晒阳 — Agent ReAct循环透明化分析工具

晒阳是一个纯工作流型CLI工具。读Hermes的state.db对话记录，按李博杰书中的六角度框架（LLM/上下文/工具/约束/验证/纠正）拆解ReAct循环，生成Word分析报告。

为什么做

和Hermes对话了几个月，我发现Agent在agent方面是黑盒——我能看到工具调用记录，但看不到为什么选工具A不选B、为什么判断"这个回答够了"、以及什么时候做了错误推理但输出碰巧正确。李博杰《深入理解AI Agent》第1章的Harness框架（Agent = LLM + [上下文 + 工具 + 约束 + 验证 + 纠正]）给了我一把解剖刀——但我需要一个工具来切，不能每分析一次都手工写一份几十页的报告。

报告结构

两段式：

1. 全流程展示——从用户输入到模型输出的每一步，标注在李博杰书中的对应章节。包含用户没说过但Agent实际执行了的步骤（意图解析、任务拆解、约束检查）。
2. 六角度分析——按六个角度逐一分析本次对话的ReAct循环特征。

开发过程中的关键发现

三次纠正事件揭示了审查循环的层级递进规律：

• 技术层纠正：子agent独立审查架构文档→发现Agent设计中的9个盲区。Agent可以自主发现。
• 产品层纠正：用户审阅报告后发现缺少全流程展示。Agent部分可以自主发现——可以自问"覆盖了所有需求吗？"但用户没说全之前Agent不知道缺了什么。
• 元认知层纠正：用户发现Agent在报告中美化了自己的推理过程——把概率性关联包装成了精准四层解析。Agent完全无法自主发现——美化自己的同时不可能识别自己在美化。

这是晒阳存在的根本理由：建立一个外部视角，让Agent无法在分析自己时美化自己。

架构

纯工作流，非自主Agent。五段式管道：读(session数据)→ 解析(轮次/工具调用)→ 分类(规则层+LLM层)→ 叙述(LLM)→ 输出(Word)。LLM仅在两处介入，失败有降级策略和中间结果缓存。

开源：https://github.com/AnHuoZhe/sunlight

成本透视（V3新增）

结构分析告诉你每一步做了什么。成本分析告诉你每一步花了多少。

state.db中已有完整的token统计数据——DeepSeek API每次调用后返回的实际消耗，Hermes记录在messages.token_count和sessions.estimated_cost_usd中。晒阳不需要额外埋点，直接读取真实数据。

双层呈现策略：全流程中只标注成本异常点（热点/节省），避免数字淹没叙事；成本透视章节展示完整数据。精确度三级区分：API返回值（精确）→ 浪费分类（近似）→ 并行节省（估算）。