当 pandas 之父也 all-in AI：agentsview 是解决 27 个 Agent 混乱的终极答案吗？

> 一个曾经在推特上屏蔽所有 LLM 话题的人，5 个月内连续 ship 了多个产品。这就是 Wes McKinney 的转变。

---

一、从怀疑论者到 all-in：Wes McKinney 的 180 度转变

如果你做数据分析，你不可能没用过 pandas。它是 Python 数据科学的基石，而它的创始人 Wes McKinney 在数据工程领域有着近乎传奇的地位。

但直到最近，Wes 对 AI 的态度还是典型的怀疑论者。据他的推友回忆，Wes 曾经屏蔽了所有 LLM 相关话题——不是不感兴趣，而是觉得 hype 太过了。

转变发生在 2025 年底。Wes 开始辞去稳定工作，创办了 Kenn Software，并在这家公司里连续推出多个产品。其中最新、最引人注目的就是 agentsview——一个专为"AI 编程 Agent 成瘾者"设计的统一记账本。

这个转变的彻底程度，堪比一个素食主义者突然开起了烧烤店。但 Wes 不是跟风，他是真的在同时用 27 个 AI coding agent 写代码—— Claude Code、Codex、Cursor、OpenCode、Kimi、Qwen Code、OpenClaw……你叫得出名字的，他都在用。

当他发现自己在 27 个不同工具的会话记录里翻找昨天的代码时，他意识到：这不是工具的问题，是基础设施的问题。

---

二、agentsview 是什么？一个二进制，解决所有混乱

agentsview 的核心定位极其简单：

> Browse, search, and track costs across all your AI coding agents. One binary, no accounts, everything local.

翻译：浏览、搜索、追踪你所有 AI coding agent 的成本。一个二进制文件，无需账户，全部本地。

这行描述本身就是对当前混乱状态的精准打击——每个 Agent 都有自己的日志格式、会话存储、计费方式，你想知道"我昨天在 Codex 上花了多少钱？"或者"上周那个 bug 的修复方案在哪个会话里？"——你得分别打开 27 个工具，翻 27 个目录，用 27 种格式。

2.1 支持的 Agent 列表（27 个）

Agent	会话目录
Claude Code	`~/.claude/projects/`
Codex	`~/.codex/sessions/`
Copilot CLI	`~/.copilot/`
Gemini CLI	`~/.gemini/`
OpenCode	`~/.local/share/opencode/`
OpenHands CLI	`~/.openhands/conversations/`
Cursor	`~/.cursor/projects/`
Amp	`~/.local/share/amp/threads/`
iFlow	`~/.iflow/projects/`
Zencoder	`~/.zencoder/sessions/`
Zed	`~/Library/Application Support/Zed/`
VSCode Copilot	`~/Library/Application Support/Code/User/`
Pi	`~/.pi/agent/sessions/`
Qwen Code	`~/.qwen/projects/`
OpenClaw	`~/.openclaw/agents/`
QClaw	`~/.qclaw/agents/`
Kimi	`~/.kimi/sessions/`
Kiro CLI	`~/.kiro/sessions/cli/`
Kiro IDE	`~/Library/Application Support/Kiro/`
Cortex Code	`~/.snowflake/cortex/conversations/`
Hermes Agent	`~/.hermes/sessions/`
WorkBuddy	`~/.workbuddy/projects/`
Forge	`~/.forge/`
Piebald	`~/.local/share/piebald/`
Warp	`~/.warp/`
Positron Assistant	`~/Library/Application Support/Positron/User/`
Antigravity	`~/.gemini/antigravity/`

注意到什么了吗？ 连 OpenClaw 都原生支持。这意味着 agentsview 的覆盖范围已经超越了主流工具，进入了开发者自定义工具的长尾领域。

2.2 核心技术架构

agentsview 是一个Go + Svelte + Tauri 的桌面/Web 混合应用：

后端：Go 1.26+，CGO 启用（SQLite FTS5 依赖）
前端：Svelte 5 SPA，Vite + TypeScript
桌面：Tauri 封装
数据层：SQLite 主存储（FTS5 全文索引）+ PostgreSQL 团队同步 + DuckDB 镜像

关键设计决策：全部本地。 所有会话数据留在你的机器上，server 默认绑定 127.0.0.1。没有云端账户，没有数据上传，甚至连 telemetry 都是可选的（而且只发匿名心跳）。

这在当前"一切都要云端同步"的潮流中，是一种反直觉的逆势设计。但 Wes 显然清楚：这些会话记录里可能有代码、有 API key、有商业机密。本地优先不是复古，是底线。

---

三、三大核心场景：为什么它比 ccusage 快 100 倍？

3.1 场景一：统一成本追踪（`agentsview usage`）

这是 agentsview 最直接的卖点。它取代了 ccusage（Claude Code 的官方用量工具），但覆盖范围从"Claude 一个工具"扩展到"所有 27 个工具"。

