最新

在意识到我每周在 Claude Code 上的花费大约为 1400 美元，却几乎无法了解实际的 token 消耗情况后，我构建了这个工具。 像 ccusage 这样的工具可以按模型和日期提供成本细分，但我希望了解任务级别的用量。 CodeBurn 读取 Claude Code 本地存储的 JSONL 会话记录 (~/.claude/projects/)，并根据工具使用模式将每一轮对话分为 13 个类别（不涉及 LLM 调用）。 一个令人惊讶的结果是：大约 56% 的花费用于没有使用工具的对话轮次。实际的编码（编辑/编写）仅占约 21%。 该界面是一个交互式终端 UI，使用 Ink（用于终端的 React）构建，具有渐变条形图、响应式面板和键盘导航功能。它还有一个用于 macOS 的 SwiftBar 菜单栏集成。 欢迎提出反馈或建议。

我们的 AI 原生 IDE，6digit studio，新增了名为 CORDIAL 的“全局视图”可视化层，旨在让你能够“远距离”使用，让你感觉自己更像《少数派报告》里的汤姆·克鲁斯。

当 AI 智能体自主编写和部署代码时，目前还没有标准来验证它们所交付的代码是否真正满足业务需求。OQP 协议旨在定义这一标准。 它兼容 MCP 协议，并定义了四个核心端点： * GET /capabilities — 此智能体可以验证什么？ * GET /context/workflows — 此工作流的业务规则是什么？ * POST /verification/execute — 运行验证工作流 * POST /verification/assess-risk — 此更改的风险是什么？ 我们经常提到的类比是：OQP 之于智能体软件验证，就像 OpenAPI 之于 REST API 一样。 早期贡献者包括 Philip Lew (XBOSoft) 和 Benjamin Young (W3C JSON-LD 工作组)。 欢迎基于 MCP、智能体编排框架进行构建的工程师，或者任何经历过“智能体交付了错误内容，而我们却无法发现”痛苦的人提供反馈。 代码库：github.com/OranproAi/open-qa-protocol