← Todos os artigos

Features

Deep Scan: veja para onde seus tokens do Claude Code realmente vão

O Deep Scan lê os transcripts do Claude Code e do Codex que já estão na sua máquina e mostra para onde o contexto foi — grátis, local, sem login.

Deep Scan: veja para onde seus tokens do Claude Code realmente vão

Por Ted Mavera, Product Manager na HarnessUp

Antes de cortar qualquer coisa de uma sessão de agente, é preciso enxergá-la. É exatamente esse o trabalho do Deep Scan: ele lê as conversas já salvas na sua máquina e mostra, item por item, para onde o contexto foi. Nenhuma chamada ao modelo, nenhum cadastro, nenhuma estimativa emprestada da conta de outra pessoa. É a camada de medição do HarnessUp, o conjunto de ferramentas para economizar tokens no Claude Code e no Codex, e é grátis.

Este artigo explica o que o Deep Scan faz, para quem ele serve, como executá-lo e como ler o resultado sem se enganar.

O que o Deep Scan realmente faz

O Claude Code e o Codex já gravam as conversas em disco enquanto você trabalha. O Deep Scan abre esses transcripts e os transforma em um mapa de gastos: quais rodadas cresceram, o que foi reenviado de uma rodada para a outra e quanto de uma sessão foi para trabalho real em vez de sobrecarga. Ele faz isso sem chamar o modelo, então medir seu uso não custa nada a mais.

Três propriedades importam mais do que os gráficos:

  • Ele roda localmente. O HarnessUp é 100% local. Seus transcripts são lidos na sua máquina, e nada sai dela.
  • Os números são seus. Eles vêm do seu próprio histórico, calculados na sua tela, e ficam disponíveis para uma contraprova depois — inclusive depois que você muda uma configuração e quer saber se ela ajudou.
  • Não custa nada experimentar. Sem login, sem e-mail, sem senha. O Deep Scan e outras 19 ferramentas de medição e monitoramento são gratuitos, então você pode calcular seu desperdício antes de decidir se um plano pago vale a pena.

O Deep Scan não é um relatório avulso. Ele é o topo de uma cadeia: a medição mostra qual das outras ferramentas vale a pena ativar, e as ferramentas dão algo novo para medir.

Para quem é

O HarnessUp divide seu público em três grupos, e o Deep Scan é o ponto de partida comum para todos eles.

  • Quem está em um plano fixo e bate no limite. Se sua janela de cinco horas acaba bem antes do dia, o Deep Scan mostra quais rodadas foram caras e se a causa foi releitura, saída longa ou o modelo fazendo um trabalho que um modelo mais barato poderia fazer.
  • Quem paga por API. Quando cada token aparece na fatura, a pergunta útil não é "quantos tokens eu usei", mas "quais tokens não compraram nada". É exatamente isso que uma visão por rodada responde.
  • Quem prefere não viver no terminal. Os resultados são lidos em um painel, não analisando logs. O trabalho pesado acontece por baixo do harness.

Se você quiser só uma coisa do HarnessUp, a medição é uma escolha defensável. Um número que você pode verificar vale mais do que uma promessa de economia que você não pode.

Como executar

  1. Instale o HarnessUp. O pacote é npm install -g harnessup, há um download para Windows, e macOS e Linux são suportados. Tudo roda na sua máquina. O HarnessUp se conecta pelos hooks oficiais da Anthropic e da OpenAI, então funciona no CLI, no app desktop e nas extensões de IDE, com sua conta ou via API.
  2. Abra o painel. Não é preciso conta. O painel é onde medição e controle ficam lado a lado.
  3. Execute o Deep Scan. Ele lê os transcripts já salvos na sua máquina. Nada é enviado e nenhum modelo é chamado para produzir o relatório.
  4. Leia sua própria linha de base. Olhe o contexto por rodada com e sem o HarnessUp, e o percentual de desperdício cortado. Trate isso como seu ponto de partida, não como uma nota.
  5. Ative algo e meça de novo. No painel, as teclas 1 a 8 alternam as ferramentas, e Z desfaz tudo. Mude uma coisa, olhe o medidor e mantenha a mudança só se o número se mexer.

Ler o resultado com honestidade

Dois hábitos mantêm uma ferramenta de medição útil em vez de decorativa.

