← 返回重点项目
查看 GitHub 项目

FankChen/tracecrate

一句话定位

TraceCrate——Local-first AI Agent Trace Workbench；客户端解析 Claude Code / Codex / OTLP 日志，生成可搜索 timeline + recorded metrics + heuristic diagnostics + side-by-side 对比；无后端、无遥测、无账号、无 API key。

它解决的问题

2025-2026 年 AI Coding Agent（Claude Code / Codex / Aider 等）在开发者工作流中渗透，但运行结果的可观测性是空白——Langfuse / Helicone / Phoenix 等 AI observability 平台都要 SaaS 接入或本地部署服务端，企业对"agent 行为日志外发"有隐私顾虑。TraceCrate 把"只看 / 不执行"的只读工作台完全 client-side 化——用户打开本地日志文件，浏览器内解析、对比、导出，无需任何后端服务。这是面向"agent 用户不信任 SaaS 但又想看自己 trace"的精准切入。

为什么值得关注（2026-09-12）

热度来源判断

TraceCrate 处于 AI observability 赛道——Langfuse、Helicone、Phoenix、Arize、LangSmith 等都在抢"AI Agent 可观测性"的位子。TraceCrate 的差异化是「local-first + 只读 + 无后端」三哲学合一——不与 SaaS observability 平台正面竞争，而是占据"用户不信任 SaaS"的细分。热度来源是「AI Agent 可观测性需求 × 企业隐私顾虑 × 浏览器内本地解析技术成熟」三因素叠加。但 fork=2 / 92⭐ 反映早期阶段，主要是被「隐私 + 哲学」吸引的用户群。热度真实但属于「细分市场」，能否扩展取决于支持的日志格式丰富度。

关键技术亮点

  1. Local-first 架构：浏览器内解析本地日志文件，无后端无遥测无账号无 API key
  2. 多格式日志解析：Claude Code / Codex / OTLP（OpenTelemetry）三种主流日志格式
  3. 可搜索 timeline + recorded metrics：把 agent 运行 trace 转换成可视化 timeline + 性能指标
  4. side-by-side 对比：多个 agent run 并排对比，便于 A/B 测试 prompt / 模型 / 工具
  5. heuristic diagnostics：启发式诊断（识别异常模式、超时、错误循环等）
  6. privacy-conscious 导出：可导出报告但不含敏感数据
  7. Live demo 透明诚信：截图明确标注"all events and values are synthetic demo data, not benchmark results"

架构师速览

决策问题 研究判断 证据边界
系统边界 单页 Web App（React + Vite）+ 浏览器内本地日志解析；Live demo 静态托管（GitHub Pages）；无后端服务 仅基于 README + GitHub 元数据；具体日志解析器实现（OTLP 兼容深度）、性能基准、移动端兼容均待核验
主路径 用户上传/选择本地日志文件 → 浏览器内解析 → 生成 timeline + metrics → 用户交互（搜索 / 对比 / 诊断）→ 可选导出报告 主路径为 README 语义抽象；大文件解析性能、并发会话管理、浏览器存储限制均待核验
关键权衡 local-first 隐私 vs 日志格式兼容性 vs 仅客户端功能边界 vs "导出"产品哲学漂移 vs 早期阶段生态 档案明示「privacy-first」哲学与仅客户端不执行特性；导出功能边界、Claude Code / Codex 日志格式变化适应机制均待核验
最小 PoC 浏览器打开 Live demo（fankchen.github.io/tracecrate）；选一个 Claude Code JSONL 日志；查看 timeline；做 side-by-side 对比两个 run；导出过滤后的报告 PoC 范围与退出路径由档案"先 demo / 后本地、最小化数据外发、可审计"原则推导；具体 OTLP 兼容深度、性能基准、扩展能力均待核验
依赖与红线 依赖 Node.js ≥22.12；MIT license；浏览器内解析意味着大日志文件受浏览器内存限制；GitHub Pages 托管 demo 数据均为合成 依赖与红线均来自 README + GitHub 元数据；具体大文件流式解析能力、移动端 PWA 支持、多语言均待核验

架构图（MMD）

证据边界：此图只采用本档案已有可核验描述；“待核验”节点不应视为项目实现事实。

flowchart LR
  User[Agent 开发者] -->|上传本地日志文件| Browser[浏览器内 React + Vite]
  Browser -->|解析| Parser[本地日志解析器
Claude Code / Codex / OTLP]
  Parser -->|timeline + metrics| View[可视化视图]
  View -->|搜索 / 对比 / 诊断| User
  View -.可选导出过滤后报告.-> Export[privacy-conscious 导出]
  Browser -.无后端无遥测.-> NoBackend[无 SaaS 依赖]
  Browser -.GitHub Pages 静态托管.-> Demo[Live demo 数据为合成]
  Parser -.浏览器内存限制.-> Limit[大文件流式解析能力 待核验]
  View -.哲学漂移风险.-> Philosophy[只读不执行边界]

架构启发

TraceCrate 的核心启发是 「只读工作台完全 client-side 化」——不与 SaaS observability 平台正面竞争，而是占据"用户不信任 SaaS"的细分。更深层的启发是「截图透明诚信」——明确标注"all events and values are synthetic demo data, not benchmark results"，避免误导用户。最值得借鉴的是「多格式日志解析 + side-by-side 对比」的工程选择——不追求支持所有 agent，而是把主流（Claude Code / Codex / OTLP）做扎实，配合 A/B 对比工作流。哲学边界（只读不执行）是产品灵魂，不能漂移。

定位判断

工具型项目（local-first AI observability 工作台）。 TraceCrate 与 Langfuse / Helicone / Phoenix / Arize / LangSmith 处于同一赛道，但走"local-first + 只读 + 无后端"的差异化路线。真正的差异化是「隐私哲学」——不与 SaaS observability 平台正面竞争，而是占据"用户不信任 SaaS"的细分。能否扩展取决于：(a) 支持的日志格式丰富度（决定用户覆盖）；(b) 浏览器内大文件解析性能（决定实际可用性）；(c) "导出"功能的隐私边界（决定哲学是否漂移）；(d) 是否扩展到更多 agent（Aider / Cursor / Continue 等）。当前定位是"最有哲学深度的 local-first observability 工作台"，向主流 AI observability 演进是合理路径。

风险 / 局限 / 泡沫点

与同类项目的关系

是否值得持续跟踪

值得跟踪（local-first observability 哲学）。 TraceCrate 代表了"agent 用户不信任 SaaS 但又想看自己 trace"的细分需求，无论其本身成败，这一方向会持续影响 AI observability 赛道。建议关注：(a) 支持的日志格式丰富度（决定用户覆盖）；(b) 浏览器内大文件解析性能（决定实际可用性）；(c) "导出"功能的隐私边界（决定哲学是否漂移）；(d) 是否扩展到更多 agent。对 AI Agent 隐私敏感用户，这是必看项目。对 AI observability 观察者，它是"local-first 哲学"的代表样本。

后续观察点

首次记录：2026-09-12