← כל המאמרים

Features

Deep Scan: לראות לאן הטוקנים שלך ב-Claude Code באמת הולכים

Deep Scan קורא את תמלולי Claude Code ו-Codex שכבר נמצאים במחשב שלך ומראה לאן הלך הקונטקסט — בחינם, מקומית, בלי התחברות.

Deep Scan: לראות לאן הטוקנים שלך ב-Claude Code באמת הולכים

מאת טד מאברה, מנהל מוצר ב-HarnessUp

לפני שאפשר לקצץ משהו מסשן של סוכן, צריך לראות אותו. זה כל התפקיד של Deep Scan: הוא קורא את השיחות שכבר נשמרו במחשב שלך ומראה, פריט אחר פריט, לאן הלך הקונטקסט. בלי קריאה למודל, בלי הרשמה, בלי הערכה שאולה מחשבון של מישהו אחר. זו שכבת המדידה של HarnessUp, חבילת החיסכון בטוקנים ל-Claude Code ול-Codex, והיא בחינם.

המאמר הזה מסביר מה Deep Scan עושה, למי הוא מיועד, איך מריצים אותו, ואיך קוראים את הפלט בלי לרמות את עצמך.

מה Deep Scan באמת עושה

Claude Code ו-Codex כבר כותבים את השיחות לדיסק בזמן שאתה עובד. Deep Scan פותח את התמלולים האלה והופך אותם למפת הוצאות: אילו סבבים תפחו, מה נשלח שוב מסבב לסבב, וכמה מהסשן הלך לעבודה אמיתית לעומת תקורה. הוא עושה זאת בלי לקרוא למודל, כך שמדידת השימוש שלך לא עולה לך דבר נוסף.

שלושה מאפיינים חשובים יותר מהגרפים:

  • הוא פועל מקומית. HarnessUp מקומי ב-100%. התמלולים שלך נקראים במחשב שלך, ושום דבר לא יוצא ממנו.
  • המספרים שלך. הם מגיעים מההיסטוריה שלך, מחושבים על המסך שלך, ונשארים זמינים לבדיקה נגדית מאוחר יותר — גם אחרי שתשנה הגדרה ותרצה לדעת אם היא עזרה.
  • לא עולה כלום לנסות. בלי התחברות, בלי דוא"ל, בלי סיסמה. Deep Scan ו-19 כלי מדידה וניטור נוספים בחינם, כך שאפשר לחשב את הבזבוז שלך לפני שמחליטים אם תוכנית בתשלום שווה.

Deep Scan אינו דוח חד-פעמי. הוא ראש השרשרת: המדידה אומרת לך איזה מהכלים האחרים שווה להפעיל, והכלים נותנים לך משהו חדש למדוד.

למי זה מיועד

HarnessUp מחלק את הקהל לשלוש קבוצות, ו-Deep Scan הוא נקודת הפתיחה המשותפת לכולן.

  • אנשים בתוכנית קבועה שמגיעים למגבלה. אם חלון חמש השעות שלך נגמר הרבה לפני היום, Deep Scan מראה לך אילו סבבים היו יקרים והאם הסיבה הייתה קריאה חוזרת, פלט ארוך, או שהמודל עשה עבודה שמודל זול יותר יכול היה לעשות.
  • אנשים שמשלמים לפי API. כשכל טוקן מופיע בחשבונית, השאלה המועילה אינה "כמה טוקנים השתמשתי" אלא "אילו טוקנים לא קנו כלום". בדיוק על זה עונה תצוגה לפי סבבים.
  • אנשים שמעדיפים לא לחיות בטרמינל. התוצאות נקראות בפאנל, לא על ידי פיענוח לוגים. העבודה הכבדה קורית מאחורי הקלעים.

אם אתה רוצה רק דבר אחד מ-HarnessUp, מדידה היא בחירה מוצדקת. מספר שאפשר לאמת שווה יותר מהבטחת חיסכון שאי אפשר לאמת.

איך מריצים

  1. התקן את HarnessUp. החבילה היא npm install -g harnessup, יש הורדה ל-Windows, ו-macOS ו-Linux נתמכים. הכול רץ במחשב שלך. HarnessUp מתחבר דרך ההוקים הרשמיים של Anthropic ו-OpenAI, כך שהוא עובד ב-CLI, באפליקציית הדסקטופ ובהרחבות IDE, עם החשבון שלך או דרך API.
  2. פתח את הפאנל. לא נדרש חשבון. הפאנל הוא המקום שבו מדידה ושליטה יושבות זו לצד זו.
  3. הרץ את Deep Scan. הוא קורא את התמלולים שכבר נשמרו במחשב שלך. שום דבר לא מועלה לשום מקום ואף מודל לא נקרא כדי להפיק את הדוח.
  4. קרא את קו הבסיס שלך. הסתכל על הקונטקסט לכל סבב עם ובלי HarnessUp, ועל אחוז הבזבוז שנחסך. התייחס לזה כנקודת מוצא, לא כציון.
  5. הפעל משהו ומדוד שוב. בפאנל, המקשים 1 עד 8 מפעילים ומכבים כלים, ו-Z מבטל הכול. שנה דבר אחד, הסתכל על המחוון, ושמור את השינוי רק אם המספר זז.

לקרוא את הפלט ביושר

שני הרגלים משאירים כלי מדידה שימושי ולא דקורטיבי.