Primeiro, separe a demonstração dos seus dados. O painel vem com valores de demonstração ilustrativos para você ver como a interface é antes de ter histórico. Os seus vêm do Deep Scan, dos seus transcripts, medidos de ponta a ponta. Se um número é ilustrativo, o painel avisa.

Segundo, leia "até" como um teto, não como uma previsão. O HarnessUp anuncia até 78% de tokens de trabalho economizados, até 350% mais rendimento de tokens e até 3x mais trabalho no mesmo plano. Esses são os maiores ganhos medidos em janelas reais, não uma promessa sobre os seus. O motivo de o produto mostrar o seu próprio número ao lado é que a comparação honesta é entre o seu antes e o seu depois.

"Até" significa: os maiores ganhos medidos em janelas reais. O seu próprio número aparece no painel, medido de ponta a ponta no seu histórico, e fica disponível para uma contraprova.

Um jeito rápido de ler o painel:

O que você vêO que isso dizO que fazer em seguida
Contexto por rodada, com e sem o HarnessUpQuanto cada turno carrega adiante e com que rapidez uma sessão inflaSe a diferença é pequena, o desperdício provavelmente está na saída ou na escolha do modelo, não na releitura
Percentual de desperdício cortadoQuanto do gasto evitável as ferramentas ativadas removeram no seu históricoAtive as teclas uma de cada vez e veja isso se mover
Gasto por sessão e status do limiteQuais sessões foram caras e se um limite teria interrompido algumaDefina um Stop Loss para que uma sessão descontrolada termine em vez de continuar

Da medição à correção

O Deep Scan é diagnóstico, não terapêutico. A economia vem das ferramentas que você ativa depois, e cada uma ataca uma etapa diferente da conta.

  • Saída. O Response Diet pede ao agente uma resposta direta, bloqueia a releitura de arquivos que ele já leu e corta a saída gigante antes que ela entre no contexto. O preâmbulo ("Claro! Vou te ajudar com isso") é pago uma vez e depois relido em cada rodada seguinte.
  • Leitura. A etapa de leitura tem seu próprio conjunto de teclas, entre elas o Delta Read, para que o agente não reingira o que não mudou.
  • Compressão. O Smart Compress comprime sem chamar o modelo, o que evita que a economia custe mais uma requisição.
  • Escolha de modelo. O Cheap Swarm decide em milissegundos qual subagente faz cada tarefa, com o modelo e o esforço certos, em 26 classes de tarefa — busca e lint em um modelo leve, enquanto o modelo caro só decide.
  • Limites rígidos. O Stop Loss encerra a sessão quando o gasto atinge o limite, para que um loop ruim não consuma uma janela em silêncio.

Nada disso exige que você mude a forma como escreve prompts. Há mais de 200 teclas de um clique no app, e qualquer uma delas pode ser desfeita com um clique — que é justamente o motivo de medir primeiro. Não pedimos que você confie em um padrão; pedimos que você olhe seu próprio histórico e mantenha o que ajuda.

O que fica na sua máquina

O Deep Scan lê transcripts, e transcripts contêm código, caminhos e às vezes segredos. Isso faz da garantia local a linha mais importante da especificação. O HarnessUp executa o claude e o codex oficiais com a sua conta e declara, como compromisso escrito, que nunca lê, armazena ou repassa seu token ou sua chave. Ele não intercepta a API; conecta-se nos pontos de hook oficiais, e a camada local roda com p95 abaixo de 50 ms.

Se sua organização tem regras sobre enviar dados de sessão a terceiros, essa arquitetura é a resposta: a análise acontece no mesmo disco em que os transcripts já estão.

Comece pelo número, não pelo discurso

Economia de tokens é fácil de alegar e difícil de sentir. O Deep Scan torna a alegação falseável na sua própria máquina: execute, leia as rodadas que inflaram, ative uma ferramenta, execute de novo. Se o número não se mexer, desligue a ferramenta — o desfazer é uma tecla.

Essa é a parte que me interessa como product manager. Um conjunto que economiza até 78% dos tokens de trabalho só é útil se você consegue ver quais 78% se aplicam a você. Medir é como você descobre, e não custa nada olhar.

Este artigo foi redigido com apoio de IA na HarnessUp Publish e aprovado pela equipe da HarnessUp antes da publicação.