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。