Sightglass 是一款专为 AI 编程代理设计的供应链智能监控工具，旨在揭示 AI 在开发过程中选择依赖包和架构决策时的“黑箱”行为。当人类开发者挑选依赖时，往往有清晰的思考路径——查阅博客、对比方案、团队讨论；而 AI 代理则基于训练数据“直觉式”地做出选择，这些决策过程完全不可见。Sightglass 通过实时监听 AI 代理的操作，捕获每一次工具调用、依赖安装与架构选择，并将其转化为可分析的数据流，帮助开发者理解 AI 究竟是如何做出这些决定的。
该工具的核心价值在于将原本隐形的 AI 决策逻辑显性化。它不仅能记录下所有被添加或修改的依赖项，还能追溯每个依赖的发现方式：是来自训练数据的直接回忆，还是基于当前项目上下文的继承，抑或是主动搜索后作出的比较选择。这种细粒度的分类机制让开发者能够判断 AI 是否真正“思考”过，还是仅仅在重复记忆中的模式。尤其在高比例‘训练数据召回’（TRAINING_RECALL）的情况下，系统会发出警告，提示可能存在盲目复制而非理性决策的问题。
此外，Sightglass 不仅仅停留在记录层面，更进一步识别潜在风险与偏见。它可以标记已知漏洞、维护状态不佳的包，并指出 AI 可能忽略的更优替代方案。例如，某个依赖虽然流行且频繁出现在 Stack Overflow 上，但未必最适合当前项目；Sightglass 会揭示这类由训练数据偏差导致的次优选择。最终，所有分析结果都会汇总为一份清晰的会话摘要，包括新增依赖数量、发现的风险点、训练召回率以及错过的替代选项，使开发者能够快速评估 AI 代理的工作质量并采取相应措施。
核心功能特点
- 实时监控 AI 编程代理的所有操作，包括依赖安装、工具调用和架构决策
- 对每个依赖项进行分类标注其发现方式（如训练数据召回、上下文继承、主动搜索等）
- 自动识别高风险依赖（如存在漏洞、维护不善）并提供更优替代方案建议
- 量化 AI 决策中的训练数据依赖程度，暴露潜在的偏见与盲区
- 生成详细的会话分析报告，涵盖依赖变化、风险统计与遗漏选项
适用场景
Sightglass 特别适合那些高度依赖 AI 辅助开发的现代软件团队，尤其是在使用类似 OpenAI Codex 或 GitHub Copilot 等编码代理进行自动化编程的场景中。当项目规模扩大、依赖数量激增时，传统的手动审查已难以跟上节奏，而 Sightglass 提供的自动化洞察能力就显得尤为关键。例如，在一个大型前端项目中，AI 代理可能在短时间内引入数十个新依赖，若缺乏有效监督，很容易混入过时或不安全的库，从而埋下长期隐患。Sightglass 能即时捕捉这些变动，并告诉你哪些是凭记忆“照搬”而来，哪些经过实际调研，帮助团队及时干预。
另一个典型应用场景是在团队协作环境中确保代码一致性与安全性。不同成员使用各自的 AI 代理可能导致项目依赖结构差异巨大，甚至出现版本冲突。通过集成 Sightglass 的钩子脚本（hooks），团队可以在每次 AI 会话前后自动记录和评估变更，形成标准化的审计流程。特别是对于金融、医疗等对稳定性要求极高的行业，这种透明化的依赖管理不仅是技术需要，更是合规层面的必要举措。此外，Sightglass 还可用于教学与研究场景，帮助开发者深入理解 AI 代理的行为模式，优化提示工程策略，减少对训练数据偏差的依赖。