夜雨聆风上个月，我用 Claude Code 写完一个需求后查账单：47块钱。我盯着数字想了半天——它到底帮我干了哪些活？改了哪几个文件？有没有在某个循环里疯狂调 API 烧钱？
我完全不知道。我对 AI Agent 的内部行为，一片漆黑。
这就是 agentacct 要解决的问题——它让你像看 Git log 一样看清 AI 编码 Agent 的每一步操作和每一分成本。
现在的 AI 编程 Agent 像个黑盒
你不知道它在干什么，只能看最终结果和账单
用 AI 编程工具有个尴尬的局面：Agent 跑了几十步，你只看到最后一步。它可能在某个文件上反复改写 5 次才找到正确方案，你可能不知道——你的 Token 账单却如实记录了。
更难受的是，当 Agent 改错了代码，你想回溯它到底在哪一步做的错误决策——对不起，没有历史记录。你只能从头再跑一遍。
agentacct 做的事很简单：把你的 AI Agent 从黑盒变成透明玻璃盒。
它到底能告诉你什么？
三个维度的透明化
第一，每一步做了什么：Agent 调了哪个工具、读了哪个文件、改了什么代码——全部记录成一条条清晰的「工作步骤」。就像 Git commit log，但不是代码变更，而是 Agent 的思维轨迹。
第二，每一步花了多少钱：每个工具调用消费了多少 Token、折合多少人民币——按步骤拆分展示。你会发现 Agent 在某个文件上反复读 7 次消耗了 30000 Token，立刻知道哪里该优化 prompt。
第三，整体效率洞察：一个任务总运行时间、总 Token 消耗、工具调用的分布比例——让你有了优化 Agent 工作流的数据基础。
怎么用：
→ pip install agentacct
→ 在你的 Claude Code / Agent 调用外层包裹 agentacct 的追踪逻辑
→ 跑完任务后打开 dashboard，所有步骤一目了然
为什么你需要这个工具？
不只是省钱，更是建立对 AI Agent 的信任
AI 编程 Agent 正在从「玩具」变成「生产力」，但多数程序员对它的信任停留在「反正能用就行」。没有可观测性，就没有真正的信任——这和微服务时代推动 observability 的原因是同一个逻辑。
当你能看到 Agent 的每一步决策时，你就从「盲信 AI 输出」变成「审核 AI 的过程」——这才是工程师该有的姿态。
总结——
→ agentacct 给 AI 编程 Agent 装上了「行车记录仪」
→ 看清每一步操作 + 每一分成本 + 整体效率趋势
→ 526 Star，Python 项目，pip 安装即用
→ 在把关键任务交给 AI 之前，先确保你有能力审视它的工作过程
💬 你在用 AI 编程工具时，有没有怀疑过它在某个步骤「烧钱做无用功」？来评论区聊聊你的经历。
---
> 📂 更多同类内容，点击合集「程序员效率工具库」→
> 如果觉得有用，点个「在看」↘
