WorkBuddy 用量分析报告

解决什么问题

当你的 Agent 每天处理数十个会话、消耗数百万 Token、产生各类自动化任务时，很难回答：钱花在哪了？哪些任务类型最费 Token？缓存命中率如何？有没有异常飙升？这个技能把散落在本地 Workbuddy 多个数据源里的 traces、SQLite、usage log 聚合成一份结构化报告，让用量从"感觉很多"变成"看得见、能对比、可追溯"。

核心能力

• 多时间窗口：支持 --period day|week|month|year、--days N 自定义滚动天数，以及 --start/--end 绝对日期范围（优先级最高）
• 双 Token 口径：区分原始总 Token（含缓存命中）与实际消耗 Token（计费等效），缓存命中按 10% 计费，避免"看起来吃了很多、其实很便宜"的误读
• 成本深度分析：每会话成本 Top 10、成本分布分桶、异常/飙升检测（成本口径 + Token 口径双跑）、省钱杠杆建议
• 双维度模型对比：3.1 按接口/通道（计费维度）、3.2 按实际执行模型（使用维度）
• 任务类型分类：基于关键词启发式，覆盖技能安装、技能开发、内容生成、代码开发等 11 类，支持已删除生成物的指纹识别

工作方式

数据采集阶段运行 collect_usage_data.py，从 ~/.workbuddy/traces/、~/.workbuddy/workbuddy.db、~/.workbuddy/usage-log.json 和 ~/WorkBuddy/ 四个源聚合数据。Token 分析运行 analyze_tokens.py，按日/模型/任务类型维度统计。报告生成运行 generate_report.py，输出 Markdown、HTML 或 JSON 三种格式。

适用边界

• 数据仅来自本地 Workbuddy，不涉及云端数据
• 任务类型分类基于关键词匹配，可能误分类
• 缺失单价的模型显示"未配置"，需手动写入本地 pricing.local.json
• 免费模型主导期（免费 Token 占比≥80%）成本类洞察参考有限