Hi, 请登录     我要注册     找回密码

开源工具 agent-usage 发布：支持 Claude Code 等本地 Token 用量统计与费用可视化

分类：前沿 阅读() 评论(0)

近日，一款名为 agent-usage 的开源工具在技术社区发布，旨在解决开发者对本地 AI 编程助手 Token 用量难以精准统计的问题。该项目作者发现，尽管市面上已有 ccusage 和 tokscale 等类似工具，但普遍存在界面简陋或统计数据不一致的缺陷。为了满足个人及团队对 Claude Code、Codex 和 OpenClaw 等主流 AI 编程工具的监控需求，作者开发了这款轻量级追踪器。agent-usage 采用单一二进制文件架构，无需复杂依赖即可运行，同时也支持 Docker 容器化部署和 Skill 插件模式。在技术实现上，该工具选用 SQLite 数据库进行本地数据存储，确保了用户数据的隐私性与安全性。其内置的 Web 仪表板能够直观地展示 Token 消耗量、实时计算预估费用，并提供详细的会话明细与趋势分析。这一工具的推出，为高频使用 AI 编程助手的开发者提供了有效的成本控制手段，填补了针对特定 AI 代理进行细粒度本地化统计的市场空白。

事件分析

随着 AI 编程工具的普及，Token 消耗成本已成为开发者日常工作中不可忽视的隐形支出。agent-usage 的出现填补了针对特定 AI 代理进行细粒度本地化统计的工具空白。从技术架构来看，采用 SQLite 存储与单二进制分发模式，体现了当前开发者工具轻量化、隐私优先的设计趋势。相较于依赖云端统计，本地化方案能更直观地整合不同来源的会话数据，避免因接口差异导致的数据偏差。此外，该工具专门针对 Claude Code 等新兴 IDE 进行适配，反映了 Anthropic 生态在开发端的渗透率提升。此类基础设施工具的完善，有助于降低开发者采用 AI 技术的试错成本，推动 AI 编程辅助从“尝鲜”向“常态化生产力工具”转型。

💡 核心观点：本地化成本统计工具的兴起，标志着 AI 编程正从体验阶段进入精细化运营与成本控制阶段。

原文链接：Linux.do

C code80.ai · AI 编码 API 聚合 Claude / GPT 多模型统一接入,稳定不限速,按量计费,几行配置接入 Claude Code。 了解一下 ›

相关推荐

抢沙发

评论前必须登录！

立即登录   注册

易安
易安作者
长期关注 AI Agent、软件工程、自动化工作流与个人生产力系统。喜欢把复杂技术拆成普通人也能上手的实践教程,也记录自己在工具链、编程、内容创作和知识管理上的真实折腾。
  • 分享 AI 工具、Agent 工作流与提示词工程的实战经验
  • 记录从想法到产品、从代码到上线的完整实践过程
  • 关注普通人如何用 AI 放大能力,而不是被工具牵着走
阅读作者的全部文章 ›
文章目录

    置顶推荐

    Code80 · AI 编程巴士

    前沿哨所

    • 从Web漏洞到业务失控：一位蓝军视角的AI安全变革史

      本文由一名具有传统蓝军背景的互联网大厂AI安全人员撰写，深度复盘了过去几年AI安全边界的演变历程，将其划分为三个关键阶段。

      第一阶段是将AI视为Web应用。这一时期的安全风险主要集中在传统Web漏洞，例如在ComfyUI审计中发现的路径穿越、未鉴权API及远程代码执行（RCE）漏洞。攻击者可直接获取服务器Shell，导致内网沦陷。然而，随着GPT等大模型的出现，传统的代码防御（if-else过滤）对语义层面的“越狱”攻击失效，攻击者通过自然语言诱导即可窃取RAG知识库和系统提示词。

      第二阶段是AI获得工具调用能力（“长出双手”）。风险从“生成错误回答”升级为“执行危险操作”。由于缺乏沙箱隔离或严格的权限控制，攻击者可通过诱导Prompt让Agent执行系统命令或修改数据库，渗透门槛从“写代码”降级为“写Prompt”。