核心命令：

agentsview usage daily              # 每日成本摘要
agentsview usage daily --breakdown  # 按模型拆分
agentsview usage daily --agent claude --since 2026-04-01  # 按 agent 过滤
agentsview usage statusline         # 一行摘要，适合 shell prompt

为什么比 ccusage 快 100 倍？ 因为 ccusage 每次运行都要重新解析原始会话文件，而 agentsview 一次性把所有会话索引到 SQLite，后续查询只是简单的 SQL。这本质上是用空间换时间的经典策略——数据入库后，查询速度是原始文件解析的 100 倍以上。

更聪明的是定价机制：agentsview 通过 LiteLLM rates 自动获取最新定价，并支持离线回退。它还支持 prompt caching 的成本计算——cache 创建 token 和 cache 读取 token 的定价差异， agentsview 能准确区分。

3.2 场景二：全文搜索（FTS5）

当你同时用 27 个 agent 时，"我昨天写的那个函数在哪个会话里？"变成一个不可能完成的任务。

agentsview 的解决方案是 SQLite FTS5 全文索引：

agentsview serve  # 启动 Web UI，打开 http://127.0.0.1:8080

然后在 Web UI 中：

全文搜索：跨所有 agent 的所有消息内容搜索
Token 成本仪表盘：按会话、按模型、按日期拆分
活动热力图：可视化你的 AI 使用模式
实时更新：SSE 推送，活跃会话的新消息实时同步

键盘优先设计：j/k 导航，[/] 切换会话，Cmd+K 搜索，? 查看快捷键。这是一个为重度用户设计的界面，不是为新手。

3.3 场景三：团队共享（PostgreSQL Sync）

个人用户用 SQLite 就够了，但团队需要共享视图。agentsview 支持 PostgreSQL 后端：

agentsview pg push      # 推送本地数据到 PostgreSQL
agentsview pg serve     # 从 PostgreSQL 提供只读 Web UI
agentsview pg push --watch  # 后台守护进程，自动同步

这解决了团队场景的核心问题：

管理者：想看整个团队每天花多少 token
工程师：想搜索同事在某个 agent 里的会话
审计：需要完整的成本追踪记录

自动同步守护进程会监视会话目录，新会话产生后 shortly 内自动推送。还可以作为 OS 服务运行（macOS launchd / Linux systemd）。

---

四、技术细节：Wes McKinney 的工程师品味

4.1 多后端架构

agentsview 不是一个简单的 SQLite 工具，它支持三种后端模式：

后端	用途	特点
SQLite	主本地存档	文件同步、FTS5 搜索、可写 UI
PostgreSQL	可选团队共享	从 SQLite 推送，只读服务
DuckDB	可选镜像/分析	从 SQLite 推送，支持 Quack 协议远程访问

DuckDB 支持特别有意思。你可以：

agentsview duckdb push          # 镜像 SQLite 到 DuckDB
agentsview duckdb quack serve   # 通过 Quack 协议暴露 DuckDB

然后远程访问：

AGENTSVIEW_DUCKDB_URL='quack:https://duckdb.example.com' \
AGENTSVIEW_DUCKDB_TOKEN="$TOKEN" \
agentsview duckdb serve

这让你可以把个人会话数据变成团队分析数据源，而不用把所有原始数据放到云端。

4.2 安全设计

agentsview 的安全模型很务实：

1. 默认绑定 127.0.0.1：不暴露到公网 2. Host header 验证：防止 DNS rebinding 攻击 3. SSH/远程开发支持：通过 --public-url 显式信任转发地址 4. 可选认证：--require-auth 暴露到非本地时启用 5. 无会话数据外传：所有数据留在本地，telemetry 是匿名心跳

4.3 对加密会话的处理（Antigravity CLI）

有些 agent 的会话是加密的（如 Antigravity CLI 的 .pb 文件）。agentsview 的解决方案不是破解加密，而是侧车文件（sidecar）：

go install github.com/mjacobs/agy-reader@latest
agy-reader --sync    # 生成 .trajectory.json 侧车文件
agy-reader --watch   # 实时同步

agy-reader 和本地 Antigravity daemon 通信，解密会话，生成明文侧车。agentsview 自动检测侧车并优先读取。解密发生在用户本地，agentsview 不处理加密数据。 这是一个非常优雅的信任边界设计。

---

五、用户生态：谁在用它？

5.1 早期采用者画像

从 GitHub 的 Acknowledgements 可以看出：

Simon Willison（Django 联合创始人、Datasette 作者）—— 他写了 claude-code-transcripts，这是 agentsview 的灵感来源之一
Andy Fischer —— 写了 claude-history-tool，另一个会话工具
Wes McKinney 自己 —— 同时用 27 个 agent，这本身就是最极端的测试场景

