0813 | CodeBurn·Cohesor·RightCard·Unsloth Desktop——AI工具简报

林岚: 大家好，欢迎收听 Bri 的 ProductHunt 产品分享，我是林岚。

陈序: 我是陈序。今天这一期，我们想聊聊最近在 Product Hunt 上冒出来、而且挺戳中开发者痛点的一批新产品。

林岚: 比如，有帮你把 AI 编程账单真正算清楚成本追踪器，也有声称不需要登录银行账户就能帮你挑信用卡的 Safari 扩展。

陈序: 还有能在本地跑起来的开源 AI 模型应用、帮团队同步 AI 代理成果的共享文件夹，甚至能让 AI 直接把截图贴到代码评审请求里的工具。

林岚: 从省钱、省心，到让智能体真正协作起来，这些产品的思路都不太一样。我们一个一个来聊。

林岚: 先看 CodeBurn，这是一款免费开源的 AI 编程成本追踪器，作者 Resham 做的，目标用户是重度使用多个 AI 编码智能体的开发者。它的出发点很直白：AI 编程工具只给你账单总额，不告诉你钱花在哪个模型、哪个项目，更不告诉你这些钱到底有没有产出。它的原理是去读工具已经写在本地的会话日志，所以支持 Claude Code、Cursor、Codex、Copilot 这些常见工具，作者说兼容四十个左右。功能上，它能把 token 和金额按任务、模型、项目、PR 拆开，还能按小时或星期显示消费的热力图表，也能浏览带标题的会话记录。更有意思的是它的一些工作流洞察，比如第一次编辑发生在多久之后、哪些文件被反复重做，还有一个 Optimize 标签页专门识别缓存膨胀、重试税这类浪费，可以自动修复、撤销，并统计省了多少钱。另外还有活动分类、一次性成功率、缓存命中率、A 到 F 的效率评分、预算和配额提醒，以及基于你自己数据的双模型对比。形态很全，命令行、桌面应用、macOS 菜单栏、GNOME 扩展、本地网页仪表盘和 MCP 服务器都有。作者声称无账户、无上传、MIT 许可、完全免费，已经被十五万以上开发者使用，估算的成本会明确标注是估算。

陈序: 社区里的反馈挺能说明它定位在哪。有个叫 Om Patel 的开发者发推说，有人每天在 Claude Code 上花两百多美元却零可见性，于是他就做了这个终端仪表盘。所以核心卖点就是把账对到实际产出上。有位有战略和风投背景的评论者说得很清楚：供应商自己的仪表盘擅长显示消耗了多少，但不擅长显示这些消耗完成了什么，他更关心的是单位有用 AI 工作的成本，而不是每 token 成本。这也解释了为什么它强调工作流洞察和效率评分，而不是停留在账单明细。不过也有一个开放问题：在有多个子代理并行、最后才合并进 PR 的编排场景下，CodeBurn 有没有把父任务下的子会话分组的机制，还是会把它们显示成好几个又贵又没归属的会话。这个材料里没看到回应。至少那位 GitHub 用户说的 reconciliation guarantee，也就是核对保证，让它用起来感觉安全，算是比较具体的信任背书。

林岚: 接下来是 Cohesor，它给自己的定位是面向企业 AI 代理的中立控制平面，放在 Claude Code、Codex、Cursor 这些 agent 和各种大模型之间。注意，这里产品方自述都算是声明，不是已验证的结果。官方声称可以压缩约百分之五十的 token，为每个请求路由到合适规格的模型，并按用户管控支出，还说通过一个端点、零代码改动，能把代理账单降低百分之六十到九十。产品页列出的模块包括智能路由、token 压缩、MCP 网关、治理、支出管理和可观测性，官方说支持一百多种模型、五十多个 MCP，每个请求大约在四十一毫秒内经过五个检查点，兼容 Anthropic 和 OpenAI 的协议，只要换 base URL 就能接入。

林岚: 他们给了一些具体数字和示例。比如一个四千零九十六 token 的请求被压缩到一千九百二十五，少了百分之五十三。路由示例里，同一个任务用不同的模型成本差很多：claude-opus-4.6 大概八百九十毫秒、十五美元，gpt-5 大概六百四十毫秒、十二美元，而 llama-70b 跑在 Groq 上只要九十二毫秒、零点四美元。所以路由的意义就是把任务导向合适规格的模型。他们省的测算按企业混合负载来建模，压缩减三成多、路由减三成五，假设月支出十二万美元，官方声称每月能省七万四千四百美元、每年省八十九万两千，但注明结果会因负载而异。MCP 网关这块统一管理 GitHub、Gmail、Google Drive 这些，凭据存进 vault，按代理限定工具范围，每次工具调用都可追踪。

