1. 项目概述：为什么我们需要一个统一的AI编程助手分析工具？

如果你和我一样，每天在Cursor、Windsurf、Claude Code、VS Code Copilot这些AI编程助手之间反复横跳，那你一定也深有同感：我们的对话历史、代码片段、甚至那些灵光一现的解决方案，全都散落在各个编辑器的角落里。上周用Cursor调试的那个棘手的API错误，今天在Claude Code里想参考一下，却怎么也找不到了。更别提你根本不知道自己这个月在AI tokens上花了多少钱，哪个编辑器用起来效率最高，或者团队里其他人最近在用什么模型解决类似问题。

这就是我遇到的核心痛点。作为一个深度依赖AI辅助编程的全栈开发者，我的工作流被这些强大的工具割裂了。每个编辑器都是一个信息孤岛，没有全局视角。于是，我动手构建了 Agentlytics ——一个100%本地运行的分析仪表盘，它能把你在16个不同AI编程编辑器里的所有会话、成本、模型使用情况统一起来，给你一个完整的视图。

简单来说，你只需要在终端里敲一行命令 npx agentlytics ，它就会自动扫描你本地所有支持的编辑器，把零散的对话历史聚合起来，然后在 http://localhost:4637 启动一个功能丰富的仪表盘。整个过程，你的数据从未离开过你的机器。这不仅仅是另一个监控工具，它更像是一个为你个人或小团队量身定做的“AI编程记忆中枢”，让你能从数据中真正洞察自己的工作模式。

1.1 核心需求与设计哲学

在动手之前，我仔细梳理了几个必须解决的核心需求，这也构成了Agentlytics的设计基石：

  1. 数据主权与隐私绝对优先 ：所有分析必须100%在本地完成。AI对话可能包含敏感的代码、业务逻辑甚至未公开的API密钥，任何云端传输都是不可接受的。因此，整个架构围绕本地SQLite数据库构建，扫描、分析、展示全链路都在你的电脑上闭环。
  2. 开箱即用，零配置 ：工具不应该成为负担。用户不应该为了使用它而去手动配置编辑器路径、导出日志文件或者学习复杂的ETL流程。Agentlytics必须能自动发现并解析主流编辑器的本地存储格式，做到一键启动，即时洞察。
  3. 提供真正的分析价值，而非简单罗列 ：仅仅把聊天记录堆在一起没有意义。我需要它能回答一些实质性问题：我每天/每周的AI使用高峰是什么时候？我在“重构”任务上比“调试”任务消耗了更多tokens吗？Claude 3.5 Sonnet和GPT-4 Turbo哪个在我当前的项目里性价比更高？团队里谁最擅长用AI解决前端问题？
  4. 支持协作与上下文共享 ：个人效率很重要，但团队智慧更强大。能否安全地在团队内部共享特定的AI会话上下文，让新同事也能快速了解某个复杂模块的历史决策过程？这催生了“Relay”功能的设计。
  5. 兼顾轻量与深度 ：用户可能有不同场景。有时只想快速看一眼概览（“我这个月用了多少次AI？”），有时则需要深度钻取（“找出所有使用了‘pgvector’扩展的会话”）。因此，项目同时提供了轻量级的Deno CLI扫描模式和功能完整的Node.js仪表盘模式。

基于这些原则，Agentlytics没有选择做一个重量级的桌面应用，而是采用了“CLI + 本地Web服务器 + React前端”的轻量级组合。这种架构让你可以通过任何包管理器快速安装运行，也便于未来的功能迭代和社区贡献。

2. 核心架构与工作原理拆解

Agentlytics的架构清晰地区分了数据采集、处理与展示三层，并且为不同的使用场景提供了两种运行时选择。理解这个架构，有助于你明白它的能力边界以及如何进行扩展。

2.1 核心数据处理流水线

整个系统的核心是一个标准化的ETL（提取、转换、加载）流程，但完全在本地运行。

[数据源] -> [提取器] -> [标准化模型] -> [SQLite缓存] -> [REST API] -> [React前端]

