日报 — 2026-02-12

今日概览

• 做了什么： 跨两台设备完成了两项独立任务：一是将 MIHD 项目的英文增强计划翻译整理为结构化中文版，二是为 ccusage 工具添加 GLM 模型计费支持并完成格式/类型检查验证
• 怎么做的： DCC 端通过读取文件后 AI 压缩输出中文摘要；tianhe 端通过探索 ccusage 代码库的定价加载链路，在 _pricing-fetcher.ts 中添加本地 JSON 文件读取与合并逻辑，并经过多轮 TypeScript/ESLint 错误修复达到可通过检查的状态
• 有什么用： MIHD 计划文档可读性显著提升便于团队对齐；ccusage 现可自动读取本地 ccusage.json 计算 GLM 模型费用，解决了原来仅支持 Claude 计费的核心痛点

DCC

• 做了什么： 阅读并翻译 MIHD 项目 /docs/ENHANCEMENT_PLAN.md，生成结构化中文版增强计划
• 怎么做的： AI 读取原始 Markdown 文件，按 6 个 BIG AIM 逐一压缩提炼，保留文件名、CLI 参数、配置字段等关键细节
• 有什么用： 为后续按阶段实施 MIHD 归一化、Q-Former、批次校正等功能提供了清晰的中文参考文档

tianhe

• 做了什么： 为 ccusage 实现 GLM/本地定价文件加载功能，修复多个 TypeScript 与 ESLint 错误直至 format/typecheck/目标测试全部通过
• 怎么做的： 探索 _pricing-fetcher.ts、_macro.ts、packages/internal/pricing.ts 链路，在 loadLocalPricing() 函数中通过 node:fs/promises 读取本地 JSON 并与预取 Claude 定价合并；迭代修复 Result.try() 调用方式错误、process 全局变量 ESLint 报错、sample_spec 元数据误入定价表等问题
• 有什么用： ccusage 现支持通过 CCUSAGE_PRICING_FILE 环境变量或默认路径 ~/.ccusage/ccusage.json 加载任意 LiteLLM 格式定价，GLM 计费问题得到根本解决

在 tianhe 设备完成 ccusage GLM 计费支持的代码实现与调试，在 DCC 设备完成 MIHD 增强计划的中文版本整理

今日任务

架构与策略

• 🔄 ccusage GLM 模型计费支持 — 在 apps/ccusage/src/_pricing-fetcher.ts 中添加 loadLocalPricing() 函数，支持从本地 LiteLLM 格式 JSON 文件（默认 ~/.ccusage/ccusage.json，可通过 CCUSAGE_PRICING_FILE 覆盖）加载定价数据并合并至离线缓存。format/typecheck 和 _pricing-fetcher.ts 定向测试已通过；全局测试中 apps/amp 存在与本次改动无关的失败

实现与修复

• ✅ MIHD 增强计划中文翻译 — 将 ENHANCEMENT_PLAN.md 中的 6 个 BIG AIM（归一化、UNI2+scGPT 实验、Q-Former/LLaVA、Niche 查询、批次校正、全流程配置化）翻译为结构化中文版，保留文件名、CLI 参数和配置字段等关键实现细节

问题与解决方案

关键问题

1. Result.try() 在 @praha/byethrow 库中返回的是一个函数而非直接结果，AI 初始代码将其当作直接结果使用导致 TypeScript 类型错误

解决方案: 将 const parsedResult = Result.try({...}) 改为 const parseLocalPricing = Result.try({...}); const parsedResult = parseLocalPricing();

关键洞察: Result.try() 是高阶函数，返回可复用的解析器函数，调用该函数才返回 Result<T, E>；这是该库不同于常见 Result monad 实现的特殊之处

2. 本地 ccusage.json 包含 sample_spec 等元数据键，经 valibot schema 解析后被当作空定价条目处理，导致测试断言「只有包含 token 成本字段的条目才应被加载」失败

解决方案: 在 schema 解析通过后额外检查 input_cost_per_token != null || output_cost_per_token != null，过滤掉无定价数据的条目

关键洞察: LiteLLM 定价 JSON 中混有描述文档（sample_spec）和真实模型条目，需在 schema 层之外再加业务语义过滤

一般问题

3. ESLint 规则禁止直接使用全局 process 对象，AI 在新代码中使用了 process.env.CCUSAGE_PRICING_FILE 导致 lint 失败

解决方案: 在文件顶部添加 import process from 'node:process'

关键洞察: 该项目强制要求所有 Node.js 内置对象通过 node: 协议显式导入，是 ESLint 配置的严格约束

4. ccusage 环境中 pnpm 命令不存在，corepack 因网络权限 EPERM 无法下载 pnpm，导致无法运行 format/typecheck/test

