把 AI 協作痕跡收成日報、費用與 ADR 候選
AI Session Daily Report 是一個本機 Agent Skill。它讀取 Claude、Codex、Antigravity 的 session log、token usage 與 Git 變更，把一天分散在多個 AI 工具裡的工作痕跡整理成日報，並從內部版萃取可審核的 ADR 候選。
把 AI 工具留下的零散紀錄，轉成可回顧的工作材料。
它負責把本機可讀的 AI 協作痕跡收成同一份報告，讓成本、交付和決策候選可以一起檢查。聊天摘要、正式帳務與 ADR 核准則留給對應的人或系統處理。
- 輸入Claude、Codex、Antigravity session log、token usage、Git commits、diff stat 與 worktree status。
- 輸出Markdown 日報、費用摘要、工作節奏、Git 證據、ADR 候選與本機 HTML viewer。
- 邊界費用是依本機 usage 估算，最終帳務仍以官方為準；ADR 候選也要人工審核後才會晉升。
DEMO / 實際畫面
日報 viewer 與輸出結果截圖
左右切換查看 6 張畫面；點圖片可放大。
跑完一次會留下哪些可檢查材料？
這個 Skill 把原本散在 session、Git 與費用統計裡的資料放到同一個位置。人可以先看報告，AI 之後也能沿用同一份 Markdown 做週報、月報或決策回顧。
報告會固定留下這些區塊
- 工作與交付今日交付、工作明細、AI 實際協作時間與工作節奏。
- 成本與可信度input、output、cache read、cache creation、模型單價、cache 節省與月度粗估。
- 工程證據Git commits、diff stat、worktree status 與專案線索，避免日報只剩主觀敘述。
- 決策候選內部版萃取 ADR 候選，保留背景、方案、取捨與證據，再由人決定是否晉升。
範例日的成本快照
- 今日 AI 費用：$14.684 USD
- 未使用 cache 估算：$99.968 USD
- Cache 節省：$85.284 USD，約 85%
- 月度投影：以 22 個工作日粗估約 $323 USD
AI 從選配變必備，如何評估效益與決策品質？
要評估 AI 效益，多半靠人回想紀錄今天做了什麼，然後怎麼比較 AI 跟傳統人工的效益，又是另一個棘手的事情。
AI Agent 時代，工作會拆成很多小段：一段查 codebase，一段改檔，一段讓 Agent 做 review，一段查資料寫說明。這些片段都留在系統紀錄裡，但不會自動變成主管或自己看得懂的工作材料，也不會自動沉澱成後續能追溯的架構決策。
多工切換太碎
debug、coding、查資料和整理文件會交錯發生。一天結束後再補日報，很容易漏掉真正花時間的工作。
費用難回推
只看總金額不夠。需要知道是哪個模型、哪種 token、cache 省了多少，才有辦法準備額度申請或成本討論。
決策容易散落
很多架構取捨藏在 session 對話中。若沒有候選清單和晉升流程，日後只能靠記憶回推為什麼那樣做。
能用程式算的交給 script，需要判斷的再交給 LLM 與人工審核
流程拆成幾段：script 負責讀 log、統計 token、整理 Git 與產出固定統計區塊；Sub-Agent 負責整理 session 摘要與內部報告；ADR 候選萃取只在內部版產生後執行，讓重要取捨先變成候選，再交給人決定是否晉升。
Collect
讀取 Claude、Codex、Antigravity session，依日期、專案線索與來源路徑整理當天資料。
Analyze
跑腳本統計 token、cache、模型、費用、訊息節奏與 Git 變更。缺資料時留下 fallback 註記。
Write
Sub-Agent 摘要，主 agent 把破碎對話聚合成今日交付、工作明細、工時效益與內部版報告。
View / Promote
Viewer 渲染報告、tab、日曆與 ADR 候選；確認後可按下晉升，寫入 adr.db 並同步 Obsidian ADR。
費用估算使用地端留存資料，也標明限制
這份日報會從 session usage 讀出 input、output、cache read、cache creation token，再依模型單價估算費用。它適合看趨勢、比較模型使用方式、支援額度討論；最終帳務仍要以官方為準。
範例日費用快照
- 今日 AI 費用$14.684 USD，依 session log 的 model 與 token usage 估算。
- 未使用 cache 估算$99.968 USD，用來看 prompt cache 對成本的影響。
- Cache 節省$85.284 USD，約省 85%，同時保留 fallback 規則。
- 月度投影以 22 個工作日粗估約 $323 USD，適合做額度討論初稿。
Markdown 留下適合 AI 閱讀的內容，HTML viewer 處理報告與 ADR 審核
日報本體是 Markdown，因為它容易版本化、容易合併，也適合 AI 後續轉週報的利用。HTML viewer 則處理人類閱讀需求：今天做了什麼、AI 省了多少時間、費用怎麼算、工作節奏在哪些時段、Git 變更有哪些，以及哪些 ADR 候選值得晉升。內容和版型分開，才不會每次產報告都浪費 token 重新產網頁。
固定章節
今日交付、工作明細、AI 工時效益估算、費用摘要、工作節奏、Git 摘要與 ADR 候選各自有固定位置。
日曆索引
report-index.json 記錄哪些日期有 log、哪些日期已有 report，方便回頭補報告或查趨勢。
ADR 候選 tab
Viewer 會把候選決策集中顯示，保留背景、方案、取捨與證據，避免散在長篇內部報告中。
Git 摘要一起保存
commit、diff stat 與 worktree status 留在日報內，日後回頭看成本和交付比較容易對上。
它不是一次性摘要，重點在資料邊界、合併規則與決策晉升
如果只是叫模型「幫我整理今天做了什麼」，常常會是一次性摘要，很難有整日的全局觀。這個 Skill 比較在意可重跑：同一天重跑時要能合併既有日報、更新統計區塊、保留工作事實，也要把「值得留成決策」和「只是當天討論」分開處理。
Session 來源只讀
Claude、Codex 與 Antigravity 的 session 由各工具管理，流程只讀取並篩選，不搬移、不覆寫來源紀錄。
Project scope 先全域再篩選
指定專案時，仍先讀同日全域 session，再用 project name、cwd、Claude folder name 與內容線索過濾，避免漏掉跨目錄工作。
既有日報不直接覆蓋
同日報告已存在時，先解析 gap。工作事實補進去，統計區塊才用最新 script 輸出覆蓋。
ADR 晉升要明確
候選清單不等於正式決策。只有按下晉升後，才寫入 adr.db 並同步到 Obsidian vault 的 ADR/ 目錄。
## 費用摘要
## AI 使用概況
## 工作節奏
### AI 實際協作時間（工時估算錨點）
## Git 變更摘要
## ADR 候選清單
先知道 AI 做了什麼，再把成本、交付與決策接起來
日報先解決漏記和手寫耗時。當資料開始穩定累積後，才有條件做週報、月報、額度申請、跨工具比較與 ADR 追溯。這件事的價值不在單日報告漂亮，而在每天都能留下同樣格式的痕跡。
如果你也在追 AI coding 的成本、產出、日報整理與 ADR 沉澱，可以從 session log、Git 證據和候選決策開始，不必先做大型平台。
從單一作品，回到完整能力判讀
這個案例展示的是「可追溯的 AI 協作」。下一步可從教學路線理解方法，或從作品集與履歷判斷整體能力與職務適配。