1. 数据源与提取器 这是最复杂的一环。每个编辑器（如Cursor、VS Code）都有自己独特的存储聊天记录的方式和位置。Agentlytics为每个支持的编辑器实现了一个独立的“提取器”模块（位于 editors/*.js ）。这些模块的职责是：

  • 自动定位数据文件 ：根据操作系统（目前主要针对macOS），找到编辑器存储会话的目录。例如，Cursor的数据通常位于 ~/Library/Application Support/Cursor/User/globalStorage 下的特定子目录中。
  • 解析原始格式 ：编辑器的存储格式五花八门，可能是JSONL（每行一个JSON）、SQLite数据库、甚至是二进制文件。提取器需要理解这些格式，从中抽取出“会话”、“消息”、“模型”、“工具调用”、“token计数”等核心字段。
  • 处理增量更新 ：为了提高性能，Agentlytics实现了缓存机制。提取器会检查文件的修改时间，只读取和处理自上次扫描后发生变化的数据。

实操心得：编辑器适配的挑战 适配一个新编辑器，最大的困难往往不是编码，而是“侦查”工作。你需要弄清楚：1. 数据存在哪里？2. 格式是什么？3. 关键字段（如消息内容、模型名称、时间戳）的映射关系。对于像Windsurf这类通过RPC提供服务、不直接暴露本地文件的编辑器，适配难度更大，目前需要其客户端在运行时才能获取数据。这也是项目寻求社区贡献的方向之一。

2. 标准化数据模型 来自不同编辑器的原始数据格式差异巨大。Agentlytics在内存中定义了一套统一的内部数据模型，所有提取器都必须将数据转换为此模型。这个模型的核心实体包括：

  • ChatSession ：一个完整的对话会话，包含元数据（ID、编辑器、项目路径、起止时间、使用的模型、估算成本等）。
  • ChatMessage ：会话中的单条消息，区分是用户（Human）还是助手（Assistant）发送，并包含原始内容。
  • ToolCall ：助手在消息中调用工具（如运行命令、读写文件）的记录。
  • Project ：通过分析会话中的文件路径自动聚合出的项目实体。

标准化是后续所有分析（如跨编辑器对比、统一搜索）的基础。

3. SQLite缓存与REST API 转换后的标准化数据会被写入一个本地SQLite数据库文件（默认位于 ~/.agentlytics/cache.db ）。选择SQLite是因为它无需额外服务、单文件、性能出色，且能轻松支持复杂的聚合查询。随后，一个基于Node.js Express的轻量级REST API服务器启动，对外提供诸如 /api/overview 、 /api/chats 、 /api/projects 等端点。前端的所有数据请求都指向这个本地API。

2.2 双运行时模式：Node.js全功能版 vs. Deno沙盒扫描版

为了满足不同场景的需求，Agentlytics提供了两种运行方式，这是设计上的一个亮点。

Node.js全功能模式 这是我们之前讨论的标准模式。通过 npx agentlytics 启动，它会执行完整的ETL流程，创建SQLite缓存，并启动包含前端仪表盘的Web服务器。这是功能最全的模式，适合深度分析和日常使用。

Deno沙盒扫描版 这是一个极简、安全的“只读扫描器”。通过一条Deno命令直接运行远程模块：

deno run --allow-read --allow-env https://raw.githubusercontent.com/f/agentlytics/master/mod.ts

它的特点是：

  • 零安装、零依赖 ：直接从URL运行，无需 npm install 或克隆仓库。
  • 权限最小化 ：仅要求 --allow-read （读取本地编辑器文件）和 --allow-env （读取少量环境变量如HOME）。它 没有 网络权限、文件写入权限或代码执行权限，安全性极高。
  • 即时输出 ：它不创建数据库或启动服务器，而是直接扫描文件，将统计结果（会话数、消息数等）以清晰的表格格式打印到终端，或通过 --json 标志输出结构化JSON。

