L03 练习
练习 1：量化「渐进式 vs 全塞」的 token 节省（设计实验类）
本课 code.py 演示了 token 节省，但只有 2 个 skill。设计实验验证 skill 数量增长时的节省比例：
- 假设：skill 数量越多，渐进式的节省比例越高（全塞线性增长，渐进式只有用到的增长）。
- 实验： - 生成 5/10/20/50 个假 skill（每个 800 token 全文，20 token 描述）。 - 对比"全塞"vs"渐进式（只加载 1 个匹配的）"的 token 数。 - 画节省比例随 skill 数量的变化曲线。
- 预期：50 个 skill 时，全塞 40000 token，渐进式 ~1000 token，节省 97%。
验收：输出对比表，说明"skill 越多渐进式越值"的拐点（大约几个 skill 后渐进式明显优于全塞）。
练习 2：用 LLM 判断需要哪个 skill
本课的 match_skills 用关键词匹配（中文滑窗）。改进为 LLM 判断：
- 把 skill 描述列表 + 任务描述给 LLM，让它输出"需要哪些 skill"。
- 对比关键词匹配 vs LLM 匹配的准确率（构造 10 个任务，人工标注该用哪些 skill）。
- 思考：LLM 匹配的额外成本（一次 LLM 调用）值不值？
验收：LLM 匹配准确率应高于关键词（但贵一次调用）。诚实标注在 skill 数量少时关键词可能够用，skill 多时 LLM 更准。
练习 3：写一个新 skill 并接入
本课有 2 个示例 skill。写第 3 个，解决一个真实需求：
候选方向：
- source-citation：来源引用规范（每个结论附来源链接，可溯源）
- incremental-brief：增量简报生成（对比旧记忆，标注新增/修正/不变）
- fact-check：事实核查流程（关键结论交叉验证）
验收： 1. 新 skill 有正确的 frontmatter（name + description）。 2. 能被 SkillLoader 扫描到。 3. 用匹配 query 触发加载全文。 4. writer 接入后，输出遵循新 skill 的规范。