解决方案: 用户自行安装 pnpm 后，以提升权限重新运行 pnpm install，成功安装 930 个依赖包

关键洞察: HPC 集群环境对 ~/.cache/node/corepack 目录无写权限，且 npm registry 网络受限，需要用户手动安装包管理器

人类思路 vs AI 思路

战略层面

GLM 定价数据来源

角色	思路
人类	用户主动指出本地已有包含 GLM 条目的 /HOME/sysu_gbli2/sysu_gbli2xy_1/.ccusage/ccusage.json 文件，直接要求 AI 利用该现有文件
AI	AI 最初的方案是在代码中手动添加 GLM provider prefix 并扩展 isClaudeModel 过滤函数，未意识到用户已有完整的本地定价文件

差异分析: 人类知道存在现成的数据资产，避免了重复造轮子；AI 的默认思路是修改代码逻辑而非复用已有数据文件

实现层面

pnpm 环境问题处理

角色	思路
人类	用户自行安装 pnpm 解决环境问题，反馈「now I installed pnpm」
AI	AI 尝试通过 corepack、调整 XDG_CACHE_HOME 等变通方法绕过权限问题，但均失败

差异分析: 对于 HPC 集群上的工具链安装问题，人类直接解决根本（安装工具）比 AI 的迂回方案更高效

AI 局限性

重要局限

• 对 @praha/byethrow 库的 Result.try() API 存在误用：假设其行为与常见 Result monad 实现相同（直接返回结果），实际上它返回的是一个可复用的解析器函数，需要额外调用才能获得结果，导致需要两轮修复
• 首次实现时未考虑到 LiteLLM 定价 JSON 中混有非定价元数据键（如 sample_spec），导致测试失败后才补充了 token cost 字段的业务过滤逻辑

一般局限

• 未能预判 HPC 集群环境的网络和权限限制，多次尝试通过 corepack 安装 pnpm 均因 EPERM 或网络 fetch 失败，浪费了大量轮次才意识到需要用户手动解决

今日收获

核心收获

• @praha/byethrow 的 Result.try({try, catch}) 返回一个函数（工厂模式），而非直接执行并返回 Result；这与 Rust/fp-ts 等常见 Result 实现不同，需特别注意
• ccusage 的离线定价通过 _macro.ts 中的 isClaudeModel 函数在构建时预过滤，仅保留 Claude 相关模型；扩展多模型支持需要在该 macro 和 _pricing-fetcher.ts 两处同步修改
• MIHD 项目计划按严格依赖顺序实施：配置基础（Idea 6 Phase 1）→ 归一化 → UNI2+scGPT 实验 → Q-Former/LLaVA → Niche 查询 → 批次校正 → 完整配置收口，这个顺序设计是为了避免重构成本累积

实践收获

• 在 HPC 集群上使用 Node.js 项目时，包管理器（pnpm）和 corepack 可能因文件系统权限或网络隔离而失效，需要提前确认工具链可用性

会话摘要

MIHD

✅ MIHD 增强计划翻译：6 个 BIG AIM 的中文结构化版本 23:05:59.274 | codex 用户请求将 MIHD 项目的 ENHANCEMENT_PLAN.md 翻译为中文。AI 读取文件后，按归一化、UNI2+scGPT 实验、Q-Former/LLaVA 融合、Niche 查询、批次校正、全流程配置化 6 个模块逐一压缩，保留了文件名、CLI 参数和 YAML 配置片段等实现细节。最终生成了一份完整的中文版计划文档，包含依赖顺序、实施阶段和验证方案。

ccusage

🔄 为 ccusage 添加 GLM 模型计费支持：本地定价文件加载实现与多轮调试 15:47:15.640 | codex 用户先询问 ccusage 基本用法，随后提出需要计算 GLM 模型费用。AI 探索了定价链路（_pricing-fetcher.ts → _macro.ts → packages/internal/pricing.ts），发现离线模式仅预取 Claude 模型。用户指出本地已有包含 GLM 条目的 ccusage.json，AI 随即实现了 loadLocalPricing() 函数。调试阶段经历了 pnpm 缺失、Result.try() 误用导致的 TypeScript 错误、process 全局变量 ESLint 报错、元数据键误入定价表等四个问题，最终 format/typecheck 和 _pricing-fetcher.ts 定向测试全部通过，apps/amp 的无关测试失败未修复。

Token 用量

Claude Code

总览

指标	数值
总 Token	2,812,835
输入 Token	45,385
输出 Token	144
Cache 创建	368,229
Cache 读取	2,399,077
Cache 命中率	86.7%
总费用 (USD)	$1.7933

模型明细

模型	输入	输出	Cache 创建	Cache 读取	费用	占比
claude-opus-4-6	15	63	137,190	899,384	$1.3088	73.0%
claude-haiku-4-5-20251001	45,370	81	231,039	1,499,693	$0.4845	27.0%

Codex

总览

指标	数值
总 Token	2,078,880
输入 Token	2,058,788
输出 Token	20,092
推理 Token	9,479
Cache 读取	1,840,256
总费用 (USD)	$0.9858

模型明细

模型	输入	输出	推理	Cache 读取	费用	占比
gpt-5.2-codex	56,282	1,260	0	45,440	$0.0446	4.5%
gpt-5.3-codex	2,002,506	18,832	9,479	1,794,816	$0.9412	95.5%