这个模式非常适合快速检查（“让我看看我到底有多少个AI会话”）、集成到其他脚本中，或者在安全要求极高的环境下进行审计。

2.3 Relay（中继）架构：安全的团队协作

Relay功能是Agentlytics从个人工具迈向团队工具的关键。它的设计目标是在不泄露原始数据的前提下，允许团队成员共享AI会话的上下文。

工作原理：

  1. 服务端 ：一位团队成员运行 npx agentlytics --relay ，启动一个专用的中继服务器（默认端口4638）。这个服务器会创建一个独立的 relay.db 数据库。
  2. 客户端 ：其他成员在 项目目录 下运行 npx agentlytics --join <server-address> 。客户端会扫描本地的AI会话，但只会上传与当前项目（通过匹配Git仓库路径或文件路径推断）相关的会话数据。
  3. 数据同步 ：客户端每隔30秒将新的或更新的会话数据同步到中继服务器。数据在传输前会进行匿名化处理（移除可能敏感的绝对路径等），并且可以通过 RELAY_PASSWORD 环境变量进行密码保护。
  4. MCP集成 ：中继服务器暴露一个Model Context Protocol端点。这意味着你可以将Cursor、Claude Desktop等支持MCP的AI客户端连接到这个端点。连接后，AI助手就能利用 search_sessions 等工具，跨团队搜索所有人的相关会话历史来回答问题。

安全考量：

  • Relay设计用于 可信的本地网络 （如同一个办公室Wi-Fi）。在公网使用需要自担风险。
  • 数据共享是 项目粒度 的，而非全盘托出。用户需要明确选择加入哪个项目的共享。
  • 支持密码认证，防止未经授权的客户端连接。
  • 所有数据仍存储在发起Relay的本地机器上，没有中心化云存储。

3. 功能深度解析与实操指南

Agentlytics的仪表盘不仅仅是数据的陈列柜，它的每个功能模块都旨在回答一个具体的、对开发者有价值的问题。下面我们逐一拆解。

3.1 仪表盘：你的AI编程全景图

启动后，首页仪表盘提供了几个核心的“速览”组件：

  • 核心KPI卡片 ：总会话数、总消息数、涉及项目数、活跃编辑器数量。这是最宏观的指标。
  • 活动热力图 ：仿照GitHub贡献图，直观展示你每天使用AI编程助手的频率。一眼就能看出哪几天是“重度依赖日”。
  • 编辑器分布环图 ：清晰展示你在各个编辑器（Cursor, VS Code, Claude Code等）间的使用时长或会话数量分布。你可能惊讶地发现，自己以为的主力编辑器实际占比并没那么高。
  • 编码连续记录 ：类似于“打卡”，显示你连续多少天使用了AI编程助手。这有助于培养习惯或分析工作节奏。
  • Token经济面板 ：这是成本控制的核心。基于会话中记录的模型和token使用量（部分编辑器提供），Agentlytics会估算出大致的API花费，并按模型、按月进行分解。你可以立刻发现“GPT-4 Turbo是我最大的成本中心”。
  • 高峰时段分析 ：统计你在一天中哪个小时最频繁地调用AI。这有助于你规划工作，将复杂的、需要大量AI辅助的任务安排在自己效率最高、AI使用最频繁的时段。

注意事项：成本估算的准确性 成本估算功能严重依赖于编辑器是否在会话数据中提供了准确的 token_count 字段以及使用的 model 信息。目前，Cursor、Claude Code等对此支持较好，而一些编辑器可能不提供或提供不完整的数据。因此，仪表盘上的成本数字应视为一个 趋势性参考和相对比较的依据 ，而非精确的账单。但它足以帮你识别出“哪个模型或哪个项目最烧钱”。

