AI 资源库 · 已整理 6 项
查看与成本核算相关的 AI 资讯、工具、Skill、工作流和开源项目。
herminio234/claw-track · MeowOps AI Analytics Dashboard 2026 - Self-Hosted Gamified Cody Colony & Pomodoro Timing
Meow Metric CLI 是一个自托管的分析仪表盘，用于解析本地 Claude Code 生成的 JSONL 会话文件，并基于这些数据生成图表、项目时间线、token 用量与成本预测。它内置番茄钟专注计时，并会把完成专注会话的成果转化为“数字猫殖民地”的收集进度；项目还提供多语言界面、邮件与 webhook 预算阈值通知、CSV/JSON/PDF 导出，以及可选的 OpenAI 会话摘要增强功能。项目强调数据全部保存在本地，不向外部发送遥测数据。
企业用 AI 时常发现：模型、框架、服务商一换，监控数据就对不上，排查故障和比成本都得重新做一遍。文章主张用 OpenTelemetry 的 GenAI 规范统一记录 AI 调用、延迟、错误、花费和工具调用等行为，让不同系统的数据能直接比较。这样企业不必为每个集成单独建数据模型，切换供应商的成本更低，也更容易判断"每次任务成功花多少钱"，而不只是看 token 单价。文章还提到 Splunk 的 Agent Observability 基于 OpenTelemetry 和 AGNTCY 标准做厂商中立的智能体监控，以及开源工具 Observability Studio 可在开发阶段检查本地遥测是否符合规范。这些是文章介绍的做法与工具，原文未说明各自的正式发布时间或可用范围。
Cloudflare 通过 AI Gateway 公开发布了 Auto Router 的测试版。它会在每次请求时自动挑一个模型来回答：一个分类器先给请求打四个分——复杂不复杂、意思含糊不含糊、做错了代价大不大（原文叫“stakes”，也就是风险高低）、有多依赖前文上下文。Cloudflare 自己做的测试显示，它比 Claude Opus 5.5 的成功率低约十个百分点，但成本只有后者的三分之一。有从业者提出疑问：在很长的智能体会话里，风险这个因素该怎么持续判断。目前是公开测试阶段，哪些模型会被调用、测试怎么做的，原文没有细说。
sofialopresti/scipro-bd-dashboard · AI agents for life-science recruiters: find biotechs about to hire, write outreach, build pitches, plan the search (MGT 409 final project)
该项目是一个面向生命科学招聘顾问的 AI 代理应用，围绕 Prospect→Outreach→Pitch→Job Intake 的工作流展开：每天筛选 5 家可能招聘的美国生物科技或 AI 药物发现公司并解释原因；支持在 Pipeline 看板中推进候选公司；在对话中起草符合顾问风格的外联邮件，并校验案例与数字；按公司信息和招聘模型生成 10 页 Pitch 演示；将招聘经理的通话笔记整理为职位说明、薪酬核对、面试评分卡、目标和布尔搜索字符串。Signal Radar 组合了新闻 RSS 与 ClinicalTrials.gov 试验数据，并检查企业招聘板，同时设有每日调用、token 和扫描次数上限、提示注入内容清洗和多代理检查机制。
SUPERD6/relayline · Coding agents (Claude Code, Codex, Gemini CLI) as each other's lead and sub-agent: shared memory, the cheapest model likely to finish each piece, checked and reviewed, with the receipt. Command: ccx.
relayline（命令 ccx）把 Claude Code、Codex、DeepSeek 等编码代理编排成团队：按难度把任务分给最便宜且可能完成的代理，复查验收检查，支持共享的项目/个人记忆与工作上下文，并记录每次运行结果以校准路由。项目仅依赖 Python 标准库，作者公布了一些小规模受控任务的测量结果及其局限。
这篇文章讲的是在 Kubernetes 上跑 AI 任务的团队，常看到 GPU 全被占满、批处理队列越排越长，第一反应就是加 GPU。但作者提醒，GPU 被分配、在忙、和真正产出有价值的结果是三件不同的事，队列变长也可能是时机、服务容量或模型和硬件选型的问题。解决思路是先想清楚每个任务的截止时间和产出标准，再用错峰排队把现有四块 GPU 在两小时内跑完原本需要八块的四个任务，同时用接近真实负载的压测摸清可持续吞吐，并把 OpenCost 的成本数据和实际产出对上，算出每个合格结果花多少钱。这样读者能在花钱扩容之前，先确认现有容量是否已用足、瓶颈到底在哪。Kueue、vLLM、DistServe、OpenCost 等工具文中都有提到，具体接入方式原文未详细说明。