Manus 积分优化器 v5（Credit Optimizer）
在执行 AI 任务前自动分类复杂度并路由到最省积分的执行路径，宣称可节省 30-75% 的积分消耗而不损失输出质量。
该技能本身是纯 Markdown 指令，不执行任意代码、不含密钥、无外部副作用，数据流向透明；但存在明显的营销性夸大（'零缺点'、'100%节省'、'0%质量损失'等绝对化承诺缺乏可核验依据），未定义回滚或失效保护机制，MCP/PyPI 相关依赖未在技能文件内说明安全边界。扣分点：夸大声明、无回滚/边界说明。
指令内部逻辑基本自洽（分类→检查→路由→执行），但无任何测试、无异常输入处理、无失败反馈机制；所有节省数据（90-100%、40-60% 等）均为断言而非可复现结果；版本号在 SKILL.md (5.2.0)、CHANGELOG (5.2.2) 与 server. (5.2.2) 之间不一致。静态评估上限为 10。扣分点：无测试、无错误路径、版本不一致。
目标场景（降低 AI token/credits 消耗）和触发条件描述较清晰，兼容平台已声明；但能力边界和非适用范围几乎未定义，且核心价值完全依赖 Manus AI 等海外平台的计费模型，中国大陆网络可达性未提及，中文支持为零。扣分点：边界与触发精度证据不足、依赖不可达的海外服务。
有 MIT 许可证、版本号、CHANGELOG、manifest 与 pyproject 元数据，结构可读、分层尚可；但存在明显的营销导向污染文档，版本记录（未来日期 2026）与多文件版本不一致，维护责任和更新路径仅为个人开发者，无 FAQ 或已知限制披露。扣分点：版本不一致、营销化内容、维护治理薄弱。
技能输出的本质是提示词级别的路由指导，理论上可在对话中直接应用，优于无策略地使用；但所有量化收益（47%、115x、回收周期）均无原始数据支撑，'53 场景审计'无任何可复现材料，实际效果完全不可核验，且部分收益依赖用户手动购买付费 bundle 的营销路径。静态评估上限为 7，此处进一步下调。扣分点：收益声明不可验证、无代表性输出样本。
核心声明（53 场景、0% 质量损失、30-75% 节省）无任何可审计的原始数据、无测试套件、无第三方复现材料；仓库中的 CI 仅检查营销渠道健康度，不验证技能功能；'As Seen On' 等外部引用不可交叉核验。扣分点：几乎所有关键声明均为作者营销断言。
- 全部收益数据（47% 节省、115x 提速、0% 质量损失、53 场景审计）均为作者单方营销声明，仓库内无任何可复现的测试数据或原始审计材料。
- '零缺点/永不降低质量'的绝对化承诺不可信，使用任何成本优化策略都可能影响输出质量，请自行评估。
- 技能价值高度依赖 Manus AI 等海外平台的具体计费模型，若平台定价变化即失效；中国大陆网络可达性未评估。
- 多文件版本号不一致（SKILL.md 5.2.0 vs CHANGELOG/server. 5.2.2），CHANGELOG 含 2026 年未来日期，元数据可信度存疑。
- 发布者为个人开发者且未经验证，长期维护承诺缺乏保证；README 强力引导购买 $9-$12 付费 bundle，存在明显营销动机。
- CI 工作流仅监控营销渠道可用性并通过第三方 API (Evolution) 发送 WhatsApp 通知，不构成功能验证。
这个 Skill 能做什么，适合哪些场景？
Credit Optimizer 是一个以 SKILL.md 形式发布的 Agent Skill，核心是一套路由规则：先对任务做复杂度分类和提示词质量打分，再决定用免费档、标准档还是高级档模型执行，混合任务则拆分成子任务分别路由。作者基于 53 个真实场景做了一轮自述审计，报告平均节省 30-75%、零质量损失、错误路由率低于 3%。它有两种使用方式：付费的 Manus Skill 套装（含 Fast Navigation 加速导航），以及免费的 Python MCP 服务器。适合积分消耗大的重度 AI 代理用户，但注意所有数据均来自作者自报，缺乏独立验证。
读取用户提示词后执行四步流程：1) 将任务分类为简单问答、代码生成、研究、创作、数据分析或复杂推理等类别；2) 对提示词做清晰度评分（低于 5 分先要求澄清再执行），判断是否需要拆分子任务、是否需要实时数据；3) 按复杂度路由到免费/标准/高级模型档位，简单问答导向零积分的 Chat 模式；4) 执行时做上下文裁剪、输出格式收窄、缓存检查和批处理。MCP 版通过 pip 安装后以 python -m mcp_credit_optimizer 运行，供 MCP 兼容客户端调用。
- Manus 重度用户：发现月度积分快速耗尽，希望简单问答不再走 Max 模式烧积分。
- 批量任务处理者：有大量不同复杂度的任务（如 10 个网页抓取加 5 份报告），希望逐个按最优档位执行而不是全部用最高配置。
- Claude Desktop / Cursor 用户：不想付费，希望通过免费 MCP 服务器获得同样的路由建议。
- 提示词常常写得太含糊的用户：希望工具在执行前先要求澄清，避免积分浪费在跑偏的输出上。
- 需要抓取多个网页的研究型任务用户：可用付费套装中的 Fast Navigation 替代慢速浏览器调用（宣称 10 个 URL 从 150 秒以上降到约 1.3 秒）。
这个 Skill 有哪些优点和局限？
- 方法本身合理：任务分类加分级路由是业界通行的成本优化思路，零积分 Chat 模式路由对 Manus 用户价值直接。
- 有免费获取路径（PyPI 上的 MCP 服务器），付费与免费版边界说明清晰。
- 付费版附带明确的 Quality Veto 规则：无法在不损质量的情况下省钱时就跳过优化。
- MIT 许可，代码可审计；兼容客户端列表明确（Claude Desktop、Cursor、Windsurf 等）。
- 所有性能数据（47% 平均节省、53 个场景、0% 质量损失、115x 加速）均为作者自报，无独立验证或公开测试套件。
- 营销文案在不同页面数字不一致：GitHub 描述说回本约 27 个 prompt，README 说约 36 个；SKILL.md 列套装价 29 美元，README 写 12 美元。
- MCP 免费版需要手动调用才会省积分，与 Skill 版的自动化程度不同。
- Fast Navigation 仅在付费套装中提供，免费版没有加速功能。
- 错误路由率低于 3% 意味着仍存在把复杂任务错误降级到便宜模型的可能。
如何安装这个 Skill？
付费 Manus Skill 版：从 Gumroad（个人版 9 美元、含 Fast Navigation 的套装 12 美元）或 SkillFlow 购买后，把技能文件复制到 ~/skills/credit-optimizer/ 和 ~/skills/fast-navigation/，之后每个任务自动生效。免费 MCP 版：运行 pip install mcp-credit-optimizer，然后在 MCP 配置中加入 {"mcpServers":{"credit-optimizer":{"command":"python","args":["-m","mcp_credit_optimizer"]}}}。注意：安装步骤未说明技能文件的具体目录结构之外的其他细节。
如何使用这个 Skill？
Manus Skill 版无需手动调用，安装后随每个任务自动激活。MCP 版需要手动调用服务器后才生效。技能文档未提供具体的示例触发提示词，路由规则由模型按 SKILL.md 中的分类、评分和路由流程自行应用。