰 비용 lint — 10 카테고리 × 31 sub-patterns 분류학 + 정적 감사 스크립트 + LLM 0회 결정 트리.

How to install Tokensave

This entry records only its repository, not the path inside it, so there is no exact command to give. Open epoko77-ai/tokensave and copy the folder into ~/.claude/skills/, or the file into ~/.claude/agents/.

What Tokensave does

멀티에이전트 Claude Code 하네스를 위한 토큰 비용 lint — 10 카테고리 × 31 sub-patterns 분류학 + 정적 감사 스크립트 + LLM 0회 결정 트리. Korean primary, English mirror.

Alternatives in AI

Wiki Lint — Health-check the LLM Wiki for issues 2.3k ★
Cc Mirror — Create multiple isolated Claude Code variants with custom providers (Z.ai, MiniMax, OpenRouter, LiteLLM) 2.1k ★
Orkas — Open-source multi-agent AI desktop client — build and command your AI agent team through conversation 1.5k ★

README

tokensave

[![Version](https://img.shields.io/badge/version-1.0-blue)](https://github.com/epoko77-ai/tokensave/releases/tag/v1.0) [![License: MIT](https://img.shields.io/badge/License-MIT-yellow.svg)](https://opensource.org/licenses/MIT) [![Python 3.10+](https://img.shields.io/badge/python-3.10+-blue.svg)](https://www.python.org/downloads/) [![Dependencies](https://img.shields.io/badge/deps-stdlib_only-green.svg)](#) [![English README](https://img.shields.io/badge/README-English-lightgrey)](README.en.md)

🌏 **English version available:** [README.en.md](README.en.md) — full English documentation including case studies and citations.

**멀티에이전트 Claude Code 하네스를 위한 토큰 비용 lint 도구.** 멀티에이전트를 막는 게 아니라, **잘 형성된(well-formed)** 멀티에이전트를 짓도록 돕는다. 자매 저장소: [harness-diagnostic](https://github.com/epoko77-ai/harness-diagnostic) — 구조적 진단 / tokensave — 비용 최적화.

📚 **한국어 분류학:** [`references/taxonomy.md`](references/taxonomy.md) — 220줄, 10 카테고리 × 31 sub-patterns 전체. 📂 **참고 자료(영어):** [`references/`](references/) · [`examples/case_studies/`](examples/case_studies/) — references, case studies는 영어로 유지(한국·해외 양쪽 참조 가능).

TL;DR

사용자(작성자) 본인의 27개 하네스 Claude Code 카탈로그를 직접 감사한 결과:

에이전트 99%가 Opus 사용 (103/104)
프롬프트 캐싱 0/27 (모든 하네스가 미사용)
20개 에이전트가 결정적 작업(regex·verbatim 매핑)을 LLM에 위임 — 한 사례는 91분 Opus 호출 후 산출물 0
5+ agent 팀이 93% (25/27)

팀 자체는 대부분 정당하다 — paper-maker, ainews-daily, policyblind 같은 사례는 well-formed hierarchical/pipeline 구조. 문제는 **7×~15× 곱연산을 5개 비용 최적화 패턴 없이 지불**하는 것.

`tokensave`은 (1) 분류학(10 카테고리 × 31 sub-patterns), (2) 정적 감사 스크립트 `audit.py`, (3) LLM 호출 0회 결정 트리 `model_selector.py`, (4) 24행 작업→모델 매트릭스, (5) 멀티에이전트 최적 팀 구성 매트릭스를 묶은 메타 스킬. **표준 라이브러리만 사용 (외부 의존 0).**

5초 안에 본인 카탈로그 감사: `python3 scripts/audit.py`

80/20 원칙 (도구의 심장)

**작업 복잡도를 모델 티어와 먼저 매칭하라** — 결정적 작업은 Python, 탐색은 Haiku, 표준 출력은 Sonnet, high-stake reasoning은 Opus. **이 단일 레버가 절감의 ~70-80%.** 5개 팀 구성 패턴(cache_control, role-tier mix, 병렬/직렬 의도 선언, wall-clock cap, file-base