核心用法
WorkBuddy Usage Status 是一款面向 WorkBuddy 用户的本地化数据分析技能，通过解析本地 ~/.workbuddy 目录下的数据库与 trace 文件，生成包含多维度指标的可视化看板。用户只需在技能目录执行 python3 scripts/usage_extractor.py 即可生成三个核心文件：自包含的 HTML 看板（内联 Chart.js，双击即用）、原始聚合 JSON 数据以及可直接脚本引用的 JS 数据对象。可选 --credit-xlsx 参数导入服务端导出的用量表格，以精确 credit 值覆盖本地估算，满足财务对账需求。
显著优点
完全离线运行：零外部网络依赖，所有数据处理均在本地完成，保障隐私安全；即开即用：生成的 HTML 看板为单文件自包含设计，无需搭建服务器或配置环境，双击即可浏览；多维度洞察：覆盖 token 消耗、思考效率、模型分布与性价比、错误监控、用量高峰探查等核心指标；数据可迁移：看板文件可自由复制传播，适合团队协作或历史归档；精确对账能力：支持通过官方导出的 xlsx 文件覆盖本地估算 credit，解决财务核算精度问题；只读安全设计：以只读模式访问原始数据，零风险修改源文件。
潜在缺点与局限性
平台绑定：专为 WorkBuddy 数据格式设计，无法通用于其他 AI 工具；本地估算偏差：credit 指标基于会话级归首日近似计算，无逐日精确时间戳，未覆盖 xlsx 时存在系统性误差；数据完整性风险：部分 trace 可能因格式异常被跳过，顶部警告条会提示解析失败条目，需用户知悉并接受；无实时同步：依赖用户手动触发更新，非持续监控面板；可视化能力边界：基于 Chart.js 的基础图表，复杂自定义需求需二次开发；Python 环境依赖：需本地预装 Python 3，部分极简环境可能需额外配置。
适合的目标群体
高频 WorkBuddy 用户：需持续追踪个人或团队的 AI 使用成本与效率；技术团队管理者：关注模型性价比分布、错误率趋势与用量高峰规划；成本敏感型个人用户：希望量化分析各模型的投入产出比；隐私优先用户：拒绝云端数据分析，坚持本地化处理的场景；需要财务对账的企业用户：通过 xlsx 导入实现精确 credit 核算。
使用风险
性能风险：大数据量（长期 trace 积累）时抽取与渲染耗时可能显著增加；依赖项风险：虽仅依赖 Python 标准库，但不同 Python 版本对文件编码/路径处理存在细微差异；数据时效性：基于历史 trace 的离线分析，无法反映实时会话状态；误读风险：credit 估算与精确值的差异若未理解，可能导致错误成本判断，需仔细阅读 DATA-GUIDE.md 口径说明；文件权限风险：若 ~/.workbuddy 目录权限受限，可能导致读取失败；可移植性风险：HTML 看板虽自包含，但极端旧版浏览器对 Chart.js 的兼容性需留意。