Prose Optimize

优化 OpenProse 文件，减少不必要的 LLM API 调用。触发：修改或编写 .prose 文件时。

Prose Optimize — 减少 Prose 文件的 LLM Token 消耗

When to Use

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

Steps

1. 审计所有 session 和 agent 语句 — 逐个标注是否需要语义理解
2. Python 替代 — 以下场景不需要 LLM：
   • 跑脚本并返回输出
   • 条件分支（if/else）
   • JSON 解析和字段提取
   • 简单的模板渲染（JSON → 报告）
3. Pipe 连接脚本 — 多个 Python 脚本串联用 |，不要中间用 LLM 包装
4. 合并 LLM 调用 — 只做数据传递的 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
5. 用 Prose VM 原生条件 — **if** 替代让 LLM 判断分支，但不如纯 Python
6. Python 统一入口 — 把分支逻辑封装到一个 Python 脚本，prose 里一行调用

Common Pitfalls

• 变量为空时直接拼命令会导致 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

Examples

Before（2 次 LLM）:

agent analyzer:
  prompt: "Analyze this conversation and output JSON..."
let analysis = session: analyzer
  prompt: "Analyze..."

agent extractor:
  prompt: "Extract reusable knowledge and output JSON..."
let extraction = session: extractor
  prompt: "Extract..."
  context: analysis

After（1 次 LLM）:

agent analyzer_extractor:
  prompt: |
    Read the session, analyze AND extract. Output single JSON:
    { "analysis": {...}, "extraction": {...} }
let combined = session: analyzer_extractor
  prompt: "Read, analyze, and extract:"

Key Commands

# 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

---

Extracted by EvoSkill