3.2 会话管理与全局搜索

这是找回“记忆”的关键。所有会话被集中在一个可搜索、可过滤的列表中。

  • 强大的过滤与搜索 ：你可以按编辑器、按时间范围、按项目、甚至按使用的模型进行过滤。全局搜索框支持全文检索，可以跨越所有编辑器，查找包含特定关键词（如错误信息、函数名、库名称）的对话。比如，搜索“TypeError: Cannot read property”，就能找到历史上所有调试类似错误的会话。
  • 会话详情侧边栏 ：点击任意会话，一个侧边栏会滑出，完整呈现当时的对话记录，并支持代码高亮。这相当于一个跨编辑器的、专属你的AI对话存档库。

3.3 项目视角分析

开发者是以项目为中心的。这个视图将数据按项目（通过分析会话中的文件路径自动聚合）进行分组，提供项目维度的深度分析。

  • 项目概览 ：列出所有检测到的项目，每个项目显示总会话数、消息数、token使用量、涉及的编辑器等。
  • 项目详情页 ：深入某个项目（如“my-nextjs-app”），你可以看到：
    • 项目内编辑器使用习惯 ：在这个项目里，你更常用Cursor还是VS Code Copilot？
    • 模型使用分布 ：这个项目主要调用的是Claude 3 Haiku还是GPT-4？
    • 会话时间线 ：项目生命周期内AI使用的活跃度变化。
    • 相关会话列表 ：快速跳转到该项目的所有历史会话。

这个功能对于复盘项目、进行知识沉淀尤其有用。新成员加入项目时，如果能快速浏览该项目历史上的关键AI对话，能极大加速理解过程。

3.4 深度分析与对比工具

这部分是为数据驱动型开发者准备的。

  • 工具调用热图 ：分析AI助手在编程时最常使用哪些工具（如 execute_command , read_file , search_web ）。这能反映你的工作模式——是更偏向于让AI直接执行命令，还是更多让它阅读现有代码？
  • 模型分布钻取 ：不仅看用了哪些模型，还能下钻查看每个模型分别在哪些编辑器、哪些项目中被使用。
  • 编辑器对比 ：这是一个非常实用的功能。你可以并排比较两个编辑器（如Cursor vs. Claude Code）。对比指标可能包括：平均每个会话的消息数（反映对话深度）、平均响应时间（如果数据可得）、不同模型的使用偏好、在特定类型项目（如前端vs.后端）中的使用占比。这能给你客观的数据，来优化你的工具链选择。

3.5 订阅与配额管理

对于使用Cursor Pro、Windsurf Teams等带有订阅和配额服务的编辑器，Agentlytics尝试通过读取本地配置或调用编辑器本地API（如果可用）来汇总展示你的订阅状态、剩余额度、速率限制等信息。这让你在一个地方就能掌握所有AI服务的“余额”，避免在关键时刻遇到配额耗尽的问题。

4. 从安装到高级使用的完整实操流程

4.1 环境准备与快速启动

前提条件 ：

  • 操作系统 ：目前主要支持macOS。Linux和Windows支持已在路线图中，但需要社区帮助适配各编辑器的文件路径。
  • 运行时 ：Node.js版本需 ≥ 20.19 或 ≥ 22.12。或者，你也可以使用Deno。

一键启动（推荐） ： 打开你的终端，执行以下命令之一：

npx agentlytics
# 或者使用你喜欢的包管理器
pnpm dlx agentlytics
yarn dlx agentlytics
bunx agentlytics

第一次运行会完成以下步骤：

  1. 自动安装 agentlytics npm包。
  2. 扫描你本地所有支持的编辑器数据目录。
  3. 构建本地SQLite缓存（首次扫描可能耗时稍长，取决于会话数量）。
  4. 启动本地Web服务器，并自动在默认浏览器中打开仪表盘（ http://localhost:4637 ）。

整个过程无需任何配置。扫描完成后，你就能看到属于自己的AI编程分析报告了。

仅构建缓存（后台任务） ： 如果你只想更新数据而不想立即打开浏览器，可以使用：

npx agentlytics --collect

这会在后台安静地完成扫描和缓存构建，之后你可以随时通过 npx agentlytics 快速启动查看最新数据的仪表盘。

4.2 使用Deno进行快速安全扫描

当你只需要一个快速的统计概览，或者在不信任的环境下想检查数据时，Deno沙盒版是完美选择。

基础扫描 ：

deno run --allow-read --allow-env https://raw.githubusercontent.com/f/agentlytics/master/mod.ts

