Show HN: Decant - 토큰 사용량 파악하기

(github.com)

Hacker News Show2026년 8월 13일AI 모델

Decant은 Claude Code와 Codex의 세션 로그를 분석하여 토큰 사용량, 비용, 에이전트 작업 시간을 시각화해주는 로컬 우선(local-first) 도구로, AI 에이전트 운영의 효율성과 투명성을 높이는 핵심적인 관측성 솔루션입니다.

이 글의 핵심 포인트

1Claude Code 및 Codex 세션 로그를 분석하여 토큰 사용량, 비용, 에이전트 작업 시간 등의 인사이트 제공
2데이터 보안을 위해 외부 네트워크 호출 없이 로컬에서만 작동하는 Local-first 아키텍처 채택
3CLI 및 웹 UI를 통한 전체 텍스트 검색, 도구/MCP 사용 통계, 파일 분석 기능 지원
4Markdown, JSON 등 다양한 형식의 세션 데이터 내보내기(Export) 가능
5npx, npm, Homebrew, Docker 등 다양한 설치 및 실행 방식 지원

이 글에 대한 공공지능 분석

왜 중요한가?

AI 에이전트 도입이 가속화됨에 따라 발생하는 막대한 토큰 비용과 비효율적인 컨텍스트 사용을 관리할 수 있는 '관측성(Observability)' 도구가 필수적으로 요구되고 있습니다. Decant은 개발자가 자신의 에이전트가 무엇을 수행하고 얼마를 소비하는지 명확히 파악하게 해줍니다.

어떤 배경과 맥락이 있나?

Claude Code와 같은 AI 코딩 에이전트는 강력하지만, 실행 시 발생하는 비용 예측이 어렵고 어떤 파일이나 도구가 사용되었는지 추적하기 어렵다는 단점이 있습니다. 이는 기업이 AI 에이전트를 워크플로우에 본격적으로 통합하는 데 있어 주요한 장애물로 작용합니다.

업계에 어떤 영향을 주나?

에이전트 기반 개발(Agentic Workflow) 시대에는 단순한 코드 생성을 넘어, 에이전트의 작업 경로와 자원 소모를 최적화하는 인프라 기술이 중요해질 것입니다. Decant은 이러한 '에이전트 운영 관리'라는 새로운 소프트웨어 계층의 초기 시장을 선점하려는 시도로 볼 수 있습니다.

한국 시장에 어떤 시사점이 있나?

보안과 데이터 프라이버시를 중시하는 한국 기업 환경에서, 외부로 데이터를 전송하지 않는 Decant의 로컬 우선(local-first) 방식은 매우 매력적인 접근입니다. 국내 스타트업들은 이를 활용해 AI 도입에 따른 비용 효율성을 정량적으로 측정하고 개발 생산성을 증명할 수 있습니다.

이 글에 대한 큐레이터 의견

AI 에이전트의 성능만큼이나 중요한 것이 바로 '비용 효율성'과 '제어 가능성'입니다. Decant은 개발자가 자신의 에이전트가 무엇을 하고, 얼마를 쓰는지 명확히 알게 함으로써 AI 워크플로우의 블랙박스를 제거하려는 매우 영리한 접근을 취하고 있습니다. 특히 로컬 우선 설계는 기업용 AI 솔루션이 반드시 갖춰야 할 보안 요구사항을 정확히 관통합니다.

물론 한계도 존재합니다. Decant은 현재 Claude Code와 Codex라는 특정 에이전트 로그에 의란하고 있어, 다양한 커스텀 에이전트를 사용하는 환경에서는 범용성이 떨어질 수 있습니다. 또한, 단순한 로그 분석을 넘어 실시간으로 비용을 제어하거나 에이전트의 행동을 강제로 중단시키는 '제어(Control)' 기능보다는 '관측(Observability)'에 집중되어 있다는 점도 고려해야 합니다. 스타트업 창업자라면 이러한 관측 도구를 활용해 AI 에이전트 도입의 ROI를 데이터로 증명하는 전략적 도구로 활용할 수 있을 것입니다.

원문 보기 →