一句话看懂：开源项目 Wattage 像一只“功耗表”对准 AI agent 的调用轨迹，自动定位 token 被浪费的具体环节、换算成真实美元成本、给出修复方案，并能在 CI 中拦截导致成本上升的代码变更。它将 AI 推理成本优化从经验估算推进到可度量的工程化阶段。
事件核心：发生了什么
开发者 Faizan Raza 在 GitHub 上发布了 Wattage，一个完全离线的 CLI 工具，基于 OpenTelemetry GenAI 语义约定格式的 trace 文件，自动分析 AI agent 每次调用中 token 的消耗分布。它内置 8 个检测器，覆盖常见浪费模式，例如：稳定 prompt 前缀反复发送而未利用缓存（prefix_churn）、输出远超需要的 verbosity、agent 陷入无进展循环（nonconvergence）、冗余工具调用、检索震荡等。每个检测器不仅给出问题，还会按照 vendored 定价快照计算真实美金成本，并列出具体修复建议。Wattage 还提供评分（0–100 Token Efficiency）、生成分享用 HTML 火焰图、以及集成 CI 的“成本回归门”：当 PR 导致 agent 显著变贵时直接失败。在基准测试中，它的非收敛检测器精确率和召回率均达 1.00，而基于 SHA-256 精确匹配的基线召回率仅为 0.14。对一个 3 轮对话的演示 trace，修复前缀缓存问题降低了 44.7% 的 token 成本（0.000199→0.000110 美元）。
为什么重要
AI agent 的商业化正面临“推理成本不可控”的瓶颈：开发者知道 token 被浪费，但缺乏精细的诊断工具来量化浪费程度并定位根因。Wattage 填补了这一空白——它不是宣传性的估算，而是基于真实的 trace 数据和公开定价快照给出可核查的数字。更重要的是，它将成本优化从“凭感觉”转变为“可复现的工程实践”：任何人下载仓库就能针对自己的 trace 运行检测，结果一致、可复现。这对于推动 agent 从演示走向生产、降低长期运营成本具有实际意义。同时，它的非收敛检测器展示了仅靠精确匹配无法识别的循环模式（如带时间戳的重试、策略振荡），说明行业需要更智能的分析方法。
对用户/开发者/创作者的影响
对于正在构建或部署 AI agent 的开发者，Wattage 提供了一个零配置的离线工具：只需拥有 OTel trace 导出文件（JSON 格式），即可运行 uvx wattage report trace.json 获得报告，无需 API key、无需联网。它尤其适合以下场景：
— 希望评估不同 prompt 结构或模型选择的 Cost-Effectiveness；
— 在 CI/CD 中设置成本回归检查，防止无意中引入昂贵的 token 浪费；
— 对比多个 agent 版本的成本效率，辅助决策。对于 AI 平台团队，Wattage 的定价快照和检测器可以作为基准测试套件的一部分。对于独立创作者，它能帮助理解 API 实际花费的分布——比如发现“推理 token”花费远超预期。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
1. 社区采用与维护：Wattage 目前由单一作者维护，定价快照的更新频率和准确性将决定其长期可信度。如果获得活跃贡献，可能成为 OTel 生态的标准工具。
2. 集成可能性：是否能与常见的 LLM 监控平台（如 LangSmith、Weights & Biases）或 CI 系统（GitHub Actions、GitLab CI）方便集成，将影响其实用性。
3. 检测器扩展性：当前 8 个检测器覆盖常见模式，但 agent 行为复杂多变，能否动态增加自定义检测器、或由社区贡献共享库，将是项目能否持续成长的关键。
