工具与应用01
Datadog 推出 Agent Observability 的新功能，帮企业搞清楚 AI 智能体的钱花在了哪里。原来云厂商账单只按 API 密钥和模型统计，看不出是哪个应用、哪一步工作流在烧钱，所以成本一涨就很难查原因——可能是流量变大、换了更贵的模型，也可能是缓存没用上、对话历史每轮都重发。现在这个工具把估算的 AI 成本直接挂到具体应用和请求链路上，打开 Cost 页面就能按应用对比花费和效率（比如每次请求成本、缓存命中率），还能钻取到单次最贵的调用，看它的执行链路。它还会自动指出可省钱的点，比如未被缓存的提示词前缀，估算能省多少并给出修改建议。对读者来说，这意味着 AI 成本问题能更快定位到技术原因，而不是对着账单猜。目前材料只说明这是 Datadog 的产品能力介绍，未说明具体定价和正式上线时间。
文中可用工具
- Datadog Agent Observability把 AI 智能体的估算成本关联到具体应用和调用链路，帮助定位花钱多的环节
- Cost page按应用、供应商或自定义标签查看 AI 花费和效率指标
- Cost Savings Opportunities找出可避免的花费并估算潜在节省、给出修复建议
- Most Expensive LLM Calls table按估算总成本给 LLM 调用排名，方便查看最贵的请求
- Execution Graph展示智能体、LLM 调用、工具和评估之间的连接关系
- Datadog Application Performance Monitoring (APM)与 Agent Observability 关联，把 AI 操作放回更完整的应用调用链中排查
行业动态02
Harness 这家工程公司发现，AI 工具费用涨得飞快，但没人看得清钱花在谁身上、花在哪个模型上。他们用自家的 Harness Cloud Management Agent 把各家 AI 服务商的用量和费用汇总到一处，按开发者、供应商、模型、token 类型拆分展示，还引入「每百万 token 成本」这个效率指标，让开发者能看到自己用得贵不贵。接着他们给每位开发者设了每周预算：用到 90% 先提醒，超过 100% 才停用，而且可以自助申请加预算、按金额分级审批，不用提工单。2026 年 7 月中旬上线后，每百万 token 成本从约 1.80 美元明显下降，总支出也先降后小幅回升；作者认为这说明开发者不是少用了 AI，而是不再拿高价模型干便宜模型的活。以上是该公司自述的效果，文中未给出具体降幅百分比，也未附第三方验证。
文中可用工具
- Harness Cloud Management Agent (CMA)汇总各家 AI 服务商的费用与用量数据，做成本分析和预算管控
- Cost Explorer按用户、供应商、模型、token 类型查看 AI 花费的界面
- Cursor被纳入费用统计的 AI 编程工具之一
- OpenAI被纳入费用统计的 AI 服务商之一
- Claude Enterprise被纳入费用统计的 AI 服务商之一
- Amazon Bedrock被纳入费用统计的 AI 服务商之一
- Google Vertex被纳入费用统计的 AI 服务商之一
- Gemini被纳入费用统计的 AI 服务商之一
- Azure Foundry被纳入费用统计的 AI 服务商之一
- Devin被纳入费用统计的 AI 编程工具之一
- GitHub Copilot被纳入费用统计的 AI 编程工具之一
AI 编程03
MichinaoShimizu/kiroku · Your AI work history, visualized — Claude Code, Kiro, Amazon Q, Codex. Local-only, one HTML file.
kiroku 是一个用 Go 编写的本地历史可视化工具：它读取 Claude Code、Kiro（IDE、CLI 与 Kiro Crew）、Amazon Q Developer CLI 和 Codex CLI 在本机保存的历史记录，并按周或月将这些记录汇总到一个日历视图中，展示会话时间、所在项目、提示词、活跃时长、token、预估成本与 Git 提交等信息。点击任意指标可查看它在日期、智能体、项目和模型上的分布，并附带对应会话；也可以一键生成 Markdown 周报草稿。项目强调本地优先：不依赖 AI 服务或外部 API，也不上传数据，服务仅监听 127.0.0.1；还可以把某周的数据导出为单个 HTML 文件用于分享。