使用 Claude Code 后，发现最贵的不是 token，而是失控的 Agent 工作流

AIAIDo
0 阅读9分钟

大规模使用 Claude Code 后，我发现真正贵的不是 token，而是失控的 Agent 工作流

过去一段时间，越来越多团队开始把 Claude Code、Codex CLI、Gemini CLI、OpenCode、OpenClaw 这类 AI Agent 真正接进研发流程。

刚开始大家都很兴奋，因为它们确实能写代码、查问题、跑流程、提效率。

但用得越深，我越明显地感受到一个问题：

团队最大的成本，很多时候不是 token 本身，而是失控的 Agent 工作流。

具体表现通常很一致：

  • 一个任务本来十几轮能完成，最后上下文越滚越大
  • Agent 重复搜索、重复读文件、重复调用工具，像在空转
  • 不同 Agent 的表现差异很大，但团队只能凭感觉比较
  • 日志、Prompt、工具输出里开始混入敏感信息，却没人系统排查
  • 明明已经花了很多钱，但很难说清到底浪费在哪

问题在于，大多数团队现在并不缺 Agent，真正缺的是一套面向 Agent 工作流的观测、诊断和治理能力。

所以我做了 AIDog。

它不是新的编程 Agent，而是一个 本地 CLI + Web Dashboard，专门用来分析和优化已有 Agent 工作流，核心目标只有三个：

  1. 降低使用成本
  2. 提升运行性能
  3. 发现安全风险

项目地址：https://github.com/AIAIDO/aidog

先看一下 Dashboard 的整体形态：

AIDog 中文仪表盘总览

AIDog 在解决什么问题？

如果你已经在日常开发里使用 AI Agent，大概率见过这些场景：

  • 一个任务本来十几轮能完成，结果上下文不断膨胀，token 成本翻倍
  • Agent 反复搜索、重复读文件、重复调用工具，像在“空转”
  • 不同 Agent 的表现差异很大，但团队只能靠体感判断
  • Prompts、响应内容、日志文件里混入了敏感信息，却没人系统扫描
  • 团队内部还有 SDK Agent、脚本化 Agent、私有运行时，数据根本不在一个地方

这些问题单靠“换模型”或者“优化 prompt”并不能彻底解决，因为你缺少的是持续可见的证据链。

AIDog 的思路是：把不同 Agent 的运行历史统一采集和标准化，再从成本、性能、安全三个维度做诊断。

这个项目能做什么？

当前版本里，AIDog 已经把下面几类能力整合到一个工具中。

1. 多 Agent 采集

当前内置支持：

  • Claude Code
  • Codex CLI
  • Gemini CLI
  • OpenCode
  • OpenClaw

如果你的团队还有自研 SDK Agent、内部平台 Agent，或者其他暂未原生支持的 CLI，也可以通过用户插件扩展接入：

  • 用户插件目录：~/.aidog/plugins/
  • 项目内提供了 SDK 插件骨架
  • 接入后可以复用同一套统计、诊断、性能分析和安全扫描能力

这点对团队非常关键，因为很多“AI 使用分析工具”只能看单一产品，而真实团队环境往往是多 Agent 混用。

这里也单独说一下 OpenClaw 的适用场景。

如果你的团队正在用 OpenClaw 跑本地或自托管的 Agent 工作流，希望保留更高的运行控制权，同时又想补齐成本分析、性能诊断和安全扫描能力，那么 AIDog 会比较合适。因为它可以把 OpenClaw 的 session 数据纳入同一套观测面板里，方便你和 Claude Code、Codex CLI、Gemini CLI 等工具放在一起比较。

这类场景尤其适合：

  • 团队内部同时跑多种 coding agent，需要统一观测入口
  • 希望持续跟踪 OpenClaw 工作流的 token 消耗与低效模式
  • 想分析 OpenClaw 在不同任务里的稳定性、工具调用效率和健康分
  • 需要对本地日志、Prompt 产物和运行文件做安全检查
  • 正在尝试把自托管 Agent 纳入团队治理体系，而不只是“能跑就行”

2. Token 成本诊断，不只看总量

比起“你今天用了多少 token”，AIDog 更关注“token 是怎么被浪费掉的”。

项目内置了一套规则引擎，可以识别常见高开销模式，例如：

  • 上下文持续膨胀
  • 重试循环
  • 工具循环
  • MCP 开销过高
  • 大输出
  • 文件重复读取
  • 搜索范围过宽
  • 模型使用不匹配

