mcpField
C
cco-overhead

cco-overhead

github.com/egorfedorovエージェントワークフロー12570 回インストール1 日前に更新
リポジトリ

cco-overhead について

cco-overheadは、Claude Codeを使うプロジェクトのセッション負荷を監査するスキルです。初期コンテキストとプロンプトキャッシュ費用を測定し、計測可能な要因を分類するとともに、MCPサーバーの利用記録を調べます。

主な機能

  1. 01初期コンテキストサイズの測定
  2. 02セッションごとのキャッシュ費用の推定
  3. 03コンテキスト負荷要因の分類
  4. 04記録されたMCPツール呼び出しの監査
  5. 05未使用サーバーの削除コマンド提示

活用シーン

  1. 01作業開始前のコンテキスト負荷の把握
  2. 02セッション間のプロンプトキャッシュ費用の確認
  3. 03MCPサーバーの呼び出し記録の確認

MCP 対応

過去30日間の記録済みツール呼び出しからMCPサーバーの利用状況を監査し、一度も呼び出されていないサーバーの削除コマンドを提示できます。ユーザーが渡すサーバー名とプロジェクトの.mcp.jsonを参照します。

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/egorfedorov/claude-context-optimizer --skill cco-overhead

インストール後、Claude Code で/cco-overheadを入力して読み込まれたか確認します。

詳細

セッションのベースラインオーバーヘッド監査

このプロジェクトの各セッションで、作業が始まる前に何トークンが消費されるのか、そしてどこを削減できるのかを測定します。

実行します:

node ${CLAUDE_PLUGIN_ROOT}/src/overhead.js

レポートには次の内容が表示されます。

  1. ベースライン — 最初のアシスタント応答時点での正確なコンテキストサイズ(セッションのトランスクリプトに記録された API 使用量に基づく)。直近のセッションにおける最新値と平均値を、作業予算に対する割合とともに示します。
  2. セッションあたりのコスト — 各セッションで、そのベースラインをプロンプトキャッシュに書き込むためのコストです。
  3. 内訳 — ローカルで測定可能な部分(プロジェクトとグローバルの CLAUDE.md、メモリインデックス、エージェント定義)と、帰属先を特定できない残り(システムプロンプト、ツールスキーマ、MCP サーバー)です。
  4. 推奨事項 — 削減する項目と方法です(例:/cco-claudemd、未使用の MCP サーバーを無効化する、エージェントの説明を整理する)。

次に MCP 使用状況監査を実行します。追跡した 30 日分のツール呼び出しをサーバーごとの判定にまとめ、呼び出しが一度もなかったサーバーについては削除コマンドを正確に提示します。

node ${CLAUDE_PLUGIN_ROOT}/src/overhead.js mcp --servers <name1>,<name2>

ご自身のツール一覧(mcp__<server>__*。サーバーごとに 1 件)から MCP サーバー名を渡します。スクリプトはアカウントデータが含まれる ~/.claude.json を読み取らないため、渡されたサーバーとプロジェクトの ./.mcp.json の内容だけを把握します。

レポートに claude mcp remove ... コマンドが実際に表示された場合に限り、ユーザーに実行するかどうかを尋ねてください(削除すれば今後のすべてのセッションで効果があり、claude mcp add を実行すればいつでも復元できます)。ユーザーが同意してから実行してください。

サーバーが ? not observed と表示されている場合、トラッカーにはまだ MCP データがありません。これは判定ではありません。これらのサーバーの削除を提案したり、レポートに表示されていない claude mcp remove コマンドを作成したりしないでください。

出力はそのままユーザーに提示してください(すでに書式が整っています)。トランスクリプトが見つからなかったとレポートに表示された場合は、この監査には当該プロジェクトのセッションで少なくとも 1 回、完了したやり取りが必要だと説明してください。

ユーザーへの主な説明ポイント:ベースラインオーバーヘッドはすべてのセッションで発生するため、一度削減すれば継続的に効果があります。通常、これは最も効果の大きい最適化です。

コメント