陈序: 有个评论者提出了一个尖锐的追问：他用同一个项目开了两个并发的 Claude Code 会话，互相之间零可见性，他问 Cohesor 的路由层能不能识别这种重叠或并发的调用，还是说它只处理成本和模型路由的信号，对调用实际内容没有可见性。产品材料没有正面回答这个问题。这其实是这类控制平面的边界所在。产品页标注是 Live，提供 Get started 和 Book a demo 的入口，但没有给出具体价格。

林岚: 第三个是 RightCard，一名单身独立开发者做的 Safari 扩展，自称诚实的信用卡选择器：根据具体商店推荐该刷哪张卡，并自动加进你容易忘掉的银行优惠。它和同类产品最核心的差异，按开发者自述，是在架构上不要求银行登录。竞争产品通常让你关联银行账户、交出凭据来读取优惠，而 RightCard 只读取你已经登录的优惠页面，推荐在手机本地计算，可以离线使用，无账号、无广告、也没有追踪 SDK。

林岚: 它目前声称支持 Amex、Chase、Citi、Wells Fargo 的优惠，一键激活是免费的，而一次自动添加多家银行 offer，在开发者看来是别家付费档才有的功能。它还处理每季度轮换的百分之五返现类别，在类别更新时提醒激活，也会在卡积分和年费续费前预警。它只显示银行自己写明的最高返现上限，不编造你省了多少钱，甚至还会提醒你，比如沃尔玛通常按大型综合商店而不是杂货店来编码，所以杂货店的返现类别不适用。

陈序: 社区讨论里，有用户说去掉银行登录正是我这类应用会停下来的原因，也有人称它改变了自己总因为麻烦而刷同一张卡的习惯。不过也有评论提了几个开放问题：持卡少的人是否也用得上，最大挑战是不是让用户信任推荐，以及用户是不是容易在买完之后才想起没激活优惠。这些都是开发者自述和个别评论者的观点，还没有独立验证或广泛用户测试的证据。一个值得留意的后续信号是，开发者说最近两个月不少功能直接来自用户的 bug 报告，有些当天就上线，所以他说的本周可能发布缺失功能也是一项待验证的承诺。另外产品网站抓取结果只显示一段正在验证的提示，没能提供更多可核实的页面内容。

林岚: 最后是 Unsloth Desktop，Unsloth 推出的开源桌面应用，定位是在本地电脑上运行和训练 AI 模型。按官网的说法，这是第一个用来运行和训练 AI 模型的桌面应用，免费、开源、百分百本地运行，支持 Mac 的苹果芯片和 Intel 机型、Windows 十及以上、还有 Linux 的 Ubuntu 等发行版。社区用户称它是 Unsloth 目前最完整的版本：把现有能力封装进原生的 Mac、Windows、Linux 应用，不用碰终端就能完全离线地运行和训练大语言模型、图像视频扩散模型和音频模型，还能用无代码工作流来微调模型。这也是评论者第一次愿意向喜欢本地模型、但不想把本地 AI 变成周末搭建项目的人推荐的版本。

林岚: 官网列出的能力挺具体。图像生成支持 MiniMax-H3、FLUX、Z-Image 和 LoRA 适配器，视频生成用 Wan 和 LTX。示例说在 NVIDIA B200 上，MiniMax-H3 能以八步在十三秒内生成一段九百六乘五百四十四、一百二十四帧的视频，而以前需要七十多步。对开发者用户来说，有个关键是可以用 unsloth start 命令把 Claude Code、Codex 这些 agent 连到本地 GPU，比如 unsloth start claude，在不改变 agent 工作流的前提下切换模型，同时暴露兼容 OpenAI 的 API。它还内置无限、私密、免费的网页搜索和 Deep Research，宣称工具调用准确率最高提升百分之五十，支持自愈式工具调用，在安全沙箱里执行 Bash 和 Python。模型中心提供 Day Zero 支持，覆盖 Qwen3.8、NVIDIA、GLM、Gemma 这些版本，还能通过免费的 Cloudflare 隧道从手机等设备访问本地或 Colab 的模型。

陈序: 不过这些还都是厂商页面描述和社区评论，没有独立验证。官网已经开放下载和文档，接下来的看点就是实际安装、本地运行表现，以及 agent 接进来之后的真实体验到底如何。这一点跟前面几个产品其实是同一条线索：这些工具都在解决 AI 用得越来越多之后，成本、可见性和可控性出现的问题，但它们的承诺最终都要靠大量真实使用来兑现。

