Прогнозирование стоимости в токенах

PRECC поставляется с оракулом прогнозирования стоимости в токенах, чтобы многошаговые планы можно было бюджетировать в токенах, а не во времени по часам. Запишите прогноз перед каждым шагом, зафиксируйте фактическое значение после завершения работы, и набор данных будет обучать встроенный предсказатель, точность которого со временем растёт.

Записать прогноз

Передайте однострочное описание запланированного шага. PRECC классифицирует его (feat / fix / test / refactor / measurement / doc / chore / unknown), оценивает количество токенов и выводит id, который вы используете для закрытия цикла.

$ 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>

Записать фактическое значение

После завершения шага найдите фактическое количество токенов в нижнем колонтитуле сессии или в телеметрии и передайте его обратно через id.

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

Обучение trained-v1

Когда у вас есть хотя бы десять закрытых прогнозов, постройте гребневую регрессию trained-v1 для log10(actual) против log10(длины описания) плюс one-hot фиктивной переменной категории. Подгонка имеет замкнутую форму (Холецкий по нормальным уравнениям с ridge λ=1) и выполняется за миллисекунды.

$ 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

После обучения каждый новый вызов precc predict автоматически использует trained-v1, пока вы не удалите или не замените файл модели. Старые прогнозы сохраняют исходный model_version, поэтому вы можете сравнивать предсказатели во времени.

Проверка точности предсказателя

precc predict --eval сообщает среднюю абсолютную процентную ошибку (MAPE) в целом и по категориям, рассчитанную только по закрытым прогнозам (строкам, в которых есть и прогнозируемое, и фактическое значение).

$ 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%
  ...

Список недавних прогнозов

precc predict --list показывает недавние строки в обратном хронологическом порядке. Открытые строки (без фактического значения) готовы к закрытию.

$ 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...

Почему токены, а не время по часам

Оценки времени не поддаются постфактумному измерению и не складываются между машинами или сессиями. Количество токенов детерминировано, сопоставимо и расширяет размеченный набор данных, который улучшает предсказатель с каждым закрытым циклом. Весь смысл оракула — превратить оценку из игры в угадайку в измерение.

Где хранятся данные

Все данные прогнозов хранятся локально на вашей машине. Ничего не загружается.

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