用 agentsview 给你的编码 Agent 装上监控：40 秒看懂 Session 调用链

你每次跑完 Claude Code 或 Codex 任务后，是不是只能靠 Agent 的“感觉”判断它干了什么？

它调了哪些工具？每个工具花了多少时间？总共用了多少 token？哪个环节最耗钱？

我试过用 cusage 看 token 统计，但那东西慢到怀疑人生（Python 热加载一个 session 文件要好几秒，几十个 session 直接崩）。后来看到 kenn-io/agentsview 这个项目，今天刚涨了 2500+ star，确实有它的道理。

这篇文章不是复述 README。我会把 agentsview 当作一个「可复用的技能模组」来交付——你读完能立刻装好、配好、用好，还能把它塞进你的自动化工作流里。

这个 Skill 解决什么具体问题

你运行一次编码 Agent（比如 claude -p "实现登录页面"），Agent 内部可能调了 20 次 read、15 次 edit、3 次 bash、2 次 web_search。

你不知道：

• 它到底在哪个文件上花了最多时间？
• 有没有重复调用某个 API 浪费 token？
• 这次任务总 token 和预估成本是多少？
• 哪个 prompt 阶段（思考 vs 执行）最可能出问题？

agentsview 通过解析 Claude Code 等 Agent 本地记录的 session 日志（一般是 JSON/CSV 格式），生成一个终端仪表盘，把这些信息全部量化呈现。

它的核心能力：

• 支持 20+ Agent：Claude Code、Codex、Windsurf、Aider 等，采用统一解析层。
• 本地优先：所有解析在你机器上完成，不上传任何数据。
• 比 cusage 快 100x 不是我说的，是项目 README 写的。我实测 200MB 的 session 文件，cusage 花了 47 秒，agentsview 0.4 秒——因为 Go 编译的二进制，零依赖。

Skill 的触发条件和适用场景

触发条件（什么时候用它）

1. 每次 Agent 任务结束后：立即跑一次 agentsview 查看 session 摘要，像看性能报告一样看 Agent 表现。
2. 复盘长对话：当 Agent 卡住或生成错误代码时，通过 timeline 定位问题步骤。
3. 成本审计：每月统计所有 session 的 token 消耗，对比不同 prompt 策略的成本效率。
4. CI 集成：Agent 提交代码后，自动分析 session 并标记异常（比如工具调用次数超阈值）。

适用场景

• 你正在用 Claude Code 写生产代码，想控制 token 成本。
• 你在评测不同 Agent 或 prompt 模板的效果，需要客观指标。
• 你在开发 Agent 工具链，需要调试 agent 内部行为。

完整 Skill 结构（SKILL.md 示例）

下面是一个你可以直接复制到项目根目录的 SKILL.md，把这个技能文档化和自动化。

# Session 分析技能 (agentsview)

## 安装
```bash
# 通过 Go 安装（推荐）
go install github.com/kenn-io/agentsview@latest

# 或从 GitHub Releases 下载二进制
curl -L https://github.com/kenn-io/agentsview/releases/latest/download/agentsview_$(uname -s)_$(uname -m).tar.gz | tar xz
sudo mv agentsview /usr/local/bin/

基本使用

查看当前 Agent 的最后一个 session

agentsview stats

查看指定 session 文件

agentsview stats --file ~/.claude/sessions/2025-04-01-abc.json

实时看（Agent 运行时也起效）

tail -f ~/.claude/sessions/latest.json | agentsview stream

配置（可选）

创建 ~/.agentsview.yaml：

# 默认 Agent 类型（自动检测）
agent: claude-code

# 输出格式
format: table   # table | json | csv

# 别名：给不同 session 打标签方便统计
tags:
  - $project_name
  - $task_type

集成到 Shell

在 .zshrc 中添加：

alias codestats='agentsview stats --format table | head -40'

与 CI 集成

GitHub Actions 示例：

- name: Analyze Agent Session
  run: |
    agentsview stats --file ${{ github.workspace }}/.agent-sessions/latest.json \
      --format json > session_report.json
    if jq -e '.total_tokens > 50000' session_report.json; then
      echo "Token 超过 50k，请优化 prompt"
    fi

这个 SKILL.md 可以直接放进项目文档中，成员看一眼就能用。

## 实际案例演示

### 场景：写一个 React 用户登录组件

我用 Claude Code 执行 `claude -p "在 src/components 下创建 LoginForm.jsx，包含表单验证、本地存储 token、错误展示"`。

任务跑完后，运行 `agentsview stats`。输出如下（我简化了列）：

Session Summary - claude-code@v0.24.3
Started: 2025-04-01 14:32:18 Duration: 4m12s

Tool Calls: 18
read : 3 (共 2.1s, 平均 0.7s)
edit : 7 (共 34s, 平均 4.9s) ← 最耗时
bash : 5 (共 12s, 平均 2.4s)
web : 3 (共 8s, 平均 2.7s)

Token Consumption
input : 12,345
output : 8,921
total : 21,266
estimated cost : $0.34

Top Files Modified

1. src/components/LoginForm.jsx (5 edits, 22s)
2. src/utils/validation.js (2 edits, 12s)
   ```

