PromptTrace 提示词注意力审计

告诉开发者 Agent 到底用了提示词里的哪几段，省 token 也省解释

痛点

有用户提出希望模型不仅给答案，还能返回「得出答案时实际用到了原始提示中的哪些信息」，以便判断某个代码文件是否与某个功能相关，从而减少 token 消耗。现有 Agent 工具（如上下文防火墙、Jev 类）虽然在压缩上下文，但开发者仍然无法回头看一次请求里哪段上下文真正起了作用。

方案

一个面向开发者的提示词审计工具：接收一次 Agent 调用的完整 prompt 与输出，返回输入中每个片段（文件、消息、工具结果）的注意力/归因热力图，并标注哪些片段可以安全删除。可与流行的 Agent 框架对接，在每次调用后自动生成「本次上下文使用报告」，指导下一步的上下文裁剪。

用户

构建 AI Agent 的开发者、上下文工程/提示词工程师、需要优化 token 成本的 AI 产品团队。

MVP

上传或通过 API 提交一次 prompt+输出；输出每个片段的归因分数与可视化高亮；给出可删除片段的建议；导出为 JSON 供 CI 或 Agent 自动使用；与 OpenAI/Anthropic 兼容的轻量 SDK。

变现

按调用次数计费的 API；面向团队的月订阅（历史报告、成本节省统计、CI 集成）；开源核心 + 托管版增值功能。

为何现在

Agent 上下文越来越长，token 成本成为独立开发者和小团队的刚需；注意力可视化与归因模型已有可用的开源基础，独立开发者可在几周内做出首个可用版本。