← すべての記事

Features

Deep Scan: Claude Codeのトークンが本当はどこへ消えているのかを見る

Deep Scanは、すでにマシン上にあるClaude CodeとCodexのトランスクリプトを読み取り、コンテキストがどこへ消えたかを示します。無料・ローカル・ログイン不要。

Deep Scan: Claude Codeのトークンが本当はどこへ消えているのかを見る

Ted Mavera(HarnessUp プロダクトマネージャー)

エージェントセッションから何かを削るには、まずそれを見えるようにしなければなりません。それがDeep Scanの役割そのものです。マシンにすでに保存されている会話を読み取り、コンテキストがどこへ消えたかを項目ごとに示します。モデル呼び出しも、サインアップも、他人のアカウントから借りてきた推定値もありません。Claude CodeとCodexのためのトークン節約スイートHarnessUpの計測レイヤーであり、無料で使えます。

本記事では、Deep Scanが何をするのか、誰に向けたものなのか、どう実行するのか、そして出力を思い込みなく読む方法を説明します。

Deep Scanが実際にやること

Claude CodeとCodexは、作業中に会話をディスクへ書き出しています。Deep Scanはそのトランスクリプトを開き、支出マップに変えます。どのラウンドが膨らんだのか、あるラウンドから次のラウンドへ何が再送されたのか、セッションのうちどれだけが実際の作業に使われ、どれだけがオーバーヘッドだったのか。これをモデルを呼び出さずに行うため、使用量の計測に追加コストはかかりません。

グラフ以上に重要なのは、次の3つの性質です。

  • ローカルで動作します。 HarnessUpは100%ローカルです。トランスクリプトはあなたのマシン上で読まれ、外部に出ることはありません。
  • 数字はあなたのものです。 自分の履歴から算出され、あなたの画面で計算され、あとから検算できる形で残ります。設定を変えたあと、それが効果あったかを知りたいときにも使えます。
  • 試すのは無料です。 ログインも、メールアドレスも、パスワードも不要です。Deep Scanとほか19種類の計測・監視ツールは無料なので、有料プランが価値あるものかを決める前に、自分の無駄を計算できます。

Deep Scanは一度きりのレポートではありません。連鎖の起点です。計測によって、ほかのどのツールを有効にする価値があるかが分かり、ツールを入れることで新たに計測できるものが生まれます。

誰に向けたものか

HarnessUpは利用者を3つのグループに分けていますが、Deep Scanはそのすべてに共通する出発点です。

  • 固定プランで上限に達してしまう人。 5時間のウィンドウが1日を待たずに尽きるなら、Deep Scanはどのラウンドが高くついたのか、その原因が再読み込みだったのか、長い出力だったのか、より安いモデルでもできる作業をモデルがやっていたのかを示します。
  • APIで課金している人。 すべてのトークンが請求書に載る場合、有用な問いは「何トークン使ったか」ではなく「どのトークンが何も生まなかったか」です。ラウンド単位の表示は、まさにそれに答えます。
  • ターミナルに住みたくない人。 結果はログを解析するのではなく、パネルで読みます。面倒な処理はハーネスの下で行われます。

HarnessUpにひとつだけ求めるなら、計測は妥当な選択です。検証できる数字は、検証できない節約の主張よりも価値があります。

実行方法

  1. HarnessUpをインストールします。 パッケージはnpm install -g harnessup、Windows用のダウンロードもあり、macOSとLinuxにも対応しています。すべてあなたのマシン上で動作します。HarnessUpはAnthropicとOpenAIの公式フック経由で接続するため、CLI、デスクトップアプリ、IDE拡張で、アカウントでもAPI経由でも動作します。
  2. パネルを開きます。 アカウントは不要です。パネルは計測とコントロールが並ぶ場所です。
  3. Deep Scanを実行します。 マシンにすでに保存されているトランスクリプトを読みます。何もアップロードされず、レポート生成のためにモデルは呼ばれません。
  4. 自分のベースラインを読みます。 HarnessUpありとなしでのラウンドあたりのコンテキスト、そして削減された無駄の割合を見ます。これは出発点として扱い、スコアとは考えないでください。
  5. 何かを有効にして再計測します。 パネルではキー1〜8でツールを切り替え、Zですべて元に戻せます。ひとつ変えてメーターを見て、数字が動いたときだけその変更を残します。

