过去一段时间我在用 OpenCode 写代码的时候越来越明显地有一个感觉AI Coding 现在缺的可能已经不是“它会不会写”而是“它这次到底是怎么写的”。在 demo 里AI 工具看起来都很顺。你提一个需求它吐一段代码事情好像就结束了。但真到了日常开发里情况没这么简单。一个任务会有 session 分叉会不断有 message 更新会反复调用工具还可能在不同 agent 之间切来切去。这个时候终端当然还能看但它更像是一个结果窗口不太像一个观察窗口。你能看到最后输出了什么但很难很快回答这些问题这个任务到底经过了几个 session哪一步开始分叉了中间调用了哪些工具哪些内容是流式更新出来的某条异常前后的 payload 到底是什么这次大概花了多少 token 和 cost而这些问题恰恰是你真正把 AI Coding 用进真实开发之后越来越常见的问题。所以我做了一个 OpenCode 插件叫wentianen/opencode-viewer。项目地址github.com/wentianen/o…先看一眼界面它不是要替代 OpenCode也不是想把终端再包一层更花的 UI。它更像是给 OpenCode 加了一个“活动观察层”把本地运行过程中产生的 session、message、tool、chat 这些事件记录下来然后在浏览器里用一个 Viewer 把它们组织起来。这件事听起来不复杂但我觉得很有必要。因为 AI Coding 一旦进入深水区你需要的就不只是“生成代码”而是“看清过程”。opencode-viewer现在做的事情也很直接。它会在本地接入 OpenCode 的活动事件当前已经覆盖了session.*、message.updated、message.part.updated、message.part.removed、tool.execute.before、tool.execute.after和chat.message。这些信息不是只用来看热闹的它们拼起来基本就能把一次 agent 执行链路还原个七七八八。在界面上我主要做了四块内容。第一块是 Session List。它不是简单列一个 session id而是把 session 的层级关系摊开让你能看到任务是怎么一路分出去的。对于已经开始用多 session、分支协作的人来说这一点很重要因为很多问题本来就不是发生在“最后那个结果”里而是发生在某一次分叉之后。第二块是 Timeline。这个区域把 chat、message、tool、session 这些记录揉在一条交互流里看你可以按类型筛也可以点进具体记录。终端的问题在于它天然是线性的但 agent 的执行过程其实不是。Timeline 的价值就是把这种非线性的执行过程尽量压成一个能读懂的顺序视图。第三块是 Detail。很多时候你不是不知道“出问题了”而是不知道“到底哪段 payload 不对”。所以我把原始事件体保留下来点开就能直接看完整 payload。调工具、看 message 细节、复盘一次异常这种时候就会很省事。第四块是 Usage Overview。这个部分会把 tokens、cost、sessions、messages 汇总出来。平时大家都在聊模型能力但真到长期使用阶段你迟早会开始关心另外几个问题这次为什么更贵了这个任务为什么消息数突然变多了某个 session 为什么明显更重。到这一步可观察性就不再是锦上添花而是实用功能了。我自己觉得这个插件至少适合三种场景。第一种是你已经开始频繁用 OpenCode 做真实开发不再满足于“能跑就行”而是想知道它到底做了哪些动作。第二种是你在排查 agent 行为。比如它为什么调了这个 tool为什么这轮 message 是这样长出来的为什么某个 session 后面突然开始偏题。这个时候有一个能回看的 Viewer比翻终端历史轻松得多。第三种是你开始在意成本和复盘。AI Coding 一旦从玩具变成生产力工具你就会关心 token、cost、消息数量、工具调用频率这些东西。你不一定每天都盯着它们但当它们异常的时候你需要一个地方能把原因翻出来。还有一点我自己比较在意这个 Viewer 是本地的。它默认会在本地启动一个 service然后用浏览器打开页面。日志也是本地落地不是把你的活动数据扔到远端再给你一个后台看。对这类开发工具来说我觉得“离你近”很重要。你装上、启动、看结果整个反馈链路应该尽量短。如果你想试一下配置也很简单。把插件加到opencode.json里就行{ $schema: https://opencode.ai/config.json, plugin: [wentianen/opencode-viewer] }这个配置可以放在~/.config/opencode/opencode.json也可以放在项目根目录的opencode.json。正常启动 OpenCode 之后插件会自动安装并尝试拉起本地 Viewer service。我并不觉得 AI Coding 接下来的关键只是“再换一个更强的模型”。至少对已经开始重度使用的人来说下一步很可能是把 agent 的执行过程看清楚。很多时候效率提升不是来自“它又多写了多少代码”而是来自“你能不能更快弄明白刚才到底发生了什么”。这也是我做opencode-viewer的原因。如果你也在用 OpenCode而且已经开始碰到“过程看不清、问题不好复盘、成本没法感知”这些问题那这个插件大概率会比你想象中更有用。学习资源推荐如果你想更深入地学习大模型以下是一些非常有价值的学习资源这些资源将帮助你从不同角度学习大模型提升你的实践能力。一、全套AGI大模型学习路线AI大模型时代的学习之旅从基础到前沿掌握人工智能的核心技能​因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取二、640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示​因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取三、AI大模型经典PDF籍随着人工智能技术的飞速发展AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型如GPT-3、BERT、XLNet等以其强大的语言理解和生成能力正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取四、AI大模型商业化落地方案作为普通人入局大模型时代需要持续学习和实践不断提高自己的技能和认知水平同时也需要有责任感和伦理意识为人工智能的健康发展贡献力量。