cost-latency-optimizer — скилл для Claude Code: экономия на LLM
Скилл разбирает, куда уходят деньги и время в LLM-приложении, и предлагает кеш, выбор модели, батчинг и сжатие промптов.
npx skills add patricio0312rev/skills --skill cost-latency-optimizer -a claude-codeЧто делает cost-latency-optimizer
Скилл даёт агенту готовые куски кода на Python: класс для подсчёта расходов по вызовам, эмбеддингам и инструментам, кеш поверх Redis с ключом из хеша промпта и модели, таблицу цен на gpt-4, gpt-3.5-turbo, claude-3-opus и claude-3-sonnet. Отдельно идёт выбор модели по сложности запроса и трекер задержек с отчётом по среднему и p95.
Батчинг собран на asyncio.gather с размером пачки, а стриминг описан как способ сократить время до первого байта. В конце — генератор рекомендаций: он смотрит на суммы расходов и среднюю задержку и выдаёт список правок с ожидаемым эффектом.
Кеш требует клиента Redis, а расчёт стоимости в примере зашит под цены GPT-4 — если у вас другие тарифы, цифры в отчёте поедут. Это повод проверить таблицу MODEL_PRICING перед первым запуском. Классификация сложности держится на простых эвристиках вроде длины запроса и слов «analyze», «complex», «detailed», так что на нестандартных формулировках она промахивается.
Какие задачи решает
- посчитать, сколько денег уходит на вызовы LLM за день
- найти операцию, которая тормозит ответ сильнее остальных
- закешировать повторяющиеся запросы к модели
- перевести простые запросы на дешёвую модель
- сократить промпт, выкинув лишние токены
Примеры запросов агенту
- проанализируй расходы на LLM в моём сервисе и покажи разбивку по вызовам
- где у меня узкие места по задержке? добавь трекер и собери отчёт
- предложи, что поменять в конфиге, чтобы снизить стоимость запросов
Как установить cost-latency-optimizer
1Через Skills CLI (Vercel)
npx skills add patricio0312rev/skills --skill cost-latency-optimizer -a claude-code2Вручную: положить файлы
~/.claude/skills/cost-latency-optimizer/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/cost-latency-optimizer/
1Через Skills CLI (Vercel)
npx skills add patricio0312rev/skills --skill cost-latency-optimizer -a codex2Вручную: положить файлы
.agents/skills/cost-latency-optimizer/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add patricio0312rev/skills --skill cost-latency-optimizer -a cursor2Вручную: положить файлы
.cursor/skills/cost-latency-optimizer/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install patricio0312rev/skills cost-latency-optimizer2Вручную: положить файлы
.github/skills/cost-latency-optimizer/SKILL.md1Через Skills CLI (Vercel)
npx skills add patricio0312rev/skills --skill cost-latency-optimizer -a gemini-cli2Командой платформы
gemini skills install https://github.com/patricio0312rev/skills --path ai-engineering/cost-latency-optimizerВручную: положить файлы
.devin/skills/cost-latency-optimizer/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Через Skills CLI (Vercel)
npx skills add patricio0312rev/skills --skill cost-latency-optimizer -a opencodeClaude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы о cost-latency-optimizer
Как установить cost-latency-optimizer в Claude?
Выполните npx skills add patricio0312rev/skills --skill cost-latency-optimizer -a claude-code. Скилл окажется в ~/.claude/skills/cost-latency-optimizer/SKILL.md.
Что делает cost-latency-optimizer?
Считает расходы на вызовы LLM, эмбеддинги и инструменты, измеряет задержки и выдаёт рекомендации по кешу, выбору модели, батчингу и сжатию промптов.
Что нужно для работы скилла?
Примеры кеша используют клиент Redis, а расчёт стоимости опирается на таблицу цен с GPT-4 и моделями Claude. Под свои тарифы таблицу придётся править.
Исходный текст
SKILL.md · MIT
---
name: cost-latency-optimizer
description: Reduces LLM costs and improves response times through caching, model selection, batching, and prompt optimization. Provides cost breakdowns, latency hotspots, and configuration recommendations. Use for "cost reduction", "performance optimization", "latency improvement", or "efficiency".
---
# Cost & Latency Optimizer
Optimize LLM applications for cost and performance.
