tool-proficiency-tracker
Skill7 starsChanged 4 months agoMITView on GitHub
Мониторинг использования инструментов. Замечает когда слишком часто используешь один инструмент в ущерб другим. Предлагает альтернативы.
In this repository23 other files it gives its agents.
- content-pipelineSkill
- adaptive-loopsSkill
- api-cost-trackerSkill
- memory-compactorSkill
- memory-guardianSkill
- post-mortem-analyzerSkill
- reflexive-trigger-boostSkill
- skill-trigger-systemSkill
- agent-communicationSkill
- auto-qa-gatesSkill
- cost-aware-orchestratorSkill
- decision-frameworkSkill
- GitHub Publish WorkflowSkill
- harvest-usageSkill
- network-restricted-hermesSkill
- omniroute-masterySkill
- reflection-qaSkill
- russia-hacksSkill
- self-hosted-aiSkill
- session-hygiene-plusSkill
- telegram-bot-patternsSkill
- trading-bot-deploymentSkill
- security-auditSkill
The file
Files
Tool Proficiency Tracker — Осознанность инструментов
Зачем
Я склонен к tool-рутине — нахожу один рабочий инструмент и долблю его, забывая про альтернативы. Базовый MoE должен перенаправлять, но я не вижу своей статистики.
Примеры:
- 10 раз terminal(cat) вместо 1 execute_code с read_file
- 5 раз browser_navigate вместо 1 curl
- 3 раза последовательный tool call вместо 1 execute_code с циклом
- Всегда DeepSeek V4 хотя 90% задач делает GPT-5 Nano
Триггер
Замечать в реальном времени когда:
- >3 однотипных tool call подряд — пауза: "а можно иначе?"
- 1 инструмент доминирует в сессии — проверить альтернативу
- Тяжёлый инструмент для простой задачи — browser для текста, terminal для создания файла
- Ни разу не использовал execute_code при 10+ tool calls — 🚩 BIG RED FLAG
Матрица выбора (быстрая)
Terminal vs execute_code
| Делаю | Терминал | execute_code |
| 1 быстрая команда (ls, pwd, git status) | ✅ Идеально | ❌ Overkill |
| 3-5 команд с обработкой | ❌ 5 tool calls | ✅ 1 вызов |
| Цикл (N повторов) | ❌ N вызовов | ✅ 1 вызов |
| Фильтрация вывода | ❌ grep в голове | ✅ Python фильтр |
| Установка софта | ✅ Лучше | ❌ Сложнее |
| retry/fallback логика | ❌ | ✅ retry() встроен |
execute_code vs delegate_task
| Делаю | execute_code | delegate_task |
| 1-10 операций, обработка между ними | ✅ | ❌ Overhead |
| 5+ независимых подзадач | ❌ | ✅ Параллельно |
| Данные не нужны в parent | ❌ А всё равно влезут | ✅ Изоляция |
| Нужно сэкономить контекст | ✅ | ✅ Ещё лучше |
| Результат >2000 символов | ⚠️ Раздует контекст | ✅ Только summary |
Простая vs сложная модель
| Задача | Какая модель |
| Ответить на вопрос "как дела?" | DeepSeek V4 (Polza) — основная |
| Простой delegate_task (1-3 шага) | DeepSeek V4 — не переключать |
| Средняя сложность (4-10 шагов) | GPT-5 Nano (AITunnel) — 0.96₽ |
| Сложная логика, код, анализ | GPT-5 Nano — дешевле в 28 раз |
| Генерация картинки | gpt-image-2 (AITunnel) |
Tool Diversity Check (каждые 10 tool calls)
Остановись на секунду и посчитай:
Terminal: ████████ 8 вызовов
execute_code: ██ 2 вызова
delegate_task: 0 вызовов
read_file: ███ 3 вызова
browser: 0 вызововКритично если:
- Terminal >80% → ты в shell-режиме. Используй execute_code для обработки
- execute_code = 0 при >10 tool calls → 🚩 ты не группируешь операции
- Делегирование = 0 при >15 tool calls → ты тащишь всё в контекст
- browser >0 при JSON-запросах → используй curl
Anti-Patterns
- ❌ terminal для всего — даже если работает, это дорого (много вызовов)
- ❌ read_file ×5 подряд → execute_code с циклом
- ❌ Никогда не использовать delegate_task → контекст раздувается
- ❌ browser_navigate для API → curl или scrapling
- ❌ Всегда DeepSeek V4 → 90% задач на GPT-5 Nano за 0.96₽
Does it work?
Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.
No reviews yet
People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.
- It worked
- Partly
- It didn't
Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.
Your trail
Files you open will collect here, so you can find them again.
Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.
Now do this for your own.
Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.

