一、 解决的核心问题针对 Claude Code 等 AI 工具在实际研发中存在的“黑盒感知盲区”与“缺乏数据驱动流程优化依据”两大痛点资源消耗与瓶颈不透明无法直观得知 Token 和时长具体消耗在哪个阶段无法客观解释同类需求耗时差异巨大如 1h vs 5h的根因。效能资产缺乏量化度量方案审查门禁通过率是否真正改善无统计知识库KB的实际调用命中率与真实价值缺乏客观数据验证。二、 核心设计思路核心采用无侵入的轻量混合式采集不装运行时探针不阻塞任何开发链路哨兵标记Sentinel补充语义利用 Claude Code 原生生成的 JSONL transcript 底层数据通过在对话流中打入标准结构化标记⟦TRACK wf⟧、⟦TRACK phase⟧、⟦TRACK gate⟧完成需求、阶段与门禁结果的语义对齐。单向增量离线处理通过SessionEnd钩子自动触发增量采集collect.mjs写入阶段账本phases.ndjson并由render.mjs按需渲染为自包含的静态看板dashboard.html零服务端依赖、幂等可重跑。三层下钻数据建模抽象出RDC需求→ Workflow工作流→ Phase阶段三层模型精确追踪 Token 四分量、工具调用、子代理交互与门禁红绿灯状态保障 Token 严格守恒。三、 核心应用场景与实践价值流程瓶颈定位与成本分析在首个试点需求批量排查并接入 20 个历史维度中发现仅“ent-web 组件历史模式核验”阶段就消耗了 23.4M Token占比 54%与 30 分钟用数据证实了跨仓库联调是资源最重瓶颈为后续针对性优化 Prompt 与上下文提供了明确靶点。知识库KB定向补充通过观测多工作流反复出现的决策问答结合“KB 检索低命中率/少引用”特征信号反向挖掘未登记的隐性规约并沉淀进知识库减少 AI 对人工的反复询问。交互流程与工具调用收敛交互优化识别“耗时高且轮数异常多如 40 轮”的阶段将低风险配置从单点逐个确认重构为批量提问降低人工打断与中断率。工具防浪费监控工具与子代理调用识别“重复高频读文件、低有效产出”的上下文割裂问题前置在主会话汇总上下文后再派发大幅降低无效 Token 损耗。