sigrank Skill 技能

SigRank SignalAF 是一个以 token 级联效率（Token Cascade Efficiency）为核心的 AI 操作员评估平台和 MCP 服务器。它不评估 AI 模型本身，而是评估使用 AI 的人是否高效——通过分析 token 的读写比例和产出质量来衡量操作员的 AI 使用效率。

该项目的核心指标是 yield cascade（收益率级联），公式表示为 Υ = cache_read × output / input²。这一指标背后的理念是：高效使用 AI 的人应当尽量减少不必要的信息输入（低 input），充分利用 AI 的上下文记忆能力（高 cache_read），并产出高质量的输出（高 output）。简单来说，同样的任务用更少的 token 完成、更多依赖 AI 缓存上下文的人，效率评分更高。

平台包含一个实时公开排行榜（signalaf.com），AI 操作员可以提交自己的 cascade 数据与其他操作员比较排名。提交内容仅包含 token 计数，不涉及任何提示词原文或其他敏感信息，隐私保护机制较为完善。除了排行榜外，平台还提供跨平台对比功能，可从多个 AI 平台（如 Claude Code、Cursor、Windsurf 等）拉取操作数据进行分析，以及竞争情报工具用于了解同行或竞争对手的 AI 使用效率。

该包以 MCP stdio 服务器模式运行，当 stdout 不是 TTY（即输出被 pipe 到 AI 客户端）时自动启动 MCP 服务器模式。支持的 AI 客户端包括 Claude Code、Cursor、Windsurf 等主流 MCP 兼容助手。MCP 工具包括：rank_paste（对一段输入输出进行评分，返回 token 级联分析结果和效率评价）、get_leaderboard（获取当前排行榜数据）、get_operator（查询特定操作员的公开档案）、submit_paste（本地评分后提交到排行榜）、tokenpull（从本地日志文件中提取 token 使用数据，零粘贴、纯本地）、tokenpull_compare（跨平台对比四个数据源的效率）。该工具适合希望量化自己和团队 AI 使用效率的开发者和技术团队。