这些用户有一个共同特征：他们不是在"尝试 AI"，而是在"把 AI 作为生产力基础设施"。 他们需要的不是单个工具，而是工具的统一管理平面。

5.2 版本状态：1648 stars，0.1.x 早期

agentsview 目前只有 1648 个 stars，版本号还在 0.1.x 早期。这有两个含义：

1. 风险：早期版本可能有 bug，API 可能变化，功能可能不完整 2. 机会：对于愿意尝鲜的重度用户，现在加入可以影响产品方向

Wes McKinney 的背书意味着工程质量是有保障的——pandas 的经验不会让他在数据模型和性能上妥协。但作为一个新产品，生态成熟度（如社区插件、IDE 集成）还需要时间。

---

六、核心洞察：为什么这是现在最需要的基础设施？

6.1 从"一个 Agent"到"Agent 矩阵"

2024 年的 AI 编程场景是"用 Claude 还是 GPT-4"。2025 年是"用 Claude Code、Codex、Cursor、OpenCode 哪个更好"。2026 年的现实是：成年人不做选择，全都要。

不同的 agent 有不同的优势：

Claude Code：深度思考，适合复杂架构
Codex：速度快，适合快速原型
Cursor：IDE 集成，适合日常开发
OpenCode：开源可控，适合隐私敏感场景
OpenClaw：本地运行，适合离线环境
Kimi：中文支持好，适合国内团队

当团队里每个人同时用 3-5 个 agent，团队有 10 个人时，会话管理变成指数级灾难。

6.2 "成本透明"是 AI 采用的最后一公里

企业引入 AI 编程工具的最大阻力之一：不知道花了多少钱。

每个 agent 有自己的计费方式：

Claude Code：按 token，支持 prompt caching
Codex：按请求次数
Cursor：按订阅档位
Copilot：按月订阅

当开发者用 5 个工具时，财务部门看到的是 5 张不同的账单，无法回答"我们上个月在 AI 编程上花了多少？"

agentsview 的价值在于：它统一了度量衡。 无论底层是什么 agent，agentsview 都把它转换成"token 消耗 + 美元成本"，让管理者第一次有了全局视图。

6.3 数据所有权的新战场

agentsview 的"全部本地"设计，放在当前 AI 工具的数据策略背景下看，非常激进：

工具	数据存储
Claude Code	Anthropic 云端
Codex	OpenAI 云端
Cursor	混合（部分本地，部分云端）
agentsview	全部本地

Wes McKinney 显然认为：会话数据是用户资产，不是供应商资产。 这个立场在数据隐私越来越敏感的企业环境中，会越来越重要。

---

七、局限与未来

7.1 当前局限

1. 仅支持 macOS/Linux：没有 Windows 原生支持（但可以通过 Docker 或 WSL 运行） 2. FTS5 搜索质量：目前基于关键词匹配，没有语义搜索 3. 分析深度：有统计仪表盘，但没有像 LLM 那样的"智能总结" 4. 生态早期：没有第三方插件，没有 IDE 集成

7.2 可能的演进方向

1. 语义搜索：用 embedding 模型实现"找那个关于 JWT 的会话"而不是"找包含 JWT 这个词的会话" 2. 智能总结：自动提取每个会话的"核心产出"和"关键决策" 3. 跨会话关联：识别"这个 bug 在 Claude 会话里修复，在 Codex 会话里引入" 4. 成本优化建议："你用 Claude 写 Python，用 Codex 写 JavaScript，成本可以降 30%"

---

结语：基础设施的成熟标志

Wes McKinney 做 agentsview 这件事本身，比 agentsview 这个产品更有信号意义。

当一个曾经屏蔽所有 LLM 话题的数据工程先驱，不仅 all-in AI，还为了解决"多 Agent 混乱"问题而专门构建基础设施时，这意味着：

> AI 编程已经从"实验"进入"生产"。而生产环境需要的不只是更好的模型，而是更好的管理工具。

agentsview 的 1648 个 stars 和 0.1.x 版本号，说明它还在早期。但 pandas 的历史告诉我们：Wes McKinney 做基础设施的眼光，通常是超前的。

如果你现在同时用两个以上的 AI coding agent，agentsview 可能是你今年最值得尝试的新工具。不是因为它完美，而是因为问题真实存在，而解决方案太少。

---

参考链接

agentsview GitHub: https://github.com/kenn-io/agentsview
项目主页: https://www.agentsview.io/
Wes McKinney GitHub: https://github.com/wesm
Kenn Software: https://kenn.io/
灵感来源: claude-code-transcripts (Simon Willison), claude-history-tool (Andy Fischer)

#AI编程 #agentsview #WesMcKinney #pandas #多Agent管理 #成本追踪 #SQLite #本地优先 #KennSoftware #ClaudeCode #Codex #Cursor #OpenClaw