这条命令会输出一个简洁的终端表格，汇总检测到的编辑器及其会话数量。

获取JSON格式输出 ： 为了便于集成到其他脚本或工具中，可以添加 --json 标志：

deno run --allow-read --allow-env https://raw.githubusercontent.com/f/agentlytics/master/mod.ts --json

这将输出一个结构化的JSON对象，包含所有统计信息，你可以用 jq 等工具进行进一步处理。

从本地仓库运行 ： 如果你克隆了项目仓库，还可以使用预定义的Deno任务：

deno task start       # 启动完整仪表盘（需要更多权限）
deno task scan        # 执行轻量级CLI扫描
deno task scan:json   # 执行扫描并输出JSON

4.3 配置Relay实现团队会话共享

假设你和两个同事Alice、Bob正在共同开发一个名为“Project Phoenix”的Next.js应用。你们想共享在这个项目中使用AI助手的经验。

步骤1：启动Relay服务器 由团队中的一位成员（比如你）在任意目录下执行：

# 可选：设置密码增强安全
export RELAY_PASSWORD=our_team_secret_2024
npx agentlytics --relay

服务器启动后，终端会显示类似以下信息：

⚡ Agentlytics Relay
Share this command with your team:
  cd /path/to/phoenix-project
  npx agentlytics --join 192.168.1.100:4638
MCP server endpoint (add to your AI client):
  http://192.168.1.100:4638/mcp

记下这个IP和端口（ 192.168.1.100:4638 ）以及MCP端点地址。

步骤2：团队成员加入Relay Alice和Bob需要在他们本地的“Project Phoenix”项目根目录下操作：

# 确保在正确的项目目录
cd ~/Developer/phoenix-project
# 使用密码加入（如果服务器设置了密码）
RELAY_PASSWORD=our_team_secret_2024 npx agentlytics --join 192.168.1.100:4638

运行后，客户端会扫描本地AI会话，并提示选择要共享的项目（它会自动识别当前目录对应的项目）。确认后，客户端会开始定期向Relay服务器同步数据。

步骤3：在AI客户端中配置MCP 现在，你们任何一人都可以将自己的AI客户端（如Cursor、Claude Desktop）连接到Relay的MCP服务器。

  1. 在AI客户端的设置中找到MCP（Model Context Protocol）配置部分。
  2. 添加一个新的MCP服务器，类型选择 HTTP 。
  3. URL填入 http://192.168.1.100:4638/mcp 。
  4. 如果设置了密码，在认证信息中配置。

配置成功后，当你在AI助手中提问时，它就可以利用团队共享的上下文。例如，你可以问：“我们团队之前是怎么解决用户认证中的OAuth状态校验问题的？” AI助手会通过MCP工具搜索所有共享会话，找到相关的历史讨论和解决方案提供给你。

4.4 利用API进行自定义集成

Agentlytics的本地REST API为你打开了自定义工作流的大门。所有仪表盘的数据都来自这些API，意味着你也可以直接调用它们。

获取基础概览数据 ：

curl http://localhost:4637/api/overview

这会返回一个JSON，包含会话总数、消息总数、编辑器列表等核心指标。

获取特定编辑器的会话列表 ：

curl "http://localhost:4637/api/chats?editor=Cursor&limit=10"

这个请求获取最近10个Cursor的会话。

实时刷新数据 ： 仪表盘页面有一个“刷新数据”按钮，其背后调用的是 /api/refetch 端点。这是一个Server-Sent Events (SSE)端点，它会清空现有缓存，触发一次完整的重新扫描，并通过事件流实时推送进度。你可以模拟这个行为来手动更新数据。

