Новый проект
PROrunner926/copilot-cache-scout
Инструмент сравнивает три архитектуры хранения контекста и измеряет токенные затраты многоагентного анализа кода через настраиваемый прокси.
- Stars
- ★ 115
- Forks
- ⑂ 0
- Язык
- HTML
- Статус
- В канале 1 янв. 1 г.
AI-разбор
MindMirror — диагностический набор для измерения токенных затрат в многошаговых диалогах и многоагентных проверках кода. Проект параллельно сравнивает наивное сохранение всей истории, prompt-level caching с ограниченным числом последних ходов и librarian-pattern digest, который поддерживает сжатую семантическую карту состояния разговора. Инструмент учитывает входные и выходные токены на каждом ходу, запускает сценарии с 3–7 агентами и позволяет увеличивать глубину сессии до 50 ходов. Результаты сохраняются в JSON-отчёты и CSV-таймлайны, а HTML-панель на D3.js показывает накопительную стоимость, структуру накладных расходов и сходство сводок. Основной сценарий рассчитан на Claude Opus 4.6 через прокси GitHub Copilot, но слой прокси можно заменить на совместимую с OpenAI конечную точку через переменные окружения; для работы требуются Python 3.11+, доступ к Claude Opus 4.6 в GitHub Copilot и настроенный потоковый прокси, возвращающий сведения о токенах в заголовках ответа.
Инструмент предназначен для разработчиков инфраструктуры LLM, исследователей эффективности AI-систем, инженеров платформ и команд, создающих многоагентные пайплайны анализа кода и контролирующих их токенные расходы.
Что внутри
- Покомпонентный учёт входных и выходных токенов для каждого хода с миллисекундной точностью на уровне прокси.
- Симуляция многоагентных проверок кода с 3–7 агентами, настраиваемыми ролями проверяющих и контекстами коммитов.
- Одновременное сравнение наивного хранения истории, prompt-level caching и librarian-pattern digest с выводом матриц стоимости.
- Стресс-тесты разговоров глубиной от 2 до 50 ходов с фиксацией момента ухудшения показателей каждой архитектуры.
- Генерация JSON-отчётов, CSV-таймлайнов и HTML-визуализации с графиками, таблицей накладных расходов и оценкой сходства сводок.
- Адаптивная панель на D3.js с фильтрами архитектур, анимацией ходов, переключением темы и экспортом в PDF или PNG.
Где применять
- Сравнивать стоимость различных стратегий контекста перед внедрением многоагентного AI-код-ревью.
- Проводить исследовательские эксперименты по влиянию глубины диалога и сжатия памяти на токенный бюджет.
- Анализировать работу пайплайнов проверки кода через Claude Opus 4.6 и прокси GitHub Copilot.
- Подготавливать отчёты для инженеров по эффективности, показывая накопительные расходы и реконструкцию удалённого контекста.
- Тестировать совместимый с OpenAI прокси и визуально изучать, какие смысловые фрагменты сохраняет digest.
Темы