Claude Code 开始给 AI 工作流记账：/usage 让隐形成本第一次可见

很多人第一次认真算 AI 成本，往往不是在使用当下，而是在月底。

白天看起来只是“多用了几个 Agent”“又接了两个 MCP”“让模型顺手帮我查了点资料”，结果回头一看，真正烧钱的地方，可能根本不是主任务，而是那些你几乎没注意到的辅助调用。这就是 AI 开发里最典型的隐形成本：花出去了，但你不知道花在哪。

而 Claude Code 未来版本里计划加入的 /usage 命令，解决的正是这个问题：把每个 Agent、每个 MCP 的消耗摊开给你看。

它看起来只是一个小功能，但本质上是在给 AI 工作流补上“记账能力”。

一句话说清楚它的价值：

过去你只能感觉“AI 很贵”，现在你终于能知道“到底是谁最贵”。

1. /usage 到底在解决什么问题？

先别急着把它理解成一个“查看统计”的按钮。对开发者来说，它真正补上的，是 AI 工作流里最缺的一块拼图：可追踪性。

以前我们用 Claude Code 或类似的 Agent 工具时，最常见的体验是这样的：

• 任务交给 Agent 后，结果出来了；
• 中间又调用了几个 MCP；
• 工具链来回跑了几轮；
• 最后你只知道“完成了”，却不知道到底是哪一步最费资源。

这就像你每天点外卖，吃完才发现账单里一半是主菜，一半是你没注意到的配送费、加料和服务费。不是不能花，而是你没有足够的信息去判断这笔钱花得值不值。

它让 AI 编程从“感觉上很强”往“工程上可控”迈了一步。

更新前后，差别其实很大

如果你做过一段时间 AI 辅助开发，就会明白：真正可怕的不是贵，而是不知道贵在哪里。

2. 为什么“成本可视化”不是小功能，而是工作流基础设施？

很多人看到这种功能，第一反应是：

“哦，就是多了个统计面板。”

但它之所以重要，是因为 AI 编程工具已经从“尝鲜玩具”进入了“真实工作流”。

一旦进入真实开发场景，成本就不再只是钱，还包括三个更现实的问题：

1）效率：是不是把简单任务做复杂了？

很多任务表面上很简单，比如：

• 改一个页面的交互；
• 给接口补一段说明；
• 做一次代码重构；
• 生成一份文档。

但如果你的 Agent 一路拆解、检索、校验、再检索、再校验，最后用掉的资源可能远超任务本身的复杂度。

2）决策：哪些事该交给 Agent，哪些事该人工接管？

AI 工具最容易让人上头的一点，是它太“会干活”了。

于是我们很容易把所有问题都丢给 Agent，最后却发现：

• 有些任务确实适合自动化；
• 有些任务其实人工两分钟就能定；
• 有些 MCP 接口看起来很高级，实际只是在增加调用复杂度。

当消耗可见后，你就能开始做判断：

3）协作：团队终于能聊“成本回报”而不是只聊“能不能用”

在团队里，AI 工具最常见的争论不是“能不能做”，而是：

• 这个 Agent 到底值不值？
• 这个 MCP 需不需要接？
• 这个流程为什么跑一次要这么多轮？
• 哪个项目最依赖 AI，哪里又只是“看起来智能”？

没有可视化，讨论就会变成感受之争。

有了 /usage，至少可以开始用同一套语言讨论问题：成本、收益、调用路径、资源占用。

这就是为什么我说，它不是小功能，而是 AI 工作流的基础设施。

3. 对普通开发者最实际的 3 个影响

个人层面：先解决“无感超支”