## Cost Breakdown Analysis
```python
class CostAnalyzer:
def __init__(self):
self.costs = {
"llm_calls": 0,
"embeddings": 0,
"tool_calls": 0,
}
self.counts = {
"llm_calls": 0,
"embeddings": 0,
}
def track_llm_call(self, tokens_in: int, tokens_out: int):
# GPT-4 pricing
cost = (tokens_in / 1000) * 0.03 + (tokens_out / 1000) * 0.06
self.costs["llm_calls"] += cost
self.counts["llm_calls"] += 1
def report(self):
return {
"total_cost": sum(self.costs.values()),
"breakdown": self.costs,
"avg_cost_per_call": self.costs["llm_calls"] / self.counts["llm_calls"],
}
```
## Caching Strategy
```python
import hashlib
from functools import lru_cache
class LLMCache:
def __init__(self, redis_client):
self.cache = redis_client
self.ttl = 3600 # 1 hour
def get_cache_key(self, prompt: str, model: str) -> str:
content = f"{model}:{prompt}"
return f"llm_cache:{hashlib.sha256(content.encode()).hexdigest()}"
def get(self, prompt: str, model: str):
key = self.get_cache_key(prompt, model)
return self.cache.get(key)
def set(self, prompt: str, model: str, response: str):
key = self.get_cache_key(prompt, model)
self.cache.setex(key, self.ttl, response)
# Usage
cache = LLMCache(redis_client)
def cached_llm_call(prompt: str, model: str = "gpt-4"):
# Check cache
cached = cache.get(prompt, model)
if cached:
return cached
# Call LLM
response = llm(prompt, model=model)
# Cache result
cache.set(prompt, model, response)
return response
```
## Model Selection
```python
MODEL_PRICING = {
"gpt-4": {"input": 0.03, "output": 0.06},
"gpt-3.5-turbo": {"input": 0.0005, "output": 0.0015},
"claude-3-opus": {"input": 0.015, "output": 0.075},
"claude-3-sonnet": {"input": 0.003, "output": 0.015},
}
def select_model_by_complexity(query: str) -> str:
"""Use cheaper models for simple queries"""
# Classify complexity
complexity = classify_complexity(query)
if complexity == "simple":
return "gpt-3.5-turbo" # 60x cheaper
elif complexity == "medium":
return "claude-3-sonnet"
else:
return "gpt-4"
def classify_complexity(query: str) -> str:
# Simple heuristics
if len(query) < 100 and "?" in query:
return "simple"
elif any(word in query.lower() for word in ["analyze", "complex", "detailed"]):
return "complex"
return "medium"
```
## Prompt Optimization
```python
def optimize_prompt(prompt: str) -> str:
"""Reduce token count while preserving meaning"""
optimizations = [
# Remove extra whitespace
lambda p: re.sub(r'\s+', ' ', p),
# Remove examples if not critical
lambda p: p.split("Examples:")[0] if "Examples:" in p else p,
# Use abbreviations
lambda p: p.replace("For example", "E.g."),
]
for optimize in optimizations:
prompt = optimize(prompt)
return prompt.strip()
# Example: 500 tokens → 350 tokens = 30% cost reduction
```
## Batching
```python
async def batch_llm_calls(prompts: List[str], batch_size: int = 5):
"""Process multiple prompts in parallel"""
results = []
for i in range(0, len(prompts), batch_size):
batch = prompts[i:i + batch_size]
# Parallel execution
batch_results = await asyncio.gather(*[
llm_async(prompt) for prompt in batch
])
results.extend(batch_results)
return results
# 10 sequential calls: ~30 seconds
# 10 batched calls (5 parallel): ~6 seconds
```
## Latency Hotspot Analysis
```python
import time
class LatencyTracker:
def __init__(self):
self.timings = {}
def track(self, operation: str):
def decorator(func):
def wrapper(*args, **kwargs):
start = time.time()
result = func(*args, **kwargs)
duration = time.time() - start
if operation not in self.timings:
self.timings[operation] = []
self.timings[operation].append(duration)
return result
return wrapper
return decorator
def report(self):
return {
op: {
"count": len(times),
"total": sum(times),
"avg": sum(times) / len(times),
"p95": sorted(times)[int(len(times) * 0.95)]
}
for op, times in self.timings.items()
}
# Usage
tracker = LatencyTracker()
@tracker.track("llm_call")
def call_llm(prompt):
return llm(prompt)
# After 100 calls
print(tracker.report())
# {"llm_call": {"avg": 2.3, "p95": 4.1, ...}}
```
## Optimization Recommendations
```python
def generate_recommendations(cost_analysis, latency_analysis):
recs = []
# High LLM costs
if cost_analysis["costs"]["llm_calls"] > 10:
recs.append({
"issue": "High LLM costs",
"recommendation": "Implement caching for repeated queries",
"impact": "50-80% cost reduction",
})
if cost_analysis["avg_cost_per_call"] > 0.01:
recs.append({
"issue": "Using expensive model for all queries",
"recommendation": "Use gpt-3.5-turbo for simple queries",
"impact": "60% cost reduction",
})
# High latency
if latency_analysis["llm_call"]["avg"] > 3:
recs.append({
"issue": "High LLM latency",
"recommendation": "Batch parallel calls, use streaming",
"impact": "50% latency reduction",
})
return recs
```
## Streaming for Faster TTFB
```python
async def streaming_llm(prompt: str):
"""Stream tokens as they're generated"""
async for chunk in llm_stream(prompt):
yield chunk
# User sees partial response immediately
# Time to First Byte: ~200ms (streaming) vs ~2s (waiting for full response)
```
## Best Practices
1. **Cache aggressively**: Identical queries cached
2. **Model selection**: Use cheaper models when possible
3. **Prompt optimization**: Reduce unnecessary tokens
4. **Batching**: Parallel execution for throughput
5. **Streaming**: Faster perceived latency
6. **Monitor costs**: Track per-user, per-feature
7. **Set budgets**: Alert on anomalies
## Output Checklist
- [ ] Cost tracking implementation
- [ ] Caching layer
- [ ] Model selection logic
- [ ] Prompt optimization
- [ ] Batching for parallel calls
- [ ] Latency tracking
- [ ] Hotspot analysis
- [ ] Optimization recommendations
- [ ] Budget alerts
- [ ] Performance dashboard
© patricio0312rev · MIT · patricio0312rev/skills