插件市场

发现 LLM 工作流、使用量与预算情况，为优化提供依据。

审阅 Caveman 采集的 LLM 使用证据，判断优化依据是否充分。

分析 Agent 使用方式和 Token 开销，寻找上下文与工作流优化机会。

管理 Caveman 云端实验的生命周期，查看运行状态与优化结果。

经用户批准后开展对照实验，评估并优化 LLM 工作流的成本与效果。

配置 Caveman 的 LLM 预算和网关，监测与控制使用成本。

为 AI 应用添加 DeepEval 评估、调用追踪、数据集、Confident AI 报告和迭代改进流程。

面向开源模型工程平台 Langfuse 的 Skill，覆盖调用追踪、提示词管理和评估。

将 Claude Code 的调用轨迹、跨度和会话遥测采集并导出至 Langfuse，用于模型监测、调试和评估。

使用 MLflow 追踪、评估和改进 AI Agent，覆盖埋点、追踪、评估、迭代与验证的完整循环。

生成个人 Claude Code 使用成效报告，展示交付、项目与使用占比；在本地读取会话和只读 Git，仅发送计数及项目名用于撰写，报告留在本机。

读取本地 Claude Code 会话记录，生成可探索的 HTML 使用报告，分析令牌、缓存效率、子 Agent、Skill 和开销最高的提示词。

识别代码库中的 AI Agent，选择 Python SDK、TypeScript SDK、前端 trackAgent() 或 Conversations API 接入 Pendo Agent Analytics。

识别 MCP 服务器使用的 Python、TypeScript 或 Go 语言，并通过对应 Pendo SDK 将工具调用接入 Agent Analytics。

实时查看本机 Copilot Agent、子 Agent、执行命令和数据去向的关系图。

通过 Arize AX 进行 LLM 追踪、埋点、数据集管理、实验、评测和提示词优化。

查看当前 Copilot 会话的提示词缓存复用、失效时间、Token 构成和 AI Credit 成本，不额外调用模型。

按日期、模型和会话查看本地 Copilot Token 用量，并提供效率建议。

使用 Phoenix 调试和评测 LLM 应用，提供 CLI 调试、评测流程和 OpenInference 追踪埋点指引。

通过实时 Workshop 仪表板查看 Agent 信号、诚实度校准、成本配置和默认拒绝的本地委派状态。