BF ai-usage-ledger
Собирает все локально записанные вызовы моделей AI-кодинг-агентов (Claude Code, Codex CLI/Desktop, GitHub Copilot CLI, Gemini CLI, opencode, OpenClaw, Cline/Roo/Kilo, aider, Kimi Code, Mistral Vibe, Continue, pi, Codebuff и любой инструмент с JSON-логированием) из профиля оператора и, при включении, с других дисков, профилей пользователей, дистрибутивов WSL и именованных SSH-хостов в один добавляемый, дедуплицированный реестр, хранящийся в SQLite, JSON или CSV; оценивает его по прейскуранту API; разделяет по учетной записи подписки и плану биллинга; проверяет по счетчикам самих инструментов; и отображает брендированный дашборд (светлый/темный режим) плюс пакет исследований уровня научных публикаций. Настраивается один раз (брендинг, тема, бэкенд хранения, запланированное обновление, анонимизированная копия для публикации; хосты и учетные записи определяются автоматически в зависимости от ОС), запоминает предпочтения, обновляется одной командой или по расписанию, создает пятнадцать документов реестра (выписки, служебные записки, справки, доказательства биллинга) в форматах Markdown, HTML, PDF и DOCX, может анонимизировать все для публикации, опционально архивирует сами необработанные файлы журналов, чтобы они пережили срок хранения инструментов, и отвечает на подробные вопросы (за день, проект, учетную запись, модель или сеанс, а также внутри текста промпта или в архивированных журналах, когда эти опции включены) через слой запросов к накопленному хранилищу. Раскрытие информации: этот навык читает транскрипты агентов и базы данных инструментов на этой машине и на хостах, указанных оператором, ведет постоянный локальный реестр в ~/.ai-usage-ledger и выбранном рабочем каталоге, а также захватывает текст промпта или утверждения учетной записи, полученные из учетных данных, только когда оператор дает согласие. Используйте, когда вас попросят "найти все мои AI-логи", "сколько токенов я использовал", "сколько бы это стоило по API", "сравнить мои подписки", "использование по учетной записи", "экономия кэша", "настроить мой реестр использования", "ежемесячная выписка по использованию", "анонимно опубликовать мое использование" или для обновления существующего реестра.
машинный переводПоказать оригиналСкрыть оригинал«Compile every locally recorded AI coding-agent model call (Claude Code…»
Compile every locally recorded AI coding-agent model call (Claude Code, Codex CLI/Desktop, GitHub Copilot CLI, Gemini CLI, opencode, OpenClaw, Cline/Roo/Kilo, aider, Kimi Code, Mistral Vibe, Continue, pi, Codebuff and any JSON-logging tool) across the operator's own profile and, when enabled, other drives, user profiles, WSL distros and named SSH hosts into one append-only, de-duplicated ledger stored as SQLite, JSON or CSV; price it at list API rates; split it by subscription account and billing plan; validate it against the tools' own counters; and render a branded light/dark dashboard plus a research-grade study package. Onboards once (branding, theme, storage backend, scheduled refresh, anonymised publication copy; hosts and accounts auto-detected per OS), remembers the preferences, refreshes with one command or on a schedule, renders fifteen ledger documents (statements, memos, briefs, billing evidence) as Markdown, HTML, PDF and DOCX, can anonymise everything for publication, optionally archives the raw log files themselves so they outlive the tools' retention, and answers detailed questions (per day, project, account, model or session, and inside prompt text or the archived logs when those opt-ins are on) through a query layer over the accumulated store. Disclosure: this skill reads agent transcripts and tool databases on this machine and on hosts the operator names, keeps a durable local ledger under ~/.ai-usage-ledger and the chosen working directory, and captures prompt text or credential-derived account claims only when the operator opts in. Use when asked to "find all my AI logs", "how many tokens did I use", "what would this have cost on the API", "compare my subscriptions", "usage by account", "cache savings", "set up my usage ledger", "monthly usage statement", "publish my usage anonymously", or to refresh an existing ledger.
Собирает все локально записанные вызовы моделей AI-кодинг-агентов (Claude Code, Codex CLI/Desktop, GitHub Copilot CLI, Gemini CLI, opencode, OpenClaw…
Как процесс F 31/100 · Не запустится — Скилл ссылается на файлы, которых нет в архиве: assets/examples/example-onboarding.md, assets/logo.png
Как улучшить
- Сократите description до 1024 символов.
- Тело SKILL.md длиннее 5 000 токенов: вынесите справочные детали в references/ и подключайте по необходимости.
- В тексте есть ссылки на отсутствующие файлы: добавьте файлы или уберите ссылки.
- Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
- spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.
Находки guard · 2
✓ Критических и высоких находок нет
Средние и низкие: 2
-
низкая Рискованное назначение
intent-offensive-securityREADME.md:184Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)| Not required | Outbound network access, credential use, persistence, privilege escalation, destructive file operations, background services. |
-
низкая Рискованное назначение
intent-offensive-securitySKILL.md:146Наступательная безопасность / двойное назначение (допустимо для авторизованного тестирования; проверьте назначение)| Not required | Outbound network access (pricing pages are fetched by the operator, not the scripts), credential use, persistence, privilege escalation, destructive file operations, background servic
Просканировано файлов: 42. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
- ошибка
description-longdescription 1872 символов, лимит 1024 - предупреждение
body-longтело SKILL.md ≈ 9281 токенов (рекомендуется < 5000); вынесите детали в references/ - предупреждение
missing-refссылка на отсутствующий файл: assets/examples/example-onboarding.md - предупреждение
missing-refссылка на отсутствующий файл: assets/logo.png - заметка
description-budgetdescription занимает 1872 из общего бюджета ~15000 символов на все скиллы
Процессный рейтинг: все десять параметров 31/100
- 0Инструменты и файлы. Не хватает 2 файла(ов): assets/examples/example-onboarding.md, assets/logo.png
- 0Шаги. Инструкция сплошным текстом, шаги не выделены
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 30Повторный запуск. Изменяющих операций: 38, без проверки текущего состояния
- 40Согласованность. Имя во frontmatter (ai-usage-ledger) не совпадает с папкой (ai-usage-ledger-skill)
- 40Стоимость исполнения. Тело инструкции 9281 токенов: вытесняет саму задачу из окна
- 60Ошибки и развилки. Развилок: 2
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 70Входы и предусловия. Входные данные и предусловия перечислены
- 100Отчётность по ходу. Скилл сообщает о ходе работы
- medium Правила безопасности и запреты внутри скилла: их место в системном промпте, здесь они не защищают
- low Разделов верхнего уровня: 18. Похоже на несколько доменов в одном скилле
- low Ответ описан самодельной разметкой (18 тегов): типизированный вызов надёжнее
Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.
Сигналы качества
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Длина description 1872: рекомендуется 120–800 символов
- +3Нет пошаговых инструкций или чек-листа
- +3Формат ответа не описан: модель каждый раз решает сама
- +4Нет примеров входа/выхода
- +2Инструкции на одном языке
- +5В description 9 примера фраз-триггеров в кавычках
- +4Структура: 19 заголовков
- +4Справочные файлы упоминаются в инструкциях (6 из 6)
- +3Все 15 скриптов описаны в инструкциях
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 40.