出力を誠実に読む

計測ツールを飾りではなく役に立つものにしておくには、2つの習慣があります。

第一に、デモと自分のデータを分けること。パネルには説明用のデモ値が同梱されていて、履歴がない状態でもインターフェースの見た目を確認できます。あなたの値はDeep Scanがトランスクリプトからエンドツーエンドで計測したものです。値が説明用であれば、パネルにその旨が表示されます。

第二に、「最大」は上限であって予測ではないと読むこと。HarnessUpは作業トークンの最大78%削減、トークン収率の最大350%向上、同じプランで最大3倍の作業をうたっています。これらは実際のウィンドウで計測された最大の成果であり、あなたについての約束ではありません。製品が自分の数字を並べて表示するのは、誠実な比較とはあなたの「前」と「後」の比較だからです。

「最大」とは、実際のウィンドウで計測された最大の成果という意味です。あなた自身の数字はパネルに表示され、自分の履歴に対してエンドツーエンドで計測され、検算できる形で残ります。

パネルの読み方の簡単な目安:

表示されるものそれが示すこと次にやること
HarnessUpありとなしのラウンドあたりコンテキスト各ターンがどれだけ持ち越すか、セッションがどれだけ速く膨らむか差が小さいなら、無駄は再読み込みではなく出力かモデル選択にある可能性が高い
削減された無駄の割合有効にしたツールが、自分の履歴上で回避可能な支出のうちどれだけを削除したかキーをひとつずつオンにして、この値が動くのを見る
セッション別の支出と上限ステータスどのセッションが高くついたか、上限があれば止められたかStop Lossを設定して、暴走セッションが続行せず終了するようにする

計測から修正へ

Deep Scanは診断であり、治療ではありません。節約はそのあとに有効化するツールから生まれ、それぞれが請求の異なる段階を狙います。

  • 出力。 Response Dietはエージェントに直接的な回答を求め、すでに読んだファイルの再読み込みをブロックし、巨大な出力がコンテキストに入る前に削ります。前置き(「もちろんです!お手伝いします」)は一度支払われ、そのあとのすべてのラウンドで再読み込みされます。
  • 読み込み。 読み込み段階には独自のキー群があり、Delta Readもそのひとつです。これにより、変わっていないものを再取り込みしません。
  • 圧縮。 Smart Compressはモデルを呼ばずに圧縮するため、節約が新たなリクエストのコストになりません。
  • モデル選択。 Cheap Swarmは各タスクをどのサブエージェントが担当するかをミリ秒で決め、26のタスククラスにわたって適切なモデルとエフォートを割り当てます。検索やlintは軽いモデルで、高価なモデルは判断だけを行います。
  • ハードリミット。 Stop Lossは支出が上限に達した時点でセッションを終了させるため、悪いループが気づかないうちにウィンドウを消費することがありません。

これらはいずれも、プロンプトの変え方を要求しません。アプリには200以上のワンクリックキーがあり、どれも1クリックで元に戻せます。それこそが、まず計測する理由です。デフォルトを信じるよう求められるのではなく、自分の履歴を見て、役に立つものを残すよう求められます。

マシン上に残るもの

Deep Scanはトランスクリプトを読み、トランスクリプトにはコード、パス、ときには秘密情報が含まれます。だからこそローカル保証が仕様の最重要行になります。HarnessUpは公式のclaudeとcodexをあなたのアカウントで実行し、トークンやキーを読んだり、保存したり、第三者に渡したりしないことを書面の約束として明示しています。APIを傍受せず、公式のフックポイントで接続し、ローカルレイヤーはp95で50ms未満で動作します。

組織にセッションデータを第三者へ送ることに関する規則があるなら、そのアーキテクチャが答えです。分析は、トランスクリプトがすでにあるのと同じディスク上で行われます。

売り文句ではなく、数字から始める

トークン節約は主張するのは簡単で、実感するのは難しいものです。Deep Scanはその主張を自分のマシン上で反証可能にします。実行し、膨らんだラウンドを読み、ツールをひとつ有効にし、もう一度実行する。数字が動かなければ、そのツールをオフにしてください。元に戻すのはキー1つです。

これがプロダクトマネージャーとして私が重視している点です。作業トークンの最大78%を節約するスイートは、その78%のどれが自分に当てはまるかが見えて初めて役に立ちます。計測はそれを見つける方法であり、見るのにコストはかかりません。

この記事は HarnessUp Publish で AI の支援を受けて作成され、公開前に HarnessUp チームが承認しました。