同一台开发机里同时跑 Codex、Claude Code、Cursor 或其他 coding agent 后，最难回答的往往不是“用了哪个模型”，而是更落地的问题：一次任务到底消耗了多少 token，工具调用在哪一步失败，数据该不该离开本机，以及不同 agent 的日志怎样才能放进同一个排查视图。各家都留有自己的 session、hook 和本地文件，但格式并不相同，手工拼装既脆弱也不利于审计。

今天看的是 alibaba/loongsuite-pilot。它是一个运行在本机的 AI coding agent telemetry collector：先发现已安装的 agent，再安装对应 hook 或 plugin、读取本地 session/log 数据，归一为一套 GenAI event schema，最后按需输出为本地 JSONL、HTTP、Alibaba Cloud SLS 或 OTLP trace。它还带有本地 dashboard，展示 token、session、request、tool、model、provider 与 repository activity；数据默认可以先只留在 ~/.loongsuite-pilot/。

按 GitHub 仓库网页、README、LICENSE、main 分支提交页与 Releases 页面在 2026-09-17 18:10 Asia/Shanghai 可核验的信息，alibaba/loongsuite-pilot 当前有 187 stars、45 forks，主要语言为 TypeScript，license 为 Apache-2.0。仓库创建于 2026-06-04 07:38:51 UTC，latest push 为 2026-09-17 09:57:23 UTC。当前 main HEAD 是 f407ef0，其提交聚焦将 Claude Code 的 trace context 继续传给 LLM gateway；最新 GitHub Release 是 v1.9.0，发布于 2026-09-15 02:47 UTC。

项目概览

属性详情
仓库alibaba/loongsuite-pilot
定位本地优先的 AI coding agent telemetry collector
Stars / Forks187 / 45
主要语言TypeScript
许可证Apache-2.0
创建时间2026-06-04 07:38:51 UTC
Latest push2026-09-17 09:57:23 UTC
最新 main commitf407ef0，扩展 Claude Code 到 LLM gateway 的 trace context 传播
最新 Releasev1.9.0，2026-09-15 02:47 UTC
输出JSONL、HTTP、Alibaba Cloud SLS、OTLP trace

有意思的地方是先统一采集边界

Pilot 的思路不是要求每个 agent 替换成同一套 runtime，而是把边界放在开发机上。README 所列集成覆盖 Claude Code、Codex、Cursor、OpenCode 等：有的用 hook，有的读 session/log，有的通过 plugin 注入。接入后，agent 原生的事件被映射进共享 schema；团队就能用同一种维度看 token、turn、tool 与会话活动，而不是为每个工具写一套 parser。

这对同时评估多个 agent 的团队尤其有用。比如先把输出保留为本地 JSONL，核对某个 repository 的 agent 活动与成本；确认字段、留存周期和内容策略后，再把 trace 打进已有 OpenTelemetry backend。采集与导出是两层选择，不必为了看一个本地 dashboard 就先把所有 prompt 送往远端。

本地默认值让试用成本更低

README 给出的 Linux/macOS 安装路径是下载 installer，然后检查 service 状态：

curl -fsSL https://loongcollector-community-edition.oss-cn-shanghai.aliyuncs.com/loongsuite-pilot/installer.sh \
  -o /tmp/loongsuite-pilot-installer.sh
bash /tmp/loongsuite-pilot-installer.sh install

loongsuite-pilot status
loongsuite-pilot info

默认的本地 JSONL 在 ~/.loongsuite-pilot/logs/output/，dashboard 随 collector 启动，默认地址是 http://127.0.0.1:8765/。因此第一轮试用可以是：只接入一台非生产机器、只保留本地日志、跑几次真实的 coding task，再决定是否启用 HTTP 或 OTLP。它还提供 start、stop、restart、token-usage 与 rollback，对想把试验限定在一台机器上的开发者相当友好。

可观测性工具也要先做数据分级

这个项目最值得认真看的不是 dashboard，而是 privacy boundary。它可以采集 conversation 与 tool call，README 同时提供每个 agent 的 content capture policy 和 secret masking，并说明 JSONL、SLS、HTTP、OTLP 都是可选目的地。这里不能把“本地 collector”直接等同于“不会泄露内容”：一旦打开内容采集或远程 exporter，prompt、命令参数、路径乃至 tool 输出都有可能进入你的留存系统。

比较稳妥的顺序是先阅读 agent configuration 与 data-masking 文档，明确哪些字段允许记录；用假数据确认脱敏；再为 OTLP/HTTP 配最小权限的 endpoint。README 也说明不同 agent、特别是 Windows 上的集成能力并非完全一致，未列在明确支持矩阵里的组合应先做实际验证。快速演进的 hook 项目还应在升级前检查 release notes，并保留 rollback 路径。

总结

alibaba/loongsuite-pilot 的价值不在于又造一个“AI 看板”，而在于把不同 coding agent 的本地痕迹收敛到可选择、可审计的出口。若你正在比较多种 agent、需要把 token 与工具活动接到现有 OpenTelemetry 工作流，又不希望第一步就把开发记录全量上传，它值得先以“只写本地 JSONL”的方式试一轮。确认采集范围、脱敏规则和各 agent 的兼容性之后，再逐步打开远程导出会更像工程上的正确顺序。

项目地址：https://github.com/alibaba/loongsuite-pilot