Отслеживание затрат LLM с помощью Langfuse для кэшированных ответов. Используйте при мониторинге эффективности кэша, отслеживании экономии затрат или распределении затрат между агентами в многоагентных системах.
Быстро установите AI-навык cache-cost-tracking в вашу среду разработки через командную строку
Источник: yonatangross/orchestkit.
| Trace grouping | sessionid = analysisid | | Cost attribution | metadata.agenttype | | Query window | 7-30 days | | Dashboard | Langfuse web UI |
prompt-caching Keywords: prompt cache, cache prompt, prefix caching, cache breakpoints Solves:
response-caching Keywords: response cache, semantic cache, cache response, LLM cache Solves:
Отслеживание затрат LLM с помощью Langfuse для кэшированных ответов. Используйте при мониторинге эффективности кэша, отслеживании экономии затрат или распределении затрат между агентами в многоагентных системах. Источник: yonatangross/orchestkit.
Стабильные поля и команды для ссылок в AI/поиске.
npx skills add https://github.com/yonatangross/orchestkit --skill cache-cost-trackingОтслеживание затрат LLM с помощью Langfuse для кэшированных ответов. Используйте при мониторинге эффективности кэша, отслеживании экономии затрат или распределении затрат между агентами в многоагентных системах. Источник: yonatangross/orchestkit.
Откройте терминал или инструмент командной строки (Terminal, iTerm, Windows Terminal и т.д.) Скопируйте и выполните эту команду: npx skills add https://github.com/yonatangross/orchestkit --skill cache-cost-tracking После установки навык будет автоматически настроен в вашей AI-среде разработки и готов к использованию в Claude Code, Cursor или OpenClaw
https://github.com/yonatangross/orchestkit