你有没有想过：每天用Claude Code/Codex跑任务，有91.8%的Token其实是浪费的？ 或者更现实的问题——你终于搭好了AI Agent，想给团队里每个人分配不同权限，却发现所有框架都只支持"一个人一个Agent"？
这周Hacker News Show页面上，四款工具直击这些痛点。它们解决的不是"AI能不能用"的问题，而是"AI怎么用得更专业、更省钱、更适合团队"。国内几乎没人讨论这些，因为大多数人还停留在单Agent对话阶段。
Lowfat 是一个Rust写的CLI过滤器，它能拦截AI Agent（Claude Code、Codex等）执行的终端命令输出，在送入模型之前自动压缩。作者实测：节省91.8%的Token消耗。
这不是Prompt优化，不是模型选择——是直接在数据源头压缩噪音。
当Claude Code执行git diff、docker ps、ls -la这些命令时，返回的原始输出包含大量对AI来说毫无价值的ANSI颜色码、空行、重复内容。Lowfat就是一层"翻译器"，把这些冗余去掉再喂给模型。
举个例子：一次git diff可能输出3000个Token，但其中ANSI转义序列占了40%，空行占了15%，重复的上下文行占了20%。Lowfat过滤后只剩500个有效Token。按Claude Sonnet的价格算，一次diff就省了$0.006，一天跑50次就是$0.3，一个月省$9——只靠一个CLI工具。
| 特性 | 说明 |
|---|---|
| 压缩率 | 实测91.8% Token节省 |
| 语言 | Rust单二进制，<2MB |
| 集成方式 | Claude Code Hook / Shell集成 / OpenCode插件 |
| 插件系统 | 自定义.lf DSL过滤器，支持TOML配置 |
| 压缩等级 | lite / medium / ultra 三档可选 |
| 统计追踪 | 内置SQLite记录历史压缩数据 |
# 方式一：Cargo安装
cargo install lowfat
# 方式二：Homebrew
brew install zdk/tools/lowfat
Claude Code Hook配置（最推荐）——加到.claude/settings.json：
{
"hooks": {
"PreToolUse": [
{
"matcher": "Bash",
"hooks": [{ "type": "command", "command": "lowfat hook" }]
}
]
}
}
配完之后，Claude Code每次执行Bash命令的输出都自动经过Lowfat过滤。零额外操作。
还能查看压缩统计：
lowfat stats # 查看累计省了多少Token
lowfat info # 查看当前激活的过滤器
lowfat history # 按命令排名，看哪些命令最"浪费"
国内目前没有类似的工具。大部分Token优化建议停留在"写好Prompt"、"选便宜模型"层面，没有人从CLI输出源头做压缩。这是一个全新的降本维度。
每天使用Claude Code/Codex超过1小时的开发者。尤其是频繁执行git、docker、npm test等命令输出量大的人，ROI最高。
Cast 是一个开源的多用户、多Agent管理框架。它解决的核心问题是：当你的AI Agent不再只是你一个人用，而是整个团队（甚至家庭）共用时，怎么管？
目前所有主流Agent框架（Claude Code、Codex、OpenCode）都假设"一个开发者对话一个Agent"。但现实是：
这些需求，现有框架全部缺位。权限控制通常是写在Prompt里的一句话——模型随时可以被"说服"绕过。
Cast的做法是：权限写在配置文件里，模型根本看不到。
# who can reach this agent
alice@telegram ioaq # in, out, admin, query（全部权限）
bob@slack io-- # 只能输入和输出，不能管理
* ---- # 其他所有人：无权限
这四格权限分别是： - i = in（向Agent发消息） - o = out（接收Agent回复） - a = admin（修改Agent配置） - q = query（查询Agent状态）
模型永远看不到这个配置，所以不可能通过Prompt Injection绕过。
graph TB
subgraph Users["用户层"]
A1["Alice<br/>Telegram"]
A2["Bob<br/>Slack"]
A3["Charlie<br/>Web UI"]
end
subgraph Cast["Cast 管理层"]
R["路由 & 权限引擎"]
ID["身份认证"]
AC["访问控制矩阵"]
end
subgraph Agents["Agent 容器"]
G1["Agent: 邮件助手"]
G2["Agent: 代码审查"]
G3["Agent: 数据分析"]
end
A1 --> R
A2 --> R
A3 --> R
R --> ID
ID --> AC
AC --> G1
AC --> G2
AC --> G3
R -.->|"alice@telegram: ioaq"| G1
R -.->|"bob@slack: io--"| G2
R -.->|"*: ----"| G3
git clone https://github.com/yaodub/cast.git
cd cast
npm i -g pnpm
pnpm start # 自动安装、构建、启动
需要：容器运行时（macOS用Apple Container，Linux用Docker）+ Node 20+ + Anthropic API Key。
启动后浏览器打开http://localhost:5051/admin/进入Dashboard。可以用自然语言描述你想要的Agent，Design模式会自动生成配置文件。
Cast提供了三个Claude Code Skill：
- /cast-build — 在Claude Code里直接构建Agent
- /cast-refine — 调整Agent配置
- /cast-debug — 调试Agent问题
所有配置文件存在~/.cast/agents/下，Dashboard和Claude Code双向同步。
国内Agent平台（Coze/扣子、Dify等）支持多用户，但权限模型通常是"管理员/编辑者/查看者"这种粗粒度。Cast的四格权限矩阵（ioaq）+ 容器隔离是更接近生产级的设计。而且Cast完全开源、自托管，数据不出你的机器。
Intencion 是一个全新的SaaS产品，定位很精准：给AI Agent做产品分析。不是分析网页访问量，不是分析用户点击——是分析你的AI Agent每次任务完成得怎么样。
你搭了一个AI Agent帮你处理客服邮件。一周跑了500次任务。你知道：
传统产品分析工具（Google Analytics、Mixpanel）完全不适配Agent场景。Agent的"用户行为"不是点击，而是自然语言意图 + 任务执行结果。
sequenceDiagram
participant User as 用户
participant Agent as AI Agent
participant Intencion as Intencion
User->>Agent: "帮我回复这封客户邮件"
Agent->>Agent: 执行任务...
