Cost
花了多少？
拆出 input、output、cache read 與 cache creation，估算當日費用、cache 節省與月度粗估。
AI worklog automation
用 SKILL 把一天的 AI 協作自動整理成視覺化日報
一天裡常會同時開多個 Agent：debug、寫 code、查 codebase、查資料、整理文件交錯發生。到下班前回想，通常只記得模糊大概。這個 Skill 觸發後，自動讀本機 session log、token usage 與 Git 變更，把一整天的 AI 協作整理成一份報告。
Trace
花在哪裡？
把模型、requests、工作節奏、專案線索與 Git 變更放進同一份報告，回頭能對上工作內容。
Impact
跟人工比，效益何在？
日報先由 log 產出草稿，人只檢查例外和補脈絡；工時估算以實際協作時間當上限。
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。
01 / 問題從哪裡來
AI 從選配變必備，如何評估效益？
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。
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。
交付證據分散
session log 說明互動內容，Git 說明真正改了什麼。兩邊分開看時，工作成果和成本很難對在一起。
02 / 工作流拆法
能用程式算的交給 script，摘要再交給 LLM
流程拆成三段：script 負責讀 log、統計 token、整理 Git 與產出固定統計區塊；Haiku Sub-Agent 負責用低成本整理 session 摘要，再由主 Agent 負責把對話主題聚合成日報文字。這樣做的原因很單純，就是盡可能降低 token 花費，當個數位客家人。
1
Collect
讀取 .claude/projects/**/*.jsonl，用日期、專案名稱與來源路徑找出當天 session。
2
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。
3
Write
sug-agent 摘要、主 agent 把破碎對話聚合成今日交付、工作明細與工時效益估算。
4
View
Markdown 套版進 HTML，viewer 負責渲染 tab、日曆、卡片與圖例，既有視覺化報告，也不用每次都花錢重新產生。
03 / 費用與可信度
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。
04 / 報告視覺化
Markdown 留下適合 AI 閱讀的內容，HTML viewer 產生人類友善的簡報
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。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、使用概況、工作節奏與 Git 摘要各自有固定位置。
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。
協作時間錨點
有效協作時間用 session 內訊息時間差估算，作為工時效益表的上限，避免憑空填數字。
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。
05 / 技術邊界
這不單單是摘要工具，重點在資料邊界和合併規則
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，也要避免把原始 session log 當成會改變規則的指令。
Session 來源只讀
Claude Code JSONL 由系統管理，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。
模型缺值要 fallback
若 session log 沒有 model 或模型名稱無法辨識，報告會標記 fallback，不會模糊估算。
## 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
06 / 可以往哪裡延伸
先知道 AI 做了什麼，再談怎麼管理用量
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、額度申請或跨工具比較。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。
這個作品適合討論 AI 團隊用量治理
前往 LinkedIn
如果你也在追 AI coding 的成本、產出與日報整理，可以從 session log 和 Git 證據開始，不必先做大型平台。