AI编程会话的深色数据监控看板

眼下最能带来超额收益的做法简单到大多数人永远不会去做……

打造一套适合你自己的 harness

它能让你的 AI 输出质量和速度提升 10 倍。

把这一个提示词粘贴到你的智能体中：

---------提示词开始----------------

根据我过去 7 天的 AI 编程会话，为我构建一个 Langfuse 风格的可观测性看板。

数据来源（本地读取，只读）：
- Claude Code: ~/.claude/projects/**/*.jsonl
- Codex: ~/.codex/sessions/**/*.jsonl（以及 ~/.codex/history.jsonl）
绝不打印机密信息、密钥或完整提示词文本。片段最多 10 个词，并移除其中的密钥、路径、URLs 和长 ID。

步骤 1. 编写一个仅使用 Python 标准库的脚本，按工具分别计算：
- 每日会话数、用户提示词数、按工具名称统计的工具调用数、按工具和错误类型统计的失败工具调用数
- 使用过的模型、每个模型每天的 token 数（输入、输出、缓存读取/写入）
- 总体及各工具的工具调用延迟 p50/p95；会话时长 p50/p95
- token 用量最高的会话、时长最长的会话、重试次数（发生错误后重复执行相同的工具调用）
- 将提示词聚类为任务类型（构建、调试、部署、研究、写作、UI、审查、其他）
- 按项目（工作目录）对会话分组，并标记子智能体运行
如果日志未记录某项信息，写明“未记录”。绝不编造数字。
将结果保存为 harness-summary.json。

步骤 2. 生成单文件 dashboard.html（深色主题，带动态数字和图表）：
- 概览栏：工具调用总数、提示词数、错误率、token 数、p95 延迟
- 追踪表：每个会话一行（工具、项目、开始时间、时长、提示词数、工具调用数、错误数、token 数、模型）；支持搜索、按工具筛选、排序，以及隐藏子智能体运行的开关
- 追踪详情：点击会话，查看其各轮交互和工具调用的瀑布图，显示成功/错误状态及耗时
- 按项目统计的会话数、按模型展示的 token 用量时间趋势、模型表（token 数、错误率）
- 各工具的延迟视图，以及按工具和错误类型分组的错误浏览器
- 启发式评分（工具成功率、重试次数、各会话健康度），明确标注“启发式”
如果文件过大，将内嵌追踪数据限制为 token 用量最高的 200 个会话。

步骤 3. 根据数据编写 HARNESS.md，提出对 CLAUDE.md / AGENTS.md 的修改建议：
- 模型路由：根据我使用过的模型及失败情况，确定各任务类型应使用哪个模型
- 工具：保留（使用频繁、失败率低）、修复（失败率高）、移除（很少使用）
- 技能：为每种重复执行 3 次及以上的任务类型创建一个技能，包含一行触发条件和执行步骤
- 防护规则：我最常见的 3 种失败模式，以及分别预防它们的检查项
- 预算：消耗 token 最多的 5 个方面，以及分别减少其消耗的一项改动
为每条建议引用相应的会话依据。

步骤 4. 在修改任何配置之前，向我展示 5 个核心数字和拟议的 diff。我会每周审查，只做数据支持的修改。

--------提示词结束-------------