Agent->>Intencion: 上报任务数据<br/>(输入/输出/结果)
Intencion->>Intencion: 按意图分组<br/>评分 + 排名
Note over Intencion: 意图: 邮件回复<br/>评分: 7/10<br/>分类: 客户支持
Developer->>Intencion: 查看Dashboard
Intencion-->>Developer: "邮件回复类任务<br/>平均分6.2，失败率23%<br/>建议优化: 邮件模板"
Intencion的核心流程： 1. 定义Outcome — 你告诉它"成功的任务长什么样" 2. 评分 — 每次Agent任务自动打分（对照你定义的Outcome） 3. 意图分组 — 自动按用户想做什么分类（不是按关键词，是语义理解） 4. 优先级排序 — 告诉你修什么最有价值
Intencion目前处于早期阶段，具体定价页面尚未公开。但基于其YC背景和同类SaaS定价参考，预计会有免费层（适合个人/小团队）和按任务量计费的专业版。
这个品类在国内几乎空白。国内的Agent监控还停留在"调用了多少次API"、"Token消耗多少"的基础指标层面。没有人从产品角度分析Agent的"任务质量"。
最接近的是LangSmith/LangFuse等LLM可观测性工具，但它们聚焦在trace级别（每次调用的延迟、Token），而Intencion聚焦在任务级别（用户意图是什么、结果好不好、下一步怎么改）。
Paseo 是一个开源的统一编码Agent界面。它不是一个新Agent——它是所有编码Agent的遥控器。
支持：Claude Code、OpenAI Codex、GitHub Copilot、OpenCode、Pi——通过同一个界面使用，从手机、桌面、Web或CLI。
现实场景：你在公司用Claude Code写代码，回家想用手机继续跟进任务。或者你想让Claude Opus做架构设计，同时让Codex跑测试，两个Agent并行工作。
现在怎么做？打开多个终端窗口，手动切换。Paseo让这一切从一个界面完成。
graph LR
subgraph Clients["客户端"]
M["📱 手机<br/>iOS/Android"]
D["🖥️ 桌面App"]
W["🌐 Web"]
C["⌨️ CLI"]
end
subgraph Daemon["Paseo Daemon<br/>(本地运行)"]
MG["Agent管理器"]
VP["Voice<br/>语音控制"]
end
subgraph Providers["Agent后端"]
CC["Claude Code"]
CX["OpenAI Codex"]
CP["GitHub Copilot"]
OC["OpenCode"]
PI["Pi"]
end
M --> MG
D --> MG
W --> MG
C --> MG
MG --> CC
MG --> CX
MG --> CP
MG --> OC
MG --> PI
VP --- MG
# CLI安装
npm install -g @getpaseo/cli
paseo # 启动daemon，显示QR码供手机扫描
# 桌面App
# 从 paseo.sh/download 下载
使用示例：
# 用Claude Opus做架构设计
paseo run --provider claude/opus-4.6 "设计用户认证系统"
# 同时用Codex在另一个分支写测试
paseo run --provider codex/gpt-5.4 --worktree feature-x "写单元测试"
# 查看所有运行中的Agent
paseo ls
# 向某个Agent追加指令
paseo send abc123 "也加上集成测试"
国内没有类似产品。Cursor和Windsurf都是单一Agent IDE，不支持多Provider并行。Paseo的独特价值在于它不绑定任何一家AI厂商，你甚至可以在同一个项目中混合使用不同Agent——让最擅长的模型做最擅长的事。
| 维度 | 你可能知道的 | 你不知道的 |
|---|---|---|
| Token成本 | 选便宜模型、写好Prompt | CLI输出源头可以压缩91.8%的Token |
| Agent权限 | Prompt里写"只有管理员可以..." | 配置文件级别的访问控制，模型无法绕过 |
| Agent分析 | 看API调用量和Token消耗 | 按用户意图分析任务质量，数据驱动优化 |
| 多Agent管理 | 开多个终端窗口手动切换 | 一个界面管所有Provider，手机远程操控 |
| 团队Agent | 给每人发一个API Key | 四格权限矩阵+容器隔离+消息路由 |
今天就能做的：
brew install zdk/tools/lowfat，配到Claude Code Hook里，立刻开始省钱。一周后跑lowfat stats看效果。pnpm start体验Dashboard。npm i -g @getpaseo/cli && paseo，扫描QR码连接手机。本周内做的：
lowfat history分析你最高频的命令，针对写自定义.lf过滤器。本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。