sniffly

GitHub
1.2k 105 非常简单 1 次阅读 今天MITAgent图像开发框架
AI 解读 由 AI 自动生成,仅供参考

Sniffly 是一款专为 Claude Code 用户打造的本地化数据分析仪表盘,旨在帮助用户更深入地理解和使用这款 AI 编程助手。它通过解析本地的 Claude Code 日志,直观展示使用统计、错误类型分布以及详细的指令交互历史,让用户清晰看到 AI 在哪些环节容易出错,从而优化提示词策略并避免重复失误。

这款工具特别适合频繁使用 Claude Code 的开发者、技术团队负责人及 AI 研究人员。对于需要复盘协作流程或分享最佳实践的团队,Sniffly 提供了独特的“可共享仪表盘”功能,支持生成链接将脱敏后的统计数据与指令记录安全地分享给同事,便于知识沉淀与团队协作。

Sniffly 的核心亮点在于其严格的隐私保护机制与便捷的部署方式。所有数据处理均在用户本地机器完成,对话内容默认不会上传至任何服务器,且无遥测收集,确保代码与业务逻辑绝对安全。同时,它基于 Python 构建,支持通过 UV 或 pip 一键安装启动,无需复杂配置即可在浏览器中访问可视化界面。无论是个人开发者想要提升单兵作战效率,还是团队希望量化 AI 辅助编程的效果,Sniffly 都是一个轻量、安全且实用的分析伴侣。

使用场景

某后端团队在重构遗留代码库时,资深工程师利用 Claude Code 辅助生成大量迁移脚本和单元测试,但团队难以量化其实际产出与潜在风险。

没有 sniffly 时

  • 黑盒式协作:团队成员各自运行 Claude Code,其他人无法查看具体的指令历史和上下文,导致重复劳动或指令风格不统一。
  • 错误归因困难:当生成的代码出现批量报错时,只能人工翻阅终端日志,难以快速统计是模型幻觉、上下文超限还是提示词不当导致的。
  • 用量盲区:管理者无法得知项目消耗了多少 Token 或进行了多少次交互,难以评估 AI 辅助开发的真实成本效益。
  • 知识沉淀缺失:优秀的提示词(Prompt)和调试过程散落在个人终端历史记录中,无法形成可复用的团队资产。
  • 复盘效率低下:周会回顾时,依靠口头描述或截图分享工作流,缺乏直观的数据图表支撑,沟通成本极高。

使用 sniffly 后

  • 透明化指令流:通过本地仪表盘,团队成员可一键浏览所有指令历史,快速理解同事的解题思路并复用高效提示词。
  • 精准错误分析:sniffly 自动将错误分类可视化,团队能立即发现“上下文截断”是主要失败原因,从而针对性优化输入策略。
  • 数据驱动决策:仪表盘清晰展示每日交互量与 Token 消耗趋势,让管理者直观看到 AI 在特定模块的效率提升数据。
  • 资产共享便捷:利用“分享”功能生成脱敏链接,将成功的重构案例和指令序列转化为团队内部的标准操作文档。
  • 高效复盘会议:直接投屏统计图表和命令 walkthrough,用客观数据替代模糊描述,大幅缩短技术复盘时间。

sniffly 将原本分散且不可见的 AI 交互过程,转化为可度量、可分析且可共享的团队智能资产。

运行环境要求

操作系统
  • 未说明 (基于 Python 和 uv/pip,通常支持 Linux
  • macOS
  • Windows)
GPU

不需要

内存

未说明 (配置项中包含每个项目最大缓存 500MB)

依赖
notes该工具完全在本地运行,无需联网处理数据。推荐使用 'uv' 进行安装和管理。默认在本地主机端口 8081 启动 Web 仪表盘,若在远程服务器运行需配置端口转发。无遥测数据,共享仪表盘功能为可选。
python3.10+
uv (推荐)
sniffly
sniffly hero image

快速开始

Sniffly - Claude Code 分析仪表板

分析 Claude Code 日志,帮助您更好地使用 Claude Code。

网站 | 快速入门 | 功能 | 可共享的仪表板

📊 功能

了解您的使用模式

错误分类

查看 Claude Code 在哪些地方容易出错,从而避免这些错误。

消息历史分析

回顾您所有的指令,必要时可以与同事分享。

🚀 快速入门

  • 要求:Python 3.10+

使用 UV(推荐)

请确保已安装 uvhttps://github.com/astral-sh/uv

# 一次性执行(无需安装)
uvx sniffly@latest init
# 安装软件包
uv tool install sniffly@latest
sniffly init

运行 sniffly init 后,在浏览器中访问 http://localhost:8081(或您选择的主机/端口)即可打开仪表板。

如果您在远程服务器上运行 Sniffly,请使用端口转发,以便在本地计算机上打开浏览器。

使用 pip

pip install sniffly
sniffly init

从源代码安装

git clone https://github.com/chiphuyen/sniffly.git
cd sniffly
pip install -e .
sniffly init

🔧 配置

常见设置

# 更改端口(默认:8081)
sniffly config set port 8090

# 禁用自动打开浏览器
sniffly config set auto_browser false

# 显示当前配置
sniffly config show

所有配置选项

默认值 描述
port 8081 服务器端口
host 127.0.0.1 服务器主机
auto_browser true 启动时自动打开浏览器
cache_max_projects 5 内存缓存中的最大项目数
cache_max_mb_per_project 500 每个项目的最大 MB 数
messages_initial_load 500 初始加载的消息数量
max_date_range_days 30 日期范围选择的最大天数

有关所有选项和命令,请参阅完整的CLI 参考文档

💡 分享您的仪表板

您可以创建一个链接,与同事分享您项目的统计数据和指令。

  1. 在仪表板中点击“📤 分享”按钮
  2. 选择隐私选项:
    • 私密:只有拥有链接的人才能查看
    • 公开:会列在公共图库中
    • 包含指令:分享您的实际指令文本
  3. 复制并分享生成的链接

🚨 故障排除

常见问题

sniffly help

端口已被占用?

# 使用其他端口
sniffly init --port 8090

# 或更改默认端口
sniffly config set port 8090

浏览器未打开?

# 检查设置
sniffly config show

# 启用自动打开浏览器
sniffly config set auto_browser true

# 或手动访问 http://localhost:8081

配置问题?

# 查看所有设置及其来源
sniffly config show

# 将某个设置重置为默认值
sniffly config unset port

# 删除所有自定义配置
rm ~/.sniffly/config.json

如需更多帮助,请参阅GitHub 问题页面

🔐 隐私

Sniffly 完全在您的本地机器上运行:

  • ✅ 所有数据处理都在本地进行
  • ✅ 无遥测数据
  • ✅ 您的对话绝不会离开您的电脑
  • ✅ 共享的仪表板仅限于自愿参与

📄 许可证

MIT 许可证 - 请参阅LICENSE 文件。

🔗 链接

常见问题

相似工具推荐

openclaw

OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你

349.3k|★★★☆☆|昨天
Agent开发框架图像

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|2天前
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

143.9k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

107.9k|★★☆☆☆|昨天
开发框架图像Agent

markitdown

MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器

93.4k|★★☆☆☆|昨天
插件开发框架

LLMs-from-scratch

LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备

90.1k|★★★☆☆|昨天
语言模型图像Agent