Splitrail 编码智能体 Token 消耗监控

问题：编码智能体的 token 消耗缺少统一视图

当团队同时使用 CLI coding agent、本地 agent 日志和受支持的 agent 安装时，token burn、spend 和 model mix 往往散落在不同工具里。排查预算超支时，需要分别翻日志、确认模型路由，再手工汇总；跨机器使用时更难判断是某台开发机用量异常，还是模型选择本身成本高。

工作方式：从本地工作流采集并按程序查询

该技能围绕 Splitrail 建立统一监控路径：在具备 Splitrail binary 与本地 agent usage logs 或受支持 agent 安装的环境里运行。可以先用一条命令查看当前 CLI coding agent 的用量，快速定位 token burn、spend 与 model mix；也可以把 usage data 上传到私有的 Splitrail Cloud account，用于安全保存和跨机器聚合。另一个关键能力是让 Splitrail 以 MCP server 形式运行，使 AI assistant 能以程序化方式查询使用统计，适合把用量数据接入排障、预算核对或自动化脚本。

适用边界与注意点

它的价值在于统一查看和跨机器汇总，但前提仍是能取得 Splitrail binary 与合法 usage logs；不同 coding-agent tool 的日志格式和模型计费口径可能不同，跨工具汇总时需要确认 model mix 与成本口径是否一致。上传到 Splitrail Cloud 属于数据外发动作，应先确认数据合规、账号私有性和传输范围。MCP server 暴露的是查询接口，不会替用户改变 agent 本身的模型路由或安全策略。