Şeffaf token ve kredi kullanımı için yerel MCP izleyici
codex-usage-tracker, Douglas Monsky tarafından, yerel bir Model Context Protocol (MCP) sunucusu ve AI destekli kodlama oturumlarının kaynakları nasıl kullandığını gösteren bir panodur. Araç, istemler ve tamamlamalar için token, zaman ve kredi kullanımını kaydeder ve geçici oturum meta verilerini kararlı, sorgulanabilir kayıtlara dönüştürür. Bir pano, bir CLI arayüzü ve bir MCP arayüzü ile birlikte gelir. Hedef kitle, MCP araçlarını kullanan ve ajan kaynak kullanımına dair kesin görünürlük gerektiren geliştiriciler ve AI araştırmacılarıdır.
Gerçekten hangi görevler için kullanabilirsiniz?
Bu araç, AI etkileşimlerini analiz edilebilir kayıtlara haritalar, böylece ekipler, ajanların ve asistanların geliştirme oturumları sırasında bağlamı nasıl kullandığını araştırabilir. Her bir dönüşteki token tüketimini ve iplik geçmişini kaydeder, Evidence Console aracılığıyla manuel incelemeyi destekler ve kullanım bilgilerini altı araçlı bir MCP yüzeyi aracılığıyla diğer ajanlara sunar. Kullanıcılar, tekrar eden yüksek kullanım ipliklerini tanımlamak için sorgular çalıştırabilir ve kod incelemesi veya denetim iş akışları için kanıta dayalı raporlar üretebilir.
Raporlaması ne kadar doğru ve eyleme geçirilebilir?
İstemler ve tamamlamalar için gerçek zamanlı token takibi, oturum meta verilerini koruyan ve sorgular için dizinleyen yerel bir SQLite çekirdeğine beslenir. İzleyici, OpenAI model kredilerine bağlı otomatik kredi muhasebesi gerçekleştirir ve verimsiz token desenlerini veya düşük önbellek çağrılarını işaret eden kullanım israfı teşhislerini ortaya çıkarır. Bu kararlı kayıtlar, programatik analizi destekler, böylece raporlama hem insan incelemesi hem de otomatik ajan destekli denetimler için uygundur.
Faydalı sonuçlar almak için teknik bilgi gerekir mi?
İzleyiciyi kurmak ve çalıştırmak, Python 3.10+ ortamı ve Codex CLI, ChatGPT Desktop veya desteklenen IDE uzantıları gibi MCP uyumlu bir ana bilgisayar gerektirir ve genellikle pip veya pipx aracılığıyla kurulur. Geliştirici öncelikli, ajan odaklı tasarım, geliştirici iş akışlarına entegre olmasını sağlar ancak MCP eklentileri ve Python araçları ile aşinalık bekler. Araç, izlenen kayıtlar için harici bulut depolamasından kaçınarak tüm oturum verilerini yerel makinede tutar.
MCP-yerli geliştiriciler için disiplinli kullanım görünürlüğü gerektiren en iyi seçenek
codex-usage-tracker, ajan davranışları ve kaynak tüketimi hakkında araştırılabilir kayıtlara ihtiyaç duyan geliştiriciler ve araştırmacılar için pratik bir seçenektir. MCP uyumlu bir ortam ve geliştirici düzeyinde kurulum becerileri gerektirir, bu nedenle bu iş akışlarına sahip olmayan ekipler sınırlı fayda görür. Pratik ipucu: Tekrar eden verimsizlikleri ortaya çıkarmak ve hızlı veya ajan ayarlamalarını yönlendirmek için periyodik, odaklanmış sorgular veya ajan destekli denetimler planlayın.
