Programiści coraz częściej pracują w parze z modelem językowym, ale rzadko mają pojęcie, ile ta współpraca faktycznie kosztuje – ani w tokenach, ani w pieniądzach, ani w zużyciu limitów abonamentowych. Odpowiedzią na tę lukę ma być projekt AI Engineering Fluency, rozwijany przez Roba Bosa na GitHubie, znany wcześniej pod nazwą „GitHub Copilot Token Tracker”.

Rozszerzenie ma jedno zadanie: pokazywać w edytorze informacje o szacowanym zużyciu tokenów i powiązanych metrykach pracy z asystentami AI. To narzędzie celowo wieloplatformowe – repozytorium zawiera osobne katalogi dla rozszerzenia do VS Code, wtyczki do JetBrains, rozszerzenia do Visual Studio, a także komponent CLI, aplikację desktopową i moduł integracji z Copilotem. Wtyczka do VS Code trafiła już do oficjalnego marketplace’u Microsoftu.

Sama architektura repo zdradza ambicje autora: obok katalogów vscode-extension, jetbrains-plugin i visualstudio-extension znajdziemy tam także folder sharing-server, sugerujący możliwość udostępniania statystyk – na przykład w obrębie zespołu. W projekcie obecne są również pliki konfiguracyjne dla agentów kodujących (AGENTS.md, CLAUDE.md) oraz skrypty budowania w PowerShellu, co pokazuje, że sam proces wytwarzania oprogramowania jest tu mocno „AI-native”.

Popularność projektu wciąż jest umiarkowana, ale wyraźnie rośnie: repozytorium zebrało ponad 118 gwiazdek i 35 forków, a nad kodem pracuje się intensywnie – historia commitów liczy już ponad 4,3 tysiąca wpisów. W sekcji zgłoszeń widnieje 13 otwartych issues i 9 pull requestów, co przy niewielkim projekcie społecznościowym oznacza aktywny, żywy rozwój. Całość udostępniono na licencji MIT, więc kod można swobodnie wykorzystywać i modyfikować.

Wartość takiego narzędzia wykracza poza ciekawość. W modelach rozliczeniowych opartych na tokenach – zarówno w planach indywidualnych, jak i firmowych – niekontrolowane zużycie potrafi zaskoczyć przy rozliczeniu miesiąca. Widoczność kosztów w miejscu pracy, czyli w edytorze, pozwala programiście świadomie decydować, kiedy warto zaangażować agenta do refaktoryzacji dużego pliku, a kiedy lepiej napisać kilka linii samodzielnie. To także argument w rozmowach z zespołami IT o budżetach na narzędzia AI.

Projekt wpisuje się w szerszy trend „observability” dla asystentów kodowania – obok metryk jakości generowanego kodu pojawia się potrzeba mierzenia kosztu i efektywności. Dla zespołów wdrażających Copilota lub podobne narzędzia na skalę organizacji to sygnał, że mierzenie zużycia przestaje być opcją, a staje się elementem higieny inżynierskiej.

Podsumowanie: AI Engineering Fluency to otwartoźródłowe, wieloedycyjne rozszerzenie, które wprowadza przejrzystość w koszty pracy z asystentami AI. Choć popularność projektu jest jeszcze skromna, rozwiązuje realny problem i może stać się obowiązkowym elementem wyposażenia zespołów, które rozliczają tokeny.