      第三阶段是AI拥有业务权限。AI作为“数字员工”直接介入审批、客服等业务流程。文中以2026年Meta AI客服为例，展示了由于AI无法验证业务归属逻辑，攻击者仅需简单对话即可完成账号接管。这表明安全威胁已从技术漏洞转向业务逻辑失控。

      事件分析

      这篇文章揭示了大模型落地过程中安全范式的根本性转移。在技术层面，安全防御的重心正从传统的边界防御和代码审计，转向模型鲁棒性、沙箱隔离环境以及针对自然语言的对抗防御。产业层面，随着AI Agent深入业务核心，传统的身份认证与权限管理（IAM）体系面临巨大挑战，因为AI往往继承服务账号的高权限，却缺乏鉴别指令恶意意图的能力。这标志着“非技术性漏洞”将成为未来的重灾区，企业需要重新设计“人机交互”的业务信任模型，区分人类意图与AI执行权限，防止业务逻辑层面的信任崩塌。

      💡 核心观点：当AI从“聊天框”进化为“业务员”，安全边界便从代码漏洞坍塌为逻辑失控，攻防门槛被彻底重塑。

      原文链接：Linux.do

    • G4W开源：在微信中运行DeepSeek Agent，支持长记忆与电脑控制

      开源项目 G4W（Generic Agent for WeChat）近日在 GitHub 发布，这是一款基于 GenericAgent 框架构建的个人 AI 微信助手。该项目针对 Windows 平台设计，通过将 DeepSeek 等 LLM 能力深度集成至微信生态，实现了私域下的智能代理服务。G4W 具备“强记忆”特征，不仅能维持长期对话记忆，还能主动整理日记、生成日/周/月时间线视图，并支持设置提醒与后台任务分发。其核心差异化功能在于本地知识库的语义检索能力，即使没有准确关键词，也能通过模糊描述从 PDF、Markdown 或历史聊天记录中找回原文。技术层面，该工具采用便携式分发，内置 Python 环境无需用户复杂配置，并支持通过安装本地向量模型进行离线检索。项目遵循 AGPL-3.0 协议，强调数据不出域，所有微信登录态、记忆库及向量数据均仅在本地运行，为开发者提供了一个兼顾隐私与自动化需求的 Agent 实现范本。

      事件分析

      G4W 项目展示了“超级应用”与“个人 AI 代理”融合的一种技术路径。利用微信的高频入口作为交互界面，而将计算与逻辑层下沉至本地 Windows 环境，有效解决了云端 Agent 在数据隐私和系统集成上的短板。技术上，结合 DeepSeek 等高性价比模型，使得个人私有化部署的成本大幅降低。该项目对长期记忆和语义检索的重视，反映了 AI 应用正从简单的“问答”向具备持久记忆和知识管理的“数字员工”演进。其支持 ComfyUI 等外部工具的动态集成，也体现了 Agent 技术在工具调用与自动化编排上的灵活性。

      💡 核心观点：将微信生态与本地大模型结合，G4W展示了低成本私有AI Agent的可行路径，兼顾了个人数据主权与自动化能力。

      原文链接：Linux.do

    • 解锁AI编程新姿势：开发者利用Cursor与MCP协议拓展文档撰写等非代码应用

      在Linux.do开发者社区的近期讨论中，关于Cursor编辑器结合MCP协议的创新用法引发了广泛关注，揭示了AI编程工具在非代码领域的巨大潜力。话题由一位开发者发起，他分享了在解锁MCP（Model Context Protocol）功能后，利用Cursor成功撰写技术文档的实战经验。通常，开发者仅将此类工具用于代码纠错、Bug排查或语法补全，但MCP协议的引入打破了这一固有认知。作为连接大模型与本地数据源的标准化桥梁，MCP使得AI能够直接访问项目上下文、读取文件系统并执行特定操作，从而胜任文档生成、数据清洗等复杂任务。社区反馈表明，这种基于协议的深度集成正在重塑工作流，开发者利用Cursor不仅优化了代码质量，更通过AI智能体实现了开发环境内的自动化文档管理。这一现象表明，随着MCP协议的普及，AI编程工具正从单一的“代码助手”向具备环境感知能力的“全能智能体”转变，极大地拓展了人工智能在软件开发生命周期中的应用边界。