构建自定义脚本 ： 假设你想每周一早上自动生成一份AI使用周报，并发送到Slack。你可以写一个简单的Node.js脚本：

import fetch from 'node-fetch';
async function generateWeeklyReport() {
  const overview = await fetch('http://localhost:4637/api/overview').then(r => r.json());
  const weeklyActivity = await fetch('http://localhost:4637/api/daily-activity?days=7').then(r => r.json());
  // 处理数据，生成Markdown或文本
  const report = `📊 AI编程助手周报\n` +
                 `总计会话: ${overview.totalChats}\n` +
                 `本周活跃天数: ${weeklyActivity.filter(d => d.count > 0).length}\n` +
                 `...`;
  // 调用Slack Webhook发送报告
  // sendToSlack(report);
}

将这段脚本设置为定时任务（如使用cron），就能实现自动化报告。

5. 常见问题、排查技巧与进阶指南

即使工具设计得再简单，在实际使用中也可能遇到各种情况。这里汇总了我自己以及早期用户遇到的一些典型问题和解决方法。

5.1 安装与运行问题

问题：运行 npx agentlytics 时报错，提示Node.js版本过低。

  • 原因 ：Agentlytics使用了较新的JavaScript特性，需要高版本Node.js支持。
  • 解决 ：升级你的Node.js。推荐使用 nvm （Node Version Manager）来管理多个版本。执行 nvm install --lts 安装最新的LTS版本，然后 nvm use --lts 切换过去。

问题：仪表盘能打开，但数据显示为空或不全。

  • 排查步骤 ：
    1. 检查编辑器是否被支持 ：首先在终端运行 npx agentlytics --collect ，观察输出日志。看看它识别出了哪些编辑器，以及每个编辑器找到了多少会话。如果某个你常用的编辑器没被列出，说明它可能尚未被支持，或者其数据存储路径未被正确识别。
    2. 检查编辑器数据路径权限 ：在macOS上，编辑器数据通常存储在 ~/Library/Application Support/ 或 ~/Library/Preferences/ 下。确保你的用户账户有读取这些目录的权限。可以尝试用 ls -la 命令查看。
    3. 查看详细日志 ：运行 DEBUG=agentlytics:* npx agentlytics 可以输出更详细的调试信息，帮助定位是哪个提取器出了问题。
    4. 手动验证数据文件 ：找到对应编辑器的数据存储目录（项目GitHub仓库的 editors/ 目录下各适配器文件顶部通常有路径说明），看看是否存在包含会话数据的文件（如 .jsonl , .db 文件）。

问题：Deno扫描版运行报权限错误。

  • 原因 ：Deno的权限沙盒机制要求显式授权。如果命令中只给了 --allow-read ，但编辑器数据路径可能涉及符号链接或需要环境变量来解析路径。
  • 解决 ：尝试添加 --allow-env 来允许读取环境变量（如 HOME ），这是最常见的缺失权限。如果问题依旧，可以尝试使用 --allow-all （仅限完全信任的情况下）来测试是否是权限问题，但生产使用中应坚持最小权限原则。

5.2 数据与功能相关疑问

问题：成本估算的数字看起来不对，偏高或偏低。

  • 理解原理 ：成本估算是基于 (会话token数 / 1000) * (该模型每千token的公开API价格) 计算的。关键在于：
    • Token数来源 ：完全依赖于编辑器在保存会话时是否记录并提供了准确的 token_count 。并非所有编辑器或所有模型都提供此数据。
    • 模型识别 ：需要准确识别会话使用的模型（如 gpt-4-turbo-preview ）。如果编辑器只记录了 gpt-4 ，估算可能不精确。
    • 价格数据 ：Agentlytics内置了一个模型价格对照表，但API价格可能变动，且企业协议价格与公开价格不同。
  • 建议 ：将此功能视为 相对比较工具 。关注“哪个模型/项目/月份花费占比最高”这样的趋势，而非绝对金额。你可以在设置中自定义模型单价来提高准确性。