林岚: Trigger.dev 发布了一款叫 Chat Agent 的产品，定位是给 AI 聊天应用当后端。团队创始人解释得很直白：传统那种一次一问一答的请求接口，根本不适合聊天智能体，因为一长就在超时，而且每轮对话之间没有记忆，开发者通常得自己往数据库里写数据、用缓存维持数据流，还要协调一堆队列任务。

陈序: 他们的替代方案是让每一段对话拥有一个长期存活的“机器”。没有超时限制，刷新页面或者中途崩溃，数据流还能接着传；没人说话的时候它就休眠，等你回来再在原位置唤醒，状态不用开发者自己管。他们有一个挺有说服力的例子：你关掉标签页好几天再回来，对话内容都还在，甚至四轮之前生成的子智能体，第二天也还能继续用。

林岚: 这套东西和你已经在用的 AI 开发套件是拼在一起的——服务端照常用 streaming 的输出方式，客户端照常用现成的对话处理工具，而这个产品只是作为底层传输层。每一轮对话都会被完整追踪，包括提示词、工具调用、延迟和花销。他们的生产数据显示，每二十轮对话里就有一轮会跑超过三十六分钟，系统承受得住。

陈序: 社区里也有人回应，说这个项目本周早些时候就宣布过了，还夸它开源；有自称早期客户的人说开发团队是“A+ 团队”。不过要提醒一句，这些能力全都是开发者自己宣称的，目前还没有独立的验证，定价、自托管的限制，以及跟你现有开发工具版本的兼容性，这次的材料里都没有提到。

林岚: Dograh 是一款开源语音 AI 智能体平台，项目在发布标题里直接自称是开源版的 Vapi 替代品。背后的问题，团队的成员在社区里讲得很清楚：那些闭源的语音平台，等于是让你“租用”自己的智能体，在你的数据跑在别人云上的前提下，按人家定的价付费。Dograh 的做法是从第一天起就把每一行代码开源，用一条命令就能自己托管，没有按分钟计费，也没有功能门槛，你唯一要付的就是模型本身的账单。

陈序: 它面向的是给客户或内部场景做电话智能体的开发商和机构，典型用途包括接听电话、预约、线索筛选和还款提醒外呼。功能上，有一个可视化流程搭建器，不用写胶水代码；语音对话支持七十多种语言，还能在通话当中切换；电话集成里囊括了 SIP、Twilio 这些常用通道，支持人工热转接和通话录音的自动质检。值得说的是它对 MCP 协议的原生支持——系统自带一个 MCP 服务器，Claude Code、Cursor 这些工具可以直接通过对话来创建、修改和部署语音智能体。

林岚: 在模型层面，你可以自带密钥接入三十多家服务商，从 OpenAI、Gemini 到 ElevenLabs、Twilio 都有，也可以完全跑本地模型，甚至离线、气隙环境都行。官网特别强调合规：通话、录音、转写、提示词、客户个人信息和数据推理都不离开数据边界，也不会被拿去训练，并据此列出了 HIPAA、GDPR、SOC 2 这些合规语境。效果这块，他们用一个叫“预录音频加同款克隆声音合成”的混合方案，据说延迟更小、成本最多能降三倍、听感更像真人。

陈序: 社区的反馈大多是正面体验：有人说自己试了好几个语音平台之后选了 Dograh，自托管是关键；也有人用了几个月，觉得产品和团队支持都好。不过这些都是个人评价，没有独立验证。另外，用户提了不少问题还挂着没得到答复——比如人工热转接对来电者顺不顺滑、从级联模式换到语音到语音模式会损失些什么，以及和 Vapi、Retell 的价格到底怎么对比。

林岚: BearDrive 是 Runbear 创始人团队推出的开源共享文件夹，专门给用 AI 代理的团队用。他们瞄准的痛点是：Claude Code 这类代理产出的报告、表格和研究文档，经常困在开发者的个人笔记本里，队友连同他们的代理都不知道这些文件存在，于是大家反复做重复研究。

陈序: 机制上是让代理同步那些已经在工作的本地文件夹，文件一写入，几秒钟内就成为团队共享的东西——带版本、按代理会话归属，而且有完整的变更历史，能看到谁在什么时候用什么设备改的。每个文件有一条可以放进 Slack 的链接和一个不用安装就能看的网页视图。队友的代理从同一份本地路径读取，上下文根本不需要人类再复述一遍。几乎所有能写文件的本地工具它都兼容，比如 Claude Code、Codex、Gemini CLI 这些。

林岚: 制作者的对比也很有意思：Notion 需要手动粘贴，Git 不适合研究和运营类的工件，也不是给非工程师用的，Dropbox 又不带作者和时间信息。他们给它的定位是“你的文件，变成团队所有”，而不是一个代理记忆系统，也不是另一个工作区。团队说全公司都在用这个。它开源、可以自托管，托管的测试期免费。