绝大多数人不是故意浪费 AI，而是根本没意识到自己在浪费。

最典型的情况有三个：

• 同一个问题反复让不同 Agent 处理；
• 一个简单任务被拆成过多子步骤；
• 频繁调用辅助 MCP，却没有意识到它们正在累积成本。

你会开始注意：原来我不是在用 AI，我是在不断地让 AI 替我做重复劳动。

这时候，开发者的使用习惯就会变：

• 哪些任务可以一次说清楚，就不再拆成三轮；
• 哪些辅助工具可以少调，就减少调用；
• 哪些步骤其实不需要模型参与，就直接人工处理。

团队层面：开始进入 AI 工程化管理

团队里最怕的不是“大家都在用 AI”，而是“大家都在用，但没人知道用得怎么样”。

有了使用统计之后，团队就能开始做更像工程管理的事：

• 看哪些项目最依赖 Agent；
• 看哪些流程最容易把成本拉高；
• 看哪些 MCP 接口虽然接上了，但贡献并不大；
• 看哪些任务其实适合改成模板化流程。

这意味着 AI 不再只是个人效率工具，而是可以被纳入研发管理体系。

你会发现，一个成熟团队需要的不只是“能写代码的模型”，还需要：

• 能追踪的使用记录
• 能复盘的流程数据
• 能优化的成本结构

换句话说，AI 不是越“神”越好，而是越可控越值钱。

工具选择层面：倒逼生态竞争

当成本变得透明，工具之间的差异就会被放到台面上。

以前大家挑工具，常常看的是：

• 响应快不快；
• 能不能写代码；
• 功能全不全。

但当 /usage 这类统计能力普及后，开发者会开始问更关键的问题：

• 同样的任务，哪个 Agent 更省？
• 哪类 MCP 更容易成为隐藏成本黑洞？
• 哪个模型在实际工作流里更稳？
• 哪套工具链更适合长期使用，而不是只适合试用期冲刺？

4. 典型场景：真正烧资源的，往往不是主任务

举个很常见的开发场景。

你想让 Claude Code 帮你完成一个小功能：

前端改一个列表页，后端补一个接口说明，再顺手把 README 更新一下。

从表面看，这是一个很轻的任务。

但实际跑起来，往往会出现这样的链路：

1. 代码审查 Agent 先读一遍项目结构；

2. 重构 Agent 试图梳理相关模块；

3. 文档 Agent 去补说明；

4. 某个 MCP 被调用去查接口资料；

5. 另一个 MCP 又被拉进来做上下文补充；

6. 最后为了确认边界条件，模型又多跑了几轮。

结果就是：你以为最贵的是主任务，实际最贵的可能是辅助链路。

这也是 /usage 最有价值的地方：

它会把“谁在偷偷吃资源”这件事暴露出来。

如果你只凭感觉，很容易误判：

• 以为是模型本身太贵；
• 以为是任务太复杂；
• 以为是 Agent 不够聪明。

但看清楚用量后，你才可能发现：

5. AI 开发正在从“试用阶段”走向“生产阶段”

我一直觉得，成熟的 AI 工具有两个标准：

1. 能不能做事；

2. 能不能被管理。

前者决定它是不是玩具；后者决定它能不能进生产。

它让 Claude Code 更像一个可纳入研发流程的生产工具，而不是只能靠热情驱动的试验品。

一旦你开始记录和观察：

• 哪些 Agent 经常被调用；
• 哪些 MCP 一直在“偷偷耗”；
• 哪些任务值得自动化；
• 哪些任务应该回到人工；

你就会意识到，未来 AI 编程的竞争点，已经不只是“谁更聪明”，而是：

谁更可控、可计量、可优化。

这其实和软件工程的发展路径非常像。

一开始大家比的是“能不能跑”；

后来比的是“稳不稳”；

再后来比的，就是“能不能长期维护”。

AI 开发也是一样。

6. 下一步会怎么演进？

如果今天能看单次使用量，下一步大概率就是更细的治理能力：

• 项目级统计；
• 团队级统计；
• 任务级预算；
• 超额告警；
• 自动限流；
• 成本上限控制。

也就是说，未来的 AI 工作流，不只是“让模型帮你干活”，而是让你知道它干了多少、值不值、还能不能继续干。

这才是 AI 真正进入生产阶段的标志。

如果你已经开始用 Claude、Agent 或 MCP 做日常开发，也可以顺手把自己的调用成本统一接入一套统计面板。想把 AI 调用、预算和用量看得更清楚，可以去 api.884819.xyz 看看是否适合你现在的工作流。新用户注册即送体验token。 对个人开发者来说，它更像是一个“先把账算清楚”的入口；对团队来说，则是把 AI 使用从感觉管理变成数据管理。

#AI教程 #ClaudeCode #AI成本管理 #Agent #MCP #8848AI #AI开发 #Prompt技巧