（876期）Sightglass – AI代理依赖决策的可视化审计

AI代理依赖决策的可视化审计 监控AI编程助手的依赖决策，揭示训练数据偏见与潜在风险，让隐形选择过程变得透明可控。 使用说明 核心用法 Sightglass 是一款面向 AI 编码代理（如 Claude、GPT-4 等）的供应链情报工具，通过插桩技术捕获代理的每一个工具选择、依赖安装和架构决策。其核心工作流程包括： 安装与初始化：通过 ./skills/sightglass/setup.sh 一键安装 CLI，配置 watcher 守护进程 会话监控：使用 sightglass watch 后台监控代理会话 决策分析：通过 sightglass analyze 或 analyze.sh 生成详细报告 关键发现分类 | 分类 | 含义 | 风险 ||:---|:---|:---|| TRAINING_RECALL | 代理直接从训练数据"回忆"，未执行搜索 | 🟡 中等 || CONTEXT_INHERITANCE | 从现有项目文件继承 | 🟢 低 || REACTIVE_SEARCH | 遇到问题后搜索解决 | 🟡 中等 || PROACTIVE_SEARCH | 主动比较替代方案 | 🟢 低 || USER_DIRECTED | 用户明确指定 | ⚪ 无 | 显著优点 决策透明化：首次将 AI 代理的"黑箱"依赖选择过程可视化 偏见检测：识别代理因训练数据截断、Stack Overflow 提及量等因素产生的系统性偏见 风险量化：高训练回忆率（如示例中的 67%）直接暴露代理"自动驾驶"状态 无缝集成：提供 OpenClaw 预/后钩子，零侵入式接入现有工作流 替代方案发现：报告代理未考虑的更优依赖选项 潜在缺点与局限性 云服务依赖：核心分析需连接 sightglass.dev，离线场景受限 语言/框架覆盖未知：文档未明确支持哪些包管理器（npm、pip、cargo 等） 训练数据偏见本身无法消除：工具只能揭示问题，不改变代理行为 企业合规风险：依赖决策数据上传第三方云服务可能触及数据主权要求 误报可能："未维护包"判断标准未公开，可能存在误判 适合人群 使用 AI 编码代理（Cursor、Claude Code、GitHub Copilot Chat 等）的团队 对供应链安全有强需求的企业（金融、医疗、政府） 技术负责人需要审计 AI 生成代码的依赖质量 开源维护者希望了解 AI 代理如何"发现"自己的项目 常规风险 供应链投毒：高训练回忆率可能放大恶意包的传播（如 typo-squatting 包因训练数据存在而被推荐） 许可证合规盲区：代理从训练数据选择的依赖可能携带不兼容许可证 技术债务累积：训练数据截止导致的过时依赖选择 数据隐私：项目依赖结构上传至云端分析服务 过度依赖风险：用户可能因工具存在而放松对 AI 输出的审查 原始说明 Monitors AI coding agents to track dependency choices, classify discovery methods, flag risks, and reveal biases and missed alternatives in your project.