AgentGlass：AI 编程 Agent 的「指挥中心」

想象一下：你的团队同时在用 Claude Code 写后端、用 Codex 写前端、还用 Gemini 调试脚本——每个工具的 token 消耗、运行状态、危险操作都散落在各自的终端窗口里。你想快速知道「今天花了多少钱」？得挨个登录控制台。想阻止一个 Agent 删库跑路？得靠吼。

这就是 AgentGlass 要解决的问题。它不是什么 AI 模型或框架，而是一个本地可观测性平台，专门给机器上运行的 AI 编程工具装上「监控仪表盘」。

图1：AgentGlass 仪表盘主界面，汇聚多 Agent 运行状态

项目背景：在一个 Agent 满天飞的时代，缺少的是什么？

2024 年到 2026 年，是 AI 编程工具大爆发的年份。Claude Code、Gemini CLI、OpenAI Codex、Cursor Agent……这些工具已经深度嵌入开发者的日常工作流。但随之而来的问题是：当你同时运行多个 Agent，每个都在消耗 token、调用 API、读写文件时——谁来统一「看着」它们？

SirAllap 在 2026 年 7 月初创建了这个项目，定位非常清晰：一个聚合所有本地 AI 编程 Agent 的可观测性平台。项目采用 TypeScript 开发，主分支为 main，当前版本 0.6.0，License 为 MIT，上线不到一个月已积累 278 颗星，增长势头相当强劲。

核心功能：监控只是表象，管控才是目的

实时追踪：每个 Agent 的「数字仪表盘」

AgentGlass 通过 hooks 机制（Python 脚本）连接本地的 AI Agent 进程，自动采集以下关键指标：

• Token 消耗：实时显示每个 Agent 的输入/输出 token 数量，精确到每一次模型调用
• 成本统计：基于各平台定价表（支持 OpenAI、Anthropic、Google 等主流厂商），自动换算成美元
• 工具调用：记录 Agent 执行了哪些操作——读文件、写代码、执行 shell 命令、调用 Git
• 会话管理：每个 Agent 的对话历史、上下文窗口使用情况

图2：AgentGlass 的核心监控面板，展示 Agent 运行指标

在 Web 界面上，你可以看到所有已连接的 Agent 的实时状态卡片，支持按项目、模型类型、时间范围过滤。数据存储在本地 SQLite 数据库中，完全私有，不上传任何信息。

安全门控（Gate）：危险操作，先暂停再确认

这是 AgentGlass 最具特色的功能之一。当 Agent 试图执行高危操作（如 rm -rf、git push --force、删除大量文件）时，AgentGlass 会自动暂停该操作，等待你在界面上点击「确认」或「拦截」。

这一机制类似于移动端的权限弹窗，把 AI Agent 的「超级权限」降到可控范围内。特别是在团队协作场景中，Gate 功能可以防止新手误操作导致的生产事故。

图3：Git 操作门控界面，在危险命令执行前等待用户确认

终端集成：工作流零侵入

AgentGlass 不需要你改变现有的工作流。它通过 Claude Code 的 hook 机制自动注入监控脚本，通过 OTLP（OpenTelemetry Line Protocol）连接其他 CLI Agent。整个过程对 Agent 本身完全透明——AgentGlass 只是一个「旁路监听器」。

安装极其简单：

bun install
bun run setup        # 连接 Claude Code hooks
bun run connect      # 连接其他 OTel 兼容的 Agent
make dev            # 启动本地服务

访问 http://localhost:6180 即可看到 Web 界面。

移动端支持：手机也能看

除了 Web 界面，AgentGlass 还提供了移动端适配版（通过响应式布局），可以在手机上实时查看 Agent 状态。移动端使用独立的 URL 或二维码扫码访问，适合 TL（Team Lead）不在电脑前但仍想监控团队 Agent 使用情况。

图4：移动端界面，随时随地掌握 Agent 运行状态

技术架构：Bun 全家桶 + React 前端 + SQLite 后端

三工作区 Monorepo

项目采用 Bun Workspace 的 monorepo 结构，根目录的 package.json 统一管理三个子包：

agentglass/
├── server/    # 后端：Bun + TypeScript + SQLite
├── web/       # 前端：React + Vite + Tailwind CSS
└── electron/  # 桌面端：Electron（可选）

后端：轻量高效

后端使用 Bun 作为运行时，server/src/ 目录包含 40+ 个模块：

• db.ts：SQLite 数据库管理
• pricing.ts：多厂商 API 定价表
• gate.ts：安全门控逻辑
• ingest.ts：Agent 事件采集
• otlp.ts：OpenTelemetry 协议支持
• terminal.ts / tmuxctl.ts：终端会话管理

Bun 的启动速度和内存占用远优于 Node.js，对于一个需要长期运行在后台的本地服务来说，这是合理的选择。

前端：React + xterm.js + Recharts

Web 前端使用 React 18 + Tailwind CSS + Vite 构建，关键依赖：

• xterm.js：终端模拟器组件，渲染 Agent 的终端输出
• Recharts：数据可视化，绘制成本曲线、token 消耗图
• Shiki：代码高亮
• Motion：动画效果

前端界面包含 30+ 个 React 组件，涵盖 Chat 面板、Git 面板、Docker 面板、PR 面板、设置页等。整体 UI 风格现代，支持深色主题切换。

数据库：SQLite，够用且简单

所有数据存储在本地 SQLite 数据库，不需要额外部署数据库服务。本地存储意味着数据完全私有，特别适合企业内网环境。

部署方式：本地为主，无 Docker

安装流程

bun install
bun run setup        # Claude Code hooks
bun run connect      # 其他 OTel Agent
make dev             # 同时启动 server(:4000) + web(:6180)

系统要求

• Bun >= 1.0（核心运行时）
• Git（用于版本控制和 Agent 连接）
• 无需 GPU，无需 Docker，本地资源消耗极低（~512MB RAM）

测试覆盖：100+ 测试文件

项目包含 100+ 测试文件，覆盖服务层逻辑测试和前端 UI 组件测试。测试框架为 Bun 内置测试，运行 make test 即可执行全套测试套件。

行业意义：从「能用 AI」到「用好 AI」

AgentGlass 解决的问题本质是：当 AI Agent 的能力越来越强，谁来「监管」它们？

它不是限制 AI 的能力，而是提供透明度和可控性：

• 成本透明：让团队清楚知道 AI 工具的实际消耗
• 行为可见：每一次文件操作、每一次 Git 调用都有记录
• 风险可控：危险操作需要人工确认

随着 AI Agent 在企业中的深入应用，类似的可观测性工具会变得越来越重要。