Communitygithub.com

context-budget

Überprüft den Context-Window-Verbrauch von Claude Code über Agents, Skills, MCP-Server und Regeln hinweg. Identifiziert Bloat, redundante Komponenten und erstellt priorisierte Empfehlungen zur Tokeneinsparung.

Was ist context-budget?

Das Skill `context-budget` (Context-Budget) ist ein Werkzeug für Claude Code, das den gesamten Tokenverbrauch aller geladenen Komponenten einer Session analysiert und konkrete Optimierungsvorschläge liefert. Es hilft Entwicklern, die Leistung zu verbessern, indem es Bloat, redundante Agents, Skills, MCP-Server und Regeln identifiziert. Das Skill unterstützt eine detaillierte Inventarisierung, Klassifizierung in „immer“, „manchmal“ und „selten benötigt“, die Erkennung von Problemen wie überladene Agentenbeschreibungen oder zu viele MCP-Tools, und erstellt einen priorisierten Bericht mit geschätzten Tokeneinsparungen. Es ist besonders nützlich, wenn die Session träge ist, viele Komponenten hinzugefügt wurden oder vor der Erweiterung des Setups geprüft werden soll, wie viel Context-Spielraum noch vorhanden ist.

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/everything-claude-code/tree/main/skills/context-budget

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Context Budget

Analysiert den Token-Overhead aller geladenen Komponenten in einer Claude Code-Session und zeigt umsetzbare Optimierungen zur Rückgewinnung von Context-Speicherplatz auf.

Verwendung

  • Die Session fühlt sich träge an oder die Ausgabequalität lässt nach
  • Du hast kürzlich viele Skills, Agents oder MCP-Server hinzugefügt
  • Du möchtest wissen, wie viel Context-Spielraum du tatsächlich hast
  • Du planst, weitere Komponenten hinzuzufügen und musst wissen, ob Platz ist
  • Ausführung des /context-budget-Befehls (dieses Skill unterstützt ihn)

Funktionsweise

Phase 1: Inventarisierung

Scanne alle Komponenten-Verzeichnisse und schätze den Tokenverbrauch:

Agents (agents/*.md)

  • Zähle Zeilen und Tokens pro Datei (Wörter × 1,3)
  • Extrahiere die Länge der description-Frontmatter
  • Markiere: Dateien >200 Zeilen (schwer), Beschreibungen >30 Wörter (aufgeblähte Frontmatter)

Skills (skills/*/SKILL.md)

  • Zähle Tokens pro SKILL.md
  • Markiere: Dateien >400 Zeilen
  • Prüfe auf doppelte Kopien in .agents/skills/ — überspringe identische Kopien, um Doppelzählungen zu vermeiden

Regeln (rules/**/*.md)

  • Zähle Tokens pro Datei
  • Markiere: Dateien >100 Zeilen
  • Erkenne inhaltliche Überschneidungen zwischen Regeldateien im selben Sprachmodul

MCP-Server (.mcp.json oder aktive MCP-Konfiguration)

  • Zähle konfigurierte Server und die Gesamtanzahl der Tools
  • Schätze den Schema-Overhead mit ~500 Tokens pro Tool
  • Markiere: Server mit >20 Tools, Server die einfache CLI-Befehle kapseln (gh, git, npm, supabase, vercel)

CLAUDE.md (Projekt- und Benutzerebene)

  • Zähle Tokens pro Datei in der CLAUDE.md-Kette
  • Markiere: Gesamtsumme >300 Zeilen

Phase 2: Klassifizieren

Ordne jede Komponente in einen Behälter ein:

BehälterKriteriumAktion
Immer benötigtIn CLAUDE.md referenziert, unterstützt einen aktiven Befehl oder passt zum aktuellen ProjekttypBehalten
Manchmal benötigtDomänenspezifisch (z. B. Sprachmuster), nicht in CLAUDE.md referenziertÜber bedarfsgesteuerte Aktivierung nachdenken
Selten benötigtKeine Befehlsreferenz, überlappender Inhalt oder keine offensichtliche ProjektübereinstimmungEntfernen oder Lazy-Loading

Phase 3: Probleme erkennen

Identifiziere die folgenden Problem-Muster:

  • Aufgeblähte Agentenbeschreibungen — Beschreibung >30 Wörter in der Frontmatter wird bei jedem Task-Tool-Aufruf geladen
  • Schwere Agents — Dateien >200 Zeilen blähen den Task-Tool-Context bei jedem Spawn auf
  • Redundante Komponenten — Skills, die Agentenlogik duplizieren, Regeln, die CLAUDE.md duplizieren
  • MCP-Überabonnement — >10 Server oder Server, die CLI-Tools kapseln, die kostenlos verfügbar sind
  • CLAUDE.md-Bloat — ausführliche Erklärungen, veraltete Abschnitte, Anweisungen, die Regeln sein sollten

Phase 4: Bericht erstellen

Erstelle den Context-Budget-Bericht:

Context Budget Report
═══════════════════════════════════════

Geschätzter Gesamt-Overhead: ~XX.XXX Tokens
Context-Modell: Claude Sonnet (200K Fenster)
Effektiv verfügbarer Context: ~XXX.XXX Tokens (XX%)

Komponentenaufschlüsselung:
┌─────────────────┬────────┬───────────┐
│ Komponente      │ Anzahl │ Tokens    │
├─────────────────┼────────┼───────────┤
│ Agents          │ N      │ ~X.XXX    │
│ Skills          │ N      │ ~X.XXX    │
│ Regeln          │ N      │ ~X.XXX    │
│ MCP-Tools       │ N      │ ~XX.XXX   │
│ CLAUDE.md       │ N      │ ~X.XXX    │
└─────────────────┴────────┴───────────┘

WARNUNG: Gefundene Probleme (N):
[nach Tokeneinsparungen sortiert]

Top 3 Optimierungen:
1. [Aktion] → spare ~X.XXX Tokens
2. [Aktion] → spare ~X.XXX Tokens
3. [Aktion] → spare ~X.XXX Tokens

Mögliche Einsparungen: ~XX.XXX Tokens (XX% des aktuellen Overheads)

Im ausführlichen Modus werden zusätzlich Tokenanzahlen pro Datei, eine zeilenweise Aufschlüsselung der schwersten Dateien, spezifische redundante Zeilen zwischen überlappenden Komponenten und die MCP-Tool-Liste mit geschätzten Schema-Größen pro Tool ausgegeben.

Beispiele

Basis-Audit

Benutzer: /context-budget
Skill: Scannt Setup → 16 Agents (12.400 Tokens), 28 Skills (6.200), 87 MCP-Tools (43.500), 2 CLAUDE.md (1.200)
       Markiert: 3 schwere Agents, 14 MCP-Server (3 CLI-ersetzbar)
       Top-Einsparung: 3 MCP-Server entfernen → -27.500 Tokens (47% Overhead-Reduzierung)

Ausführlicher Modus

Benutzer: /context-budget --verbose
Skill: Vollständiger Bericht + Aufschlüsselung pro Datei mit planner.md (213 Zeilen, 1.840 Tokens),
       MCP-Tool-Liste mit Größen pro Tool, doppelte Regelzeilen nebeneinander

Prüfung vor Erweiterung

Benutzer: Ich möchte 5 weitere MCP-Server hinzufügen, habe ich Platz?
Skill: Aktueller Overhead 33% → Hinzufügen von 5 Servern (~50 Tools) würde ~25.000 Tokens hinzufügen → steigt auf 45% Overhead
       Empfehlung: zuerst 2 CLI-ersetzbare Server entfernen, um unter 40% zu bleiben

Best Practices

  • Tokenschätzung: verwende Wörter × 1,3 für Prosa, Zeichen / 4 für code-lastige Dateien
  • MCP ist der größte Hebel: jedes Tool-Schema kostet ~500 Tokens; ein Server mit 30 Tools kostet mehr als alle deine Skills zusammen
  • Agentenbeschreibungen werden immer geladen: selbst wenn der Agent nie aufgerufen wird, ist sein Beschreibungsfeld in jedem Task-Tool-Context vorhanden
  • Ausführlicher Modus zum Debuggen: verwende ihn, um die genauen Dateien zu identifizieren, die den Overhead verursachen, nicht für regelmäßige Audits
  • Audit nach Änderungen: führe ihn nach dem Hinzufügen von Agents, Skills oder MCP-Servern aus, um ein frühzeitiges Anwachsen zu erkennen

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/claude-api

Anthropic Claude API patterns for Python and TypeScript. Covers Messages API, streaming, tool use, vision, extended thinking, batches, prompt caching, and Claude Agent SDK. Use when building applications with the Claude API or Anthropic SDKs.

affaan-m/everything-claude-code

End-to-end marketing campaign planning and execution. Covers audience research, positioning, campaign angle definition, landing page copy, email sequences, social posts, ad copy, short-form video scripts, and content calendars. Use as the orchestration layer for multi-channel product launches. Use when planning or executing a multi-channel product launch, or producing landing page, email, social, or ad copy.

affaan-m/everything-claude-code

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/everything-claude-code-conventions

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/frontend-design

Create distinctive, production-grade frontend interfaces with high design quality. Use when the user asks to build web components, pages, or applications and the visual direction matters as much as the code quality.

affaan-m/gget

gget CLI and Python workflow for quick genomic database queries, sequence lookup, BLAST-style searches, enrichment checks, and reproducible bioinformatics evidence logs.

affaan-m/literature-review

Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.

affaan-m/motion-ui

Production-ready UI motion system for React/Next.js. Use when implementing animations, transitions, or motion patterns.

affaan-m/project-guidelines-example

Example project-specific skill template based on a real production application.

affaan-m/pubmed-database

Direct PubMed and NCBI E-utilities search workflows for biomedical literature, MeSH queries, PMID lookup, citation retrieval, and API-backed literature monitoring.

affaan-m/scholar-evaluation

Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.

affaan-m/uspto-database

USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

Verwandte Skills