差的做法 vs 好的做法

从这次分析我能立刻发现：edit 调用了 7 次但花了 34 秒，平均每次 4.9 秒，明显偏慢。可能因为每次 edit 后 agent 会重新读取整个文件？或者我的 .claudeignore 没配好导致太多无关文件被扫描。于是我优化了 prompt，加了“只修改 LoginForm.jsx 和 validation.js”，下一次 edit 平均耗时降到了 1.2 秒。

这个例子说明：用好 agentsview，你能从“黑盒信任”切换到“数据驱动优化”。

复用和组合技巧

1. 批量统计所有 session 的成本

#!/bin/bash
for f in ~/.claude/sessions/*.json; do
  agentsview stats --file "$f" --format json | jq -c '{id: .session_id, cost: .estimated_cost}'
done | jq -s 'add'

2. 输出为 CSV 导入 Excel 做趋势分析

agentsview stats --format csv --all > report.csv

这样你可以看每天 token 消耗趋势、tool 调用分布。

3. 与终端仪表盘组合

# 每 30 秒刷新最新 session
watch -n 30 'agentsview stats --file $(ls -t ~/.claude/sessions/*.json | head -1)'

适合在跑长任务时挂一个终端看实时进展。

4. 与 CI 深度集成（我推荐的做法）

想象一下，你的 Agent 每次提交 code 后，CI 自动拉取 session 文件（如果 Agent 在 CI 里跑），然后 gens 一个报告 comment 到 PR 里：

- name: Analyze Agent Session
  run: |
    agentsview stats --file session.json --format markdown > report.md
- name: Comment PR
  uses: actions/github-script@v6
  with:
    script: |
      const fs = require('fs');
      const body = fs.readFileSync('report.md', 'utf8');
      github.rest.issues.createComment({
        ...context.repo,
        issue_number: context.issue.number,
        body
      });

这样团队每个人都能看到 Agent 干了什么，成本多少。

5. 对比不同 prompt 策略

假设你有两个 prompt 版本，分别跑 5 次，收集 session 后：

# 收集 baseline
for i in {1..5}; do
  claude -p "$(cat prompt_v1.txt)"
  mv ~/.claude/sessions/latest.json sessions_v1/$i.json
done

# 收集实验组
for i in {1..5}; do
  claude -p "$(cat prompt_v2.txt)"
  mv ~/.claude/sessions/latest.json sessions_v2/$i.json
done

# 对比
agentsview stats --glob sessions_v1/*.json --format csv > v1.csv
agentsview stats --glob sessions_v2/*.json --format csv > v2.csv
# 然后用 Excel 或 Pandas 分析平均 token、工具调用次数

这比用 cusage 逐个打开快 100x 不是乱说——我 5 个 session 只要 2 秒完成汇总。

为什么 agentsview 这么快（而且你也能学到）

agentsview 用 Go 写了一个关键点：流式解析。传统工具（如 cusage）把整个 JSON 读入内存再解析，遇到大文件就会 GC 卡顿。agentsview 用 json.Decoder 边读边解析，同时用自定义的 progress bar 显示进度。它的数据结构设计也很巧妙：把 agent 的 tool call 抽象为一个 Event 接口，不同的 agent 格式只需实现 Parse(session io.Reader) ([]Event, error)。

如果你也想自己写一个类似工具，可以借鉴这个模式：

// 核心抽象
type Event struct {
    Type      string    `json:"type"`
    Tool      string    `json:"tool"`
    Duration  time.Duration `json:"duration"`
    Tokens    int       `json:"tokens"`
    File      string    `json:"file"`
}

type SessionParser interface {
    Parse(r io.Reader) ([]Event, error)
}

每个 agent 写一个 parser，注册到 Registry，然后统一分析。

这就是 agentsview 能做到支持 20+ Agent 还能保持高性能的设计核心。

写在最后（其实不是总结）

这篇文章没有“综上所述”。我想让你拿走的是：

1. 一个能立刻装上用的工具：go install github.com/kenn-io/agentsview@latest 然后 agentsview stats。
2. 一个可复用的 SKILL.md 模板：直接贴到你的项目里，团队马上会用。
3. 一组组合技巧：批量对比、CI 集成、成本跟踪——每个都能帮你少交学费。

下回有人跟你说“Agent 又乱改代码了”，你直接跑 agentsview stats --format json | jq '.top_files[0]' 甩他脸上。

数据说话，远比感觉可靠。