问题：Relay功能中，团队成员看不到我共享的会话。

  • 排查步骤 ：
    1. 确认项目路径匹配 ：Relay共享是基于“项目”的。服务器和客户端对“项目”的识别必须一致。Agentlytics通常通过Git仓库根目录或文件路径共性来推断项目。确保所有成员都在 同一个Git仓库的根目录 下执行 --join 命令。
    2. 检查网络连通性 ：确保客户端能访问到Relay服务器的 4638 端口。可以在客户端机器上执行 telnet <server-ip> 4638 测试。
    3. 查看Relay服务器日志 ：启动Relay时加上 DEBUG=agentlytics:relay* 前缀，查看是否有连接和同步请求。
    4. 验证密码 ：如果设置了 RELAY_PASSWORD ，确保服务器和客户端使用的密码完全一致（注意大小写和空格）。

问题：我想支持一个新的AI编程编辑器，该如何贡献？

  • 步骤 ：
    1. 在项目的 editors/ 目录下创建一个新的适配器文件，例如 editors/my-new-editor.js 。
    2. 参考其他适配器（如 editors/cursor.js ）的结构。核心是导出一个对象，包含 name 、 isAvailable() 、 getChats() 等方法。
    3. isAvailable() 函数用于检测该编辑器是否存在于当前系统（通常通过检查特定的文件或目录路径）。
    4. getChats() 函数是核心，需要解析该编辑器的本地存储文件，将原始数据转换为Agentlytics的标准数据模型。
    5. 在 editors/index.js 文件中导入并注册你的新适配器。
    6. 提交Pull Request。详细的开发指南请参考项目仓库中的 CONTRIBUTING.md 文件。

5.3 性能与维护建议

缓存与更新 ： 首次扫描可能会较慢，因为要读取和解析大量历史数据。扫描完成后，结果会存入 ~/.agentlytics/cache.db 。后续启动只会增量扫描变更的文件，速度很快。如果你发现数据没有更新，可以手动点击仪表盘上的“刷新数据”按钮，或重启Agentlytics服务。

数据存储位置与备份 ：

  • 主缓存 ： ~/.agentlytics/cache.db (SQLite数据库)
  • Relay数据 ： ~/.agentlytics/relay.db (SQLite数据库)
  • 配置文件 ： ~/.agentlytics/config.json (如果有自定义配置) 你可以定期备份这些文件。如果需要迁移到新电脑，复制整个 ~/.agentlytics 目录过去，在新电脑上安装Agentlytics后，你的历史分析数据就恢复了。

资源占用 ： Agentlytics在空闲时内存占用很低（主要是一个静态文件服务器和API后端）。扫描进程在运行时会有一定的CPU和I/O占用，但会在完成后自动结束。如果你在扫描时感到系统卡顿，可以考虑在空闲时通过 npx agentlytics --collect 预先构建缓存。

经过几个月的日常使用，Agentlytics已经从我的一个“周末项目”变成了开发工作流中不可或缺的一环。它带来的最大改变不是某个炫酷的图表，而是一种“可观测性”。我能清晰地看到自己如何与AI协作，并在数据指导下优化习惯——比如，我发现自己在下午的代码审查中过度依赖AI生成解释，而在上午的架构设计中使用效率更高。我也开始有意识地在团队Relay中标记那些解决了复杂问题的优质会话，成为团队的知识资产。这个工具的价值在于，它把AI编程从一种模糊的体验，变成了一个可以分析、优化和共享的清晰过程。如果你也在使用多个AI编程助手，我强烈建议你花五分钟时间运行一下，看看你的数据会告诉你什么故事。

Logo
亚马逊云科技技术品牌专区

更多推荐

cover

实践深度学习：构建一个简单的图像分类器

avatar 亚马逊云科技技术品牌专区
cover

大 硬 仗14小时：用2009年的上古亮机卡跑完深度学习，CPU满载但代码没崩

avatar 亚马逊云科技技术品牌专区
cover

害虫检测和识别3：基于深度学习YOLO26神经网络实现害虫检测和识别(含训练代码、数据集和GUI交互界面）

avatar 亚马逊云科技技术品牌专区