Przewidywanie kosztu tokenów

PRECC dostarcza wyrocznię przewidywania kosztu tokenów, aby plany wieloetapowe można było budżetować w tokenach, a nie w czasie rzeczywistym. Zaloguj prognozę przed każdym krokiem, zapisz wartość rzeczywistą po zakończeniu pracy, a zestaw danych wytrenuje wbudowany predyktor, który z czasem staje się coraz lepszy.

Zaloguj prognozę

Podaj jednolinijkowy opis zaplanowanego kroku. PRECC kategoryzuje go (feat / fix / test / refactor / measurement / doc / chore / unknown), szacuje liczbę tokenów i drukuje id, którego użyjesz, by zamknąć pętlę.

$ precc predict "Implement read-deltas with mtime check"
id=42 category=feat predicted=5680 tokens (confidence=0.50, model=trained-v1)
Record actual when done: precc predict --record 42 <actual_tokens>

Zapisz wartość rzeczywistą

Po zakończeniu kroku odszukaj rzeczywistą liczbę tokenów w stopce sesji lub w telemetrii i przekaż ją z powrotem przez id.

$ precc predict --record 42 6300
Recorded actual=6300 tokens for prediction id=42.

Trenuj trained-v1

Gdy masz co najmniej dziesięć zamkniętych prognoz, dopasuj regresję grzbietową trained-v1 dla log10(actual) względem log10(długość opisu) plus zmienna pozorna kategorii w kodowaniu one-hot. Dopasowanie ma postać zamkniętą (Cholesky na równaniach normalnych z ridge λ=1) i działa w milisekundach.

$ precc predict --train
Trained trained-v1 on 22 closed predictions (λ=1).
  Model file : ~/.local/share/precc/predict_model.json
  Confidence : 0.50
  Intercept  :  +1.0016
  log_desc   :  +1.2339
  Categories :
    unknown       +0.4811
    doc           +0.4474
    measurement   +0.3422
    test          +0.1071
    refactor      +0.0326
    feat          +0.0071
    fix           -0.1096
    chore         -0.3063

Po wytrenowaniu każde nowe wywołanie precc predict automatycznie używa trained-v1, dopóki nie usuniesz lub nie zastąpisz pliku modelu. Stare prognozy zachowują oryginalną wartość model_version, dzięki czemu możesz porównywać predyktory w czasie.

Sprawdź dokładność predyktora

precc predict --eval raportuje średni bezwzględny błąd procentowy (MAPE) ogółem i według kategorii, obliczany tylko na zamkniętych prognozach (wiersze z wartościami zarówno prognozowanymi, jak i rzeczywistymi).

$ precc predict --eval
Predictions logged   : 30
With actuals (closed): 22
Mean predicted       :     1483 tokens
Mean actual          :    47238 tokens
MAPE (statistical)   :     76.4%

By category:
  category        n   predicted      actual    MAPE
  feat            6        4605        5250   26.2%
  unknown         4        1597       30526   52.6%
  test            4         924       38900   56.4%
  ...

Lista ostatnich prognoz

precc predict --list pokazuje ostatnie wiersze w odwrotnym porządku chronologicznym. Otwarte wiersze (bez wartości rzeczywistej) są gotowe do zamknięcia.

$ precc predict --list --limit 5
id    ts                   category       predicted     actual  conf description
30    2026-05-09 09:40:51  feat                5348          -  0.50 Run the synthetic-fleet pilot...
29    2026-05-09 08:56:48  test                1050          -  0.60 Train predictor: trained-v1...
28    2026-05-09 07:44:18  test                 915     150000  0.60 Implement minimal task-12...

Dlaczego tokeny, a nie czas rzeczywisty

Szacunki czasu są niemierzalne post-hoc i nie składają się między maszynami lub sesjami. Liczby tokenów są deterministyczne, porównywalne i powiększają etykietowany zbiór danych, który poprawia predyktor przy każdej zamkniętej pętli. Cały sens wyroczni polega na zamianie szacowania z gry w zgadywanie w pomiar.

Gdzie znajdują się dane

Wszystkie dane predykcji są przechowywane lokalnie na Twoim komputerze. Nic nie jest przesyłane.

~/.local/share/precc/
├── metrics.db                — predictions table (oracle DB)
└── predict_model.json        — trained-v1 coefficients (after `--train`)