      事件分析

      从技术演进的角度分析，此次讨论的核心价值在于展示了MCP协议如何将AI编程工具从“沙盒模式”升级为“环境感知模式”。传统的AI编程助手往往受限于上下文窗口，缺乏对本地文件系统的直接操作能力，而Cursor集成MCP后，实质上扮演了AI Agent（智能体）调度者的角色。这种转变意味着IDE（集成开发环境）正逐渐演化为执行复杂工作流的智能操作系统。对于产业影响而言，这预示着未来的软件开发竞争将聚焦于“协议生态”的构建，即谁能通过标准协议连接更多开发工具和数据源，谁就能掌握开发效率的制高点。随着越来越多的开发者利用此类协议解锁文档、测试、部署等非编码场景，软件开发的生产力范式将彻底由“人写代码”转向“人指挥Agent构建产品”。

      💡 核心观点：MCP协议的接入标志着AI编程工具从“语法补全”进化为“全流程智能体”，正在重塑软件开发的生产力边界。

      原文链接：Linux.do

    • PISIGuard：防止隐私泄露，这款开源工具能实时过滤AI对话中的敏感信息

      随着生成式AI的普及，如何在与ChatGPT、Claude等大模型交互时防止数据泄露成为日益严峻的挑战。近日，GitHub上一个名为PISIGuard的开源项目引发了开发者的关注。该项目旨在充当用户与AI之间的“守卫”，通过本地化的手段实时识别并过滤掉文本中的个人及敏感信息（PII），从而避免将私密数据上传至云端服务器。项目作者Mohamed在Hacker News上回应称，虽然企业级市场已有成熟的数据防泄露（DLP）方案，但针对个人用户的轻量级隐私保护工具仍显匮乏。该项目不仅填补了这一空白，还迅速修复了社区反馈的移动端UI显示问题，并明确了名称定义。PISIGuard的出现，标志着开发者社区开始重视并构建面向普通大众的AI辅助安全防线，为习惯使用AI处理文本的用户提供了一层隐形的保护。

      事件分析

      从技术架构来看，PISIGuard 代表了“客户端侧防御”理念的兴起。当前的AI应用多采用云端SaaS模式，用户数据一旦上传便脱离了本地控制，存在被用于模型训练或日志留存的风险。此类工具通过在本地进行预处理，在不改变大模型服务核心逻辑的前提下，切断了敏感数据的上游传输路径。这反映出AI安全领域的两个趋势：一是数据安全治理的重心正从单纯的企业级合规向个人终端下沉；二是随着“Shadow AI”（影子AI，即员工私自使用AI）现象的普遍化，轻量级、易于部署的中间层工具将成为刚需。未来，此类功能极大概率会被集成到浏览器插件或终端客户端中，成为AI交互的标准配置。

      💡 核心观点：在云端大模型不可完全信的背景下，本地化预处理正成为个人隐私保护的刚需，填补了AI安全版图的关键拼图。

      原文链接：Hacker News

    • 拒绝“认知债”：为何我坚持手动敲入 AI 生成的代码

      本文探讨了在 AI 编程日益普及的背景下，开发者如何避免陷入“认知债”的困境。作者指出，虽然直接利用 LLM 生成整个功能或审查 AI 生成的 Pull Request 能提高短期效率，但这往往导致开发者对代码库的理解变得模糊且失控。为了在享受 AI 便利的同时保持对代码的深度掌控，作者采用了一种看似低效但效果显著的工作流：让 AI 在聊天窗口中展示代码建议，然后由开发者手动逐行敲入编辑器。这种强迫性的输入过程迫使开发者构建清晰的心理模型和空间映射，能及时发现 AI 的幻觉或逻辑错误并进行优化。作者认为，虽然这种方法的效率仅为全自动化的 20%（2x 倍速），但其带来的深度理解和代码掌控感远超纯粹的生产力提升。文章最后警告，软件行业正面临因过度依赖 AI 而产生的集体认知缺失，开发者必须确保对自己发布的软件拥有完全的理解。