这类规则的价值在于，它不是单纯给你一个数字，而是能指出：

  • 哪些 session 有问题
  • 问题属于什么类型
  • 影响大概有多严重
  • 可以从哪里开始优化

对团队来说，这比月底对着账单复盘有效得多。

下面这张图是诊断与分析页面，能更直观看到问题归因和建议方向：

AIDog 诊断与分析页面

3. 性能分析，不再靠感觉比较 Agent

很多团队已经不止使用一个 Agent，但往往缺少横向对比方法。

AIDog 提供了性能分析与对比能力，包括：

  • 健康分
  • 趋势统计
  • Agent 对比
  • 工具调用分析
  • 成本估算
  • 历史快照

这意味着你可以从“我感觉 Codex 最近比较稳”这种主观印象，走向更可量化的判断：

  • 哪个 Agent 更省
  • 哪个 Agent 更容易进入低效循环
  • 哪类任务更适合哪个 Agent
  • 哪些工具调用模式正在拖慢整体效率

性能优化页面会把趋势、对比和优化视角放到同一个分析面板里：

AIDog 性能优化页面

4. 安全扫描，把 Prompt 与日志风险纳入治理范围

AI Agent 带来的一个新问题是，很多敏感信息会在日志、对话、工具输出和本地文件中流转。

AIDog 在这方面提供了两类能力：

  • 暴露面扫描
  • 泄漏风险扫描

它可以帮助你检查常见敏感信息模式，以及一些本地暴露风险。对于已经开始在工程环境里大规模使用 Agent 的团队，这部分不是“锦上添花”，而是迟早要补上的治理能力。

安全扫描页面可以直接看到风险类型和排查入口：

AIDog 安全扫描页面

为什么我觉得它适合真实团队，而不只是个人玩具？

我在设计这个项目时，有几个原则是明确的。

第一，本地优先

很多团队对 Agent 数据最敏感的点，就是日志和对话内容本身。

AIDog 默认走的是本地优先路线：本地 CLI、本地数据库、本地 Dashboard。对很多研发团队来说，这种部署方式更容易接受，也更适合先在内部跑起来。

第二，不强绑某一个 Agent 产品

今天你也许主要在用 Claude Code，明天可能切到 Codex CLI，后天团队里又接入了自研 SDK Agent。

如果治理工具只能服务某一个 Agent，生命周期通常很短。AIDog 的方向是统一视角，把多 Agent 数据放在一个面板里分析。

第三，可扩展

真实组织不可能只靠“官方支持名单”过日子。

所以项目从一开始就把插件能力放进来了。对于自研 Agent 平台、队列式运行器、服务端 Agent 编排流程，这一点很重要。只要能把事件标准化，后面的分析能力都可以复用。

Web Dashboard 里能看到什么？

目前 Web Dashboard 已经包含这些主要模块：

  • 总览指标与健康分
  • 会话列表与消息明细
  • Token 诊断与优化建议
  • 规则库
  • 性能分析与 Agent 对比
  • 安全概览、暴露检测、泄漏检测
  • 插件管理
  • 运行时与 Provider 设置

针对 token 浪费模式，规则页也能帮助团队建立统一的诊断标准：

AIDog Token 规则页面 并且内置支持：

  • English
  • 简体中文
  • 日本語

如果你希望把它作为团队内部工具落地，多语言界面会比想象中更有用，尤其是在跨区域协作场景里。

适合哪些人？

我觉得 AIDog 目前最适合这几类用户：

  • 高频使用 Claude Code、Codex CLI、Gemini CLI 等工具的个人开发者
  • 希望控制 Agent 使用成本的技术团队
  • 正在尝试建立 AI 编码规范和治理机制的工程团队
  • 有自研 Agent 平台、希望统一观测入口的组织
  • 对日志安全、Prompt 泄漏、暴露面风险有顾虑的团队
  • 正在使用 OpenClaw，希望补齐分析、对比和治理能力的开发者或团队

如果你只是偶尔跑两次 Agent，这个项目可能不是刚需；但如果 Agent 已经进入你的日常研发流程，它会开始变得有价值。

怎么开始？

如果你想快速试一下，可以直接按以下方式安装：

方式命令
安装脚本curl -fsSL https://raw.githubusercontent.com/AIAIDO/aidog/main/install.sh | bash
NPXnpx aidog serve
npm 全局安装npm install -g aidog
GitHub 源码安装npm install -g github:AIAIDO/aidog

比较典型的使用流程是：

aidog setup
aidog sync
aidog analyze --ai
aidog serve --port 9527

常用命令也比较直接：

aidog setup
aidog sync
aidog watch
aidog analyze --detail
aidog security scan
aidog performance overview
aidog performance agents
aidog plugins list
aidog compare --days 7

这不是“又一个 AI 工具”，而是 Agent 时代的基础设施补丁

这几年大家做了很多“让 Agent 更强”的工具，但“让 Agent 更可控、更可分析、更可治理”的工具依然不多。

我更愿意把 AIDog 看成一个基础设施补丁：

  • 它不替代 Agent
  • 它不替代模型
  • 它不替代工作流
  • 它补的是观测、诊断、优化和治理这层空白

如果你的团队已经进入“多 Agent 并行使用”的阶段，这层能力迟早需要建设。越早有统一视图，后面优化成本越低。

最后

这个项目目前还在持续迭代中，但已经可以跑通从采集、分析、诊断到 Dashboard 展示的一整套链路。

如果你也在做下面这些事：

  • 用 AI Agent 写代码
  • 管理团队里的 Agent 成本
  • 比较不同 Agent 的效率
  • 给内部 Agent 平台补治理能力

欢迎来看看，也欢迎直接提 issue、提 PR，或者基于插件机制接入你自己的 Agent 数据源。

项目地址：

https://github.com/AIAIDO/aidog

avatar
文章
阅读
粉丝