Swamp 把重复的 Agent skill 编译成确定性工作流,Token 消耗减少 8 倍
Swamp 让 Agent 第一次拆解任务后把固定步骤编译成代码,只有需要分析判断的部分才调 LLM。官方数据是 Token 省 8 倍、速度快 2 倍。如果你天天用 Claude Code、Cursor 跑重复任务,这个开源项目值得装来试试。
开源项目 Swamp 提出把重复执行的 skill 编译成确定性 Workflow:Agent 第一次运行时把任务拆解成可复用的 Behaviors,再连接成可执行工作流,之后直接运行,不再逐步重新规划。
核心机制在于区分确定性操作与模型调用:获取数据、比较阈值、决定流程分支等步骤由代码完成,只有真正需要理解分析判断的环节才调用 LLM。每个 Behavior 有强类型的输入输出,步骤之间传递的数据明确可校验。以“定期检查服务器状态、分析异常并生成报告”为例,Agent 会先把任务固化为获取状态、检查指标、判断异常、必要时调用 LLM 分析原因、生成报告的固定流程。
按作者给出的数据,这种方式让 Token 消耗减少 8 倍、速度提升 2 倍。项目兼容 Claude Code、Cursor、Codex 等 9 个主流 coding agent 的 skill 格式,安装后即可使用,适合需要反复执行相同 Agent 任务的运维和开发场景。
把重复的skill编译成确定性的工作流,建一次,跑无数次,Token消耗减少8倍、速度提升2倍
现在都用Skill,但每次运行,模型都要重新读说明、重新理解、重新决定每一步怎么走,就很浪费
每次重新规划,等于每次烧token、每次有随机性、每次都慢
Swamp给出了解法,让Agent第一次就把任务拆解成可复用的Behaviors,再连接成可执行的Workflow,以后直接运行
比如让Agent定期检查服务器状态、分析异常并生成报告
Swamp让Agent先把任务固化成工作流:获取服务器状态、检查指标、判断是否异常、必要时调用LLM分析原因、生成报告
每个behaviors有强类型的输入输出,步骤之间传什么是明确可校验的
其中获取数据、比较阈值、决定流程分支等确定性操作,直接由代码完成,只有真正需要理解分析判断的环节才调用大模型
支持Claude Code、Cursor、Codex等9个主流coding agent的skill,装上就能用
#skill优化 #AgentSkill #OpenSource
This report is categorized under AITOP's "How-to" desk, focusing on US frontier AI labs and Silicon Valley technology leaders. Within our cross-regional analytical framework, it directly maps to AI developer toolchains, coding agents, and engineering workflows and US-China foundation model benchmarks and commercialization comparison. Key entities and technical topics under continuous tracking include Swamp, Claude Code, Cursor, Codex.
Source attribution: curated from AIGCLINK (@aigclink). Cross-source corroboration: 11 independent sources have covered this development (including shao__meng, berryxia, 掘金本周最热), confirming industry-wide signal strength.