ראשית, הבדל בין הדמו לנתונים שלך. הפאנל מגיע עם ערכי דמו להמחשה כדי שתראה איך הממשק נראה לפני שיש לך היסטוריה. שלך מגיעים מ-Deep Scan, מהתמלולים שלך, נמדדים מקצה לקצה. אם מספר הוא להמחשה, הפאנל אומר זאת.

שנית, קרא "עד" כתקרה, לא כתחזית. HarnessUp מפרסם עד 78% חיסכון בטוקני עבודה, עד 350% יותר תפוקת טוקנים ועד פי 3 יותר עבודה באותה תוכנית. אלה הרווחים הגדולים ביותר שנמדדו בחלונות אמיתיים, לא הבטחה לגבי שלך. הסיבה שהמוצר מציג לך גם את הנתון שלך היא שההשוואה הישרה היא בין המצב שלך לפני ואחרי.

"עד" פירושו: הרווחים הגדולים ביותר שנמדדו בחלונות אמיתיים. הנתון שלך מופיע בפאנל, נמדד מקצה לקצה על ההיסטוריה שלך, ונשאר זמין לבדיקה נגדית.

דרך מהירה לקרוא את הפאנל:

מה שאתה רואהמה זה אומר לךמה לעשות הלאה
קונטקסט לכל סבב, עם ובלי HarnessUpכמה כל תור נושא איתו הלאה, וכמה מהר סשן מתנפחאם הפער קטן, הבזבוז כנראה בפלט או בבחירת מודל, לא בקריאה חוזרת
אחוז הבזבוז שנחסךכמה מההוצאה שניתן היה למנוע הכלים המופעלים הסירו בהיסטוריה שלךהפעל מקש אחד בכל פעם ותראה את זה זז
הוצאה לכל סשן ומצב המגבלהאילו סשנים היו יקרים, והאם מגבלה הייתה עוצרת אחד מהםהגדר Stop Loss כדי שסשן משתולל יסתיים במקום להמשיך

מהמדידה לתיקון

Deep Scan הוא אבחוני, לא טיפולי. החיסכון מגיע מהכלים שתפעיל אחר כך, וכל אחד מהם מכוון לשלב אחר של החשבון.

  • פלט. Response Diet מבקש מהסוכן תשובה ישירה, חוסם קריאה חוזרת של קבצים שכבר קרא, וקוצץ את הפלט הענק לפני שהוא נכנס לקונטקסט. הפתיח ("בטח! אעזור לך עם זה") משולם פעם אחת ואז נקרא שוב בכל סבב שאחריו.
  • קריאה. לשלב הקריאה יש סט מקשים משלו, Delta Read ביניהם, כך שהסוכן לא בולע מחדש את מה שלא השתנה.
  • דחיסה. Smart Compress מדחיס בלי לקרוא למודל, וכך החיסכון לא עולה לך בבקשה נוספת.
  • בחירת מודל. Cheap Swarm מחליט במילישניות איזה תת-סוכן מבצע כל משימה, עם המודל והמאמץ הנכונים, על פני 26 סוגי משימות — חיפוש ולינט על מודל קל, בזמן שהמודל היקר רק מחליט.
  • מגבלות קשיחות. Stop Loss מסיים את הסשן כשההוצאה מגיעה לתקרה, כך שלולאה גרועה לא יכולה לשרוף חלון בשקט.

שום דבר מזה לא מחייב אותך לשנות איך שאתה כותב פרומפטים. יש באפליקציה יותר מ-200 מקשים בלחיצה אחת, וכל אחד מהם ניתן לביטול בלחיצה — וזו בדיוק הנקודה של מדידה קודם. לא מבקשים ממך לסמוך על ברירת מחדל; מבקשים ממך להסתכל על ההיסטוריה שלך ולשמור את מה שעוזר.

מה נשאר במחשב שלך

Deep Scan קורא תמלולים, ותמלולים מכילים קוד, נתיבים ולפעמים סודות. זה הופך את ההבטחה המקומית לשורה החשובה ביותר במפרט. HarnessUp מריץ את claude ו-codex הרשמיים עם החשבון שלך ומצהיר כמחויבות כתובה שלעולם לא קורא, שומר או מעביר את הטוקן או המפתח שלך. הוא לא מיירט את ה-API; הוא מתחבר בנקודות ההוק הרשמיות, והשכבה המקומית רצה עם p95 מתחת ל-50 מ"ש.

אם לארגון שלך יש כללים לגבי שליחת נתוני סשן לצד שלישי, הארכיטקטורה הזו היא התשובה: הניתוח קורה על אותו דיסק שבו התמלולים כבר נמצאים.

תתחיל מהמספר, לא מהמכירה

קל להצהיר על חיסכון בטוקנים וקשה להרגיש אותו. Deep Scan הופך את ההצהרה לניתנת להפרכה במחשב שלך: הרץ אותו, קרא את הסבבים שהתנפחו, הפעל כלי אחד, הרץ שוב. אם המספר לא זז, כבה את הכלי — הביטול הוא מקש אחד.

זה החלק שמעניין אותי כמנהל מוצר. חבילה שחוסכת עד 78% מטוקני העבודה שימושית רק אם אתה יכול לראות איזה 78% חל עליך. מדידה היא הדרך לגלות, וזה לא עולה כלום להסתכל.

המאמר נכתב בעזרת בינה מלאכותית ב-HarnessUp Publish ואושר על ידי צוות HarnessUp לפני הפרסום.