陈序: 不过社区里有实质的质疑。有人直接问：我们用 Notion，代理通过 MCP 往里面写，那我们迁移的具体理由是什么？也有人担心安全问题——如果一份文档里带着 API 密钥或者客户信息，又没有像代码审查那样的一道门槛，那它会不会在任何人检查之前就同步给全团队看？还有人提出大文件的问题，说自己的记忆文件有一百多兆，这一点目前还没有得到答复。反过来，一位披露了自己是她朋友身份的评论者称赞说，把文件系统当作共享的表面，比再搬进一个工作区更好，版本控制和作者层让这不只是同步工具。

陈序: 最后看 Ballet，这是 Brainfish 团队推出的运营工作流自动化平台，主打一句话——每次交付结果都相同。具体做法是，你用自然语言描述一个工作流，它帮你写代码并运行，带完整的审计日志、一键回滚和模拟模式，能做什么由你决定。关键步骤跑的可控的确定性代码，只有真正需要灵活性的步骤才让代理去推理。

林岚: 创始人在访谈了几百位运营负责人之后发现的诊断是：运营人员成了“人肉中间件”，各个团队自建了互不相通的 AI 智能体，而且没有人想要完全自主，大家要的是可信的分级控制。所以 Ballet 把自己定位成系统和这些智能体之间的编排层。相比 n8n、Zapier 这类传统工具，它宣称构建一个工作流是按分钟、纯英文的事，而不是手工搭上几周，而且能连接专有和内部系统。

陈序: 典型用例包括：入站线索的捕获——富化、去重、评分之后路由出去；账户活跃度突然飙升的检测，也就是用产品遥测数据把下一步行动直接推给销售；还有订单变更，改价格、条款或 SKU 之后自动同步到内部计费，不用再开工程工单。集成的示例里包括 Salesforce、BigQuery、Stripe 这些。

林岚: 目前是早期访问阶段，招募的是一些手里真有多个跨系统工作流的设计伙伴，比如做营收运营、客服运营和产品驱动增长的团队，会谈一个三十分钟的建模会话。前端能看到代码，代码有版本控制，有批准门槛，也可以重放。需要说明的是，这些都是制造方的描述和网站上的对比，没有独立的验证。

林岚: 今天聊聊 Argos 的 Media Sharing——一个让 AI 编码智能体把截图和视频直接贴到 pull request 上的功能。联合创始人 Greg 讲的痛点挺实在：GitHub 本身没有公开的评论附件接口，浏览器里登录的用户能拖截图进 PR，但终端里的编码智能体做不到，只能用文字描述界面改了什么。评审的人要么凭信任直接合并，要么自己把分支 checkout 下来慢慢看。

陈序: 解决方案是一条命令，把截图或录屏变成稳定的分享链接和可直接粘贴的 Markdown，然后在 PR 上自动发布一条托管评论。我觉得最吸引人的细节是它怎么处理版本：同一张图每次上传都算一个新版本，评审之后再重传，URL 不变、PR 里的内嵌图会自动更新，但评审者已经评论过的那个版本仍然保留下来——这给协作留了清晰的痕迹。

林岚: 还有更细的：评审者可以把评论直接钉在图片的坐标点上，用的是归一化坐标加精确版本。而那些看不了图的智能体，可以从命令行读取位置，自己修好问题然后解决线程。接口方面支持 CLI、Node.js 的 SDK、REST API，还挂了一个 MCP 服务器。

陈序: 定价上所有套餐都能用，包含免费版，图片消耗一个截图单位，视频是二十五个。不过也有用户提醒：GitHub 的限制确实让配置时遇到麻烦，还有一个没被解答的实际问题——怎么让智能体截到真正有用的画面，而不是随机状态。需要说明，这些官方和创始人的描述都是主张，不是独立验证的结果。Mermaid 的工程师 Sidharth Vinod 倒给了好评，说 Argos 能抓到图表渲染里最细微的视觉变化，和 CI 的集成也很顺。

林岚: 好，今天这份简报信息量不算小，但主线很清晰：从追踪钱花在哪个 AI 编码工具上的 CodeBurn，到把截图直接贴进 pull request 的 Media Sharing，再到企业级 AI 代理的“中立控制平面”Cohesor，还有几款本地运行的开源选择，包括 Unsloth Desktop 和 Trigger.dev 的 Chat Agent。喜欢自托管的朋友，也别忘了 Dograh 这个开源语音代理，和面向 AI 协作团队的 BearDrive。

陈序: 没错，从头到尾都透着同一个趋势：工具正在把 AI 的产出变得可见、可追踪、可审计。感谢收听，我们下期再见。