Skill 工程化指南：解决不稳定与高 Token 消耗
文章指出 AI Skill 在应用中常因大模型的不确定性导致运行不稳定和 Token 消耗过高。作者提出应将确定性流程（如固定代码、参数）沉淀为脚本，仅让大模型负责逻辑判断与调度。通过视频字幕处理案例，详细演示了四步工程化法，并提供了可直接复制的工程化提示词，帮助用户实现流程稳定化与成本优化。
🏷️ Token 优化
3 篇解决 Claude Codex 高 Token 消耗的 Memory 方案调研
文章指出 Claude/Codex 月费高昂的根源在于缺乏持久化记忆，导致大量 Token 浪费在重复上下文上。作者调研了 Agent Memory 层的 4 大派系（协议、框架、协处理器、特定工具），整理了 18 个开源项目，并针对不同使用场景提供了具体的选型建议，旨在通过引入记忆层将 Token 成本降低 50%。
装完 Hermes 一定要配置这五套系统，秒变满配版
本文介绍了如何通过配置五大核心模块（身份记忆、感知、表达、效率、生态导航）将 Hermes AI Agent 打造为“满配版”。详细步骤涵盖了使用 agency-agents-zh 库定义角色、集成 Hindsight 实现长期记忆、安装 Jina/Camelfox 等抓取工具、配置 Tavily 搜索与 Whisper 语音能力，以及利用 Tokscale 和 RTK 进行 Token 成本管控与性能优化。