可如果你追问几个问题：

• 它到底把哪些代码发给了模型？
• system prompt 里写了什么规则？
• 每次请求带了多少历史上下文？
• 为什么它选了这个工具，而不是另一个工具？
• token 花在哪里了？
• cache 有没有命中？
• 一次任务到底花了多少钱？

很多时候，我们并不知道。

这就是我最近关注的一个开源工具：ccglass。

GitHub 地址：https://github.com/jianshuo/ccglass

ccglass 是什么？

一句话概括：

ccglass 是一个 AI 编程 Agent 的本地观测工具，用来查看 Claude Code、Codex 等工具实际发送给大模型的请求内容。

它不是另一个 AI 编程助手，也不是模型 provider。它更像是一个透明的“观察层”。

当你用 Claude Code、Codex、DeepSeek-TUI、Reasonix、Kimi、OpenCode、Ollama、OpenRouter 等工具时，ccglass 可以在本地启动一个代理，把请求和响应记录下来，并通过 Web Dashboard 展示出来。

你可以看到：

• 模型收到的 system prompt
• 用户消息和 assistant 消息历史
• 工具列表和 tool schema
• tool call 和 tool result
• token 使用情况
• cache 命中情况
• 请求延迟
• 成本估算
• turn-to-turn 的上下文变化

这就像给 AI Agent 装了一块玻璃。以前你只能看到它的输出，现在你可以看到它“脑子里”收到的输入。

为什么现在特别需要这样的工具？

AI 编程已经从“补全工具”进入了“Agent 工具”阶段。

补全工具时代，我们关心的是：

它补的这段代码对不对？

Agent 工具时代，我们还要关心：

它为什么这么做？

这个区别很关键。

因为 Agent 不只是生成文本，它还会做决策。比如：

• 决定读哪个文件
• 决定运行哪个命令
• 决定是否修改代码
• 决定是否继续请求模型
• 决定哪些上下文应该保留
• 决定调用哪个工具

这些决策的质量，直接影响开发效率、代码质量和成本。

如果没有观测能力，我们只能靠猜：

• 它是不是没看到某个文件？
• 它是不是上下文太长导致重点丢失？
• 它是不是 system prompt 里有某条规则影响了行为？
• 它是不是工具 schema 太复杂，导致模型误判？
• 它是不是每轮都重复发送大量无效上下文？

ccglass 的价值就在这里：它把这些猜测变成可以检查的事实。

它和普通抓包工具有什么不同？

很多人可能会问：这不就是抓包吗？Charles、mitmproxy、Proxyman 不能做吗？

理论上可以，但实际并不总是好用。

现在很多 AI CLI 是 Node 或原生程序，它们不一定稳定遵守 HTTP_PROXY / HTTPS_PROXY。有些还会有自己的网络实现、认证方式或连接逻辑。直接 patch fetch 也容易因为客户端升级而失效。

ccglass 走的是另一条路：

1. 在本地启动一个代理服务。
2. 通过 OPENAI_BASE_URL、ANTHROPIC_BASE_URL 等环境变量，让 AI CLI 把请求打到本地代理。
3. 本地代理记录请求和响应。
4. 再把请求转发给真实的模型 API。
5. Dashboard 读取日志并可视化展示。

这种方式的好处是：

• 不需要安装 CA 证书
• 不需要处理 HTTPS 解密
• 不需要改客户端源码
• 对开发者更友好
• 更适合观察 AI Agent 的 prompt、tool call 和 token 使用

它不是为了替代通用抓包工具，而是专门为 AI 编程 Agent 的观测场景设计的。

快速安装

ccglass 是一个 Node 工具，安装很简单：

npm install -g ccglass

安装完成后，直接运行：

ccglass

它会出现一个交互式菜单，让你选择要观察的客户端。

也可以直接指定：

ccglass claude
ccglass codex
ccglass deepseek
ccglass kimi
ccglass opencode

比如观察 Codex：

ccglass codex

启动成功后，终端会输出一个 Dashboard 地址，类似：