      事件分析

      从工程实践角度看，该文触及了人机协作编码模式下的核心痛点：即“生成效率”与“认知留存”之间的零和博弈。随着 Cursor、Claude Code 等智能编码工具的普及，Vibe Coding（氛围编程）虽然降低了开发门槛，但也极易让开发者沦为代码的“审核员”而非“架构师”，导致代码库变为不可维护的黑箱。手动敲入代码的工作流，实质上是将 LLM 从“执行者”降级为“咨询顾问”，迫使人类开发者保持对逻辑流的掌控。这预示着未来软件开发工具的演进方向可能不仅关注生成速度，更会关注如何帮助开发者维持对系统的“空间感知”能力。

      💡 核心观点：AI 时代的开发者应拒绝沦为代码搬运工，必须通过“手动重写”维持对系统的认知主权。

      原文链接：Hacker News

    • 终结 AI 代码风格割裂：利用 Rules 统一多模型开发规范

      随着 Claude、Gemini、Codex 等大模型在编程领域的广泛应用，开发者面临一个日益突出的挑战：在不同模型间切换时，往往会导致代码风格、目录结构、异常处理及命名规范出现显著差异，破坏项目的一致性。虽然完整的 Agent 工程化系统（如 ECC）提供了 Skills、Agents、Hooks 等全套能力，但加载全量 Skill 往往会占用宝贵的 Token 上下文资源，导致系统臃肿。为此，一种基于 ECC 的轻量化解决方案受到关注：仅提取系统中的 Rules（规则）模块，并按编程语言进行按需加载。具体做法是通过配置 AGENTS.md 文件，设定在生成或修改代码前，仅读取当前项目对应的语言规范文件（如 TypeScript 的 coding-style.md 和 patterns.md）。这些规则文件明确了命名格式、模块边界、分层方式及测试风格，并建立了清晰的优先级：优先遵循项目既有架构，其次是项目级规则，最后才是全局语言规则和模型默认习惯。这种“按需注入规则”的策略，不仅有效避免了不必要的上下文占用，更在多模型混用的复杂场景下，确保了代码输出的工程化一致性与高质量。

      事件分析

      该方案触及了 AI 编程工程化的核心痛点：如何在多模型并存的现状下，以最低的上下文成本维持代码规范的一致性。这标志着 AI 辅助开发正从单一的“对话生成”向“工程化约束”演进。传统的 Prompt 工程往往难以覆盖复杂的架构规范，而直接将规则文档作为上下文注入，又极易消耗 Token。文章提出的基于文件系统的动态加载策略，实际上构建了一个将“工程标准”与“模型能力”解耦的控制层。这种分层架构不仅解决了 Claude 与 Gemini 等模型因训练数据差异导致的输出“精神分裂”问题，也为未来企业级 AI 开发流程提供了一种标准化的管理模式：Prompt 负责意图对齐，Rules 负责质量管控。

      💡 核心观点：从 Prompt 工程进化到规则注入：用外部文件系统解耦模型能力与工程规范，是解决多模型代码碎片化并降低上下文成本的最优解。

      原文链接：Linux.do

    最新文章

    热门专题

    热门标签

    AI编程claude大模型AIAI Agent人工智能开源项目Gemini开发者工具开源GitHubClaude Code开源工具AI工具开发工具谷歌openaideepseek提示词工程cursor网络安全anthropicAI应用ChatgptAI开发agent自动化AI安全智能体AI智能体

    网站统计

    • 日志总数：26069
    • 评论总数：7
    • 标签总数：17854
    • 用户总数：3675
    • 最后更新：2026-08-03