CodeBurn:你的 AI 编程助手到底烧了多少 token

AI 编程助手的 token 花费是个盲区。Claude Code 的计费页只给一个总数字，Cursor 更是连这个都没有。你想知道某个项目花了多少、哪类操作最烧钱、Opus 和 Sonnet 各占多少比例——目前没有官方工具能做到。

CodeBurn 直接从磁盘上读 session 日志，在一个终端 TUI 里把这些数据拆开给你看。

项目卡片

• 项目：CodeBurn^[1]
• 状态：v0.7.1 / 2.5k stars / 5 天发布 8 个大版本
• 一句话判断：目前最完整的 AI 编程成本观测工具，从”看数据”进化到了”给方案”

我一开始以为它要做 proxy 或者 wrapper，看了源码才发现思路更直接：Claude Code 的 session 文件就存放在 ~/.claude/projects/ 下面，每个 session 是一个 JSONL 文件，里面完整记录了每次 API 调用的模型、token 用量（input / output / cache read / cache write）、工具调用和时间戳。

CodeBurn 直接读这些文件，解析、去重、分类、算钱。不需要你配任何东西。

定价数据来自 LiteLLM^[2] 的模型价格表，自动缓存 24 小时。本地还硬编码了一份 fallback，覆盖所有 Claude 和 GPT 系列模型，离线也能算价。

代价也有：它只能统计本机的数据，多机用户得分别跑。

这类工具我之前只见过只支持单一 provider 的（比如 ccusage 只看 Claude）。CodeBurn 从 0.4.0 开始搭了 provider 插件系统，现在覆盖 7 个数据源：

添加新 provider 只需要写一个文件，实现 discoverSessions() 和 createSessionParser() 两个方法。Cursor 和 OpenCode 因为依赖 better-sqlite3，作为 optional dependency 延迟加载，不影响只用 Claude 的用户。

Dashboard 用 Ink（React for terminals）构建，支持键盘导航，左侧时间维度（Today / 7 Days / 30 Days / Month / All Time），下面是多个面板：

Overview：总花费、API 调用次数、session 数、缓存命中率。缓存命中率值得盯——如果持续低于 80%，说明你的系统提示词或上下文不够稳定，每次 session 都在重写缓存。

By Project：每个项目的花费和 session 数，还有新增的 context overhead 列，展示每个项目每次 session 的系统提示词 + 工具定义 + CLAUDE.md 的 token 开销。

By Activity：13 个任务分类。这不是 LLM 分类，而是纯确定性规则——根据工具调用模式和用户消息关键词分类。

分类器逻辑分三层：先看工具模式（有没有 Edit、有没有 Bash、有没有 Agent 调用），再用关键词精炼（有 “fix” 就是 debugging，有 “refactor” 就是 refactoring），最后对无工具的纯对话单独处理。

最有价值的是 one-shot rate（一次成功率）。对于涉及编辑的分类，CodeBurn 检测 Edit → Bash → Edit 的重试循环。Coding 一次成功率只有 30% 意味着 AI 在反复改——要么你的需求不够清晰，要么该换个模型。

By Model：各模型的调用次数和花费。如果你看到 Opus 4.6 在简单任务上主导了成本，那就是用牛刀杀鸡。

Core Tools / Shell Commands / MCP Servers：看 AI 都在调什么工具、跑什么命令、连什么 MCP server。

0.7.0 引入的 codeburn optimize 是我判断这个项目”不只是个看板”的关键。

它不只是展示数据，而是扫描你的 session 和 ~/.claude/ 配置，找出 11 种常见的 token 浪费模式，每条发现都附带可以直接复制粘贴的修复建议：

• 重复文件读取：同一个文件在多个 session 里反复读，每次都要消耗 input token
• 垃圾目录读取：AI 在读 node_modules/、.git/、dist/ 等生成目录
• Read:Edit 比例过低：编辑之前不读文件，导致反复修改
• 未使用的 MCP server：配置了但从没调用过，每次 session 白加载工具 schema
• 幽灵 agent/skill/命令：定义了但从未使用，每次 session 都白白占用 token
• 臃肿的 CLAUDE.md：展开 @-import 后超过 200 行，每次 API 调用都多付钱
• bash 输出限制过大：默认 30K 字符的上限，大部分输出 15K 就够了
• cache 创建开销异常：session warmup 的 cache_creation 中位数超出基线

每条发现标注影响等级（high/medium/low）和预计可节省的 token 数，按紧急程度排序。重复运行还能追踪趋势——同一个问题是持续、改善还是已修复。

最终汇总成一个 A-F 的健康评分，让你一眼看出自己的 AI 编程环境有多”浪费”。

npm install -g codeburn
codeburn

前提是你本机有用过 Claude Code / Codex / Cursor 之类的工具，让 CodeBurn 有 session 数据可读。其他什么都不用配。

codeburn report              # 交互式 dashboard
codeburn optimize            # 检测浪费模式
codeburn export -f json      # 导出 JSON
codeburn status              # 一行摘要
codeburn --provider cursor   # 只看 Cursor 的数据

macOS 用户还能装一个 SwiftBar 菜单栏插件，实时显示今天的花费。

CodeBurn 5 天内迭代了 8 个大版本，0.7.1 就完成了外部安全审计（原型链污染、文件读取越界、菜单栏注入等问题都修了），209 个测试用例。迭代速度和质量控制都超出预期。

局限也值得说清：只统计本机、Cursor Auto 模式下按 Sonnet 估算价格、Copilot 只记录输出 token 会偏低。多机用户目前只能各看各的。

但我愿意推荐它的理由很简单：npm install -g codeburn 之后就真的能用了。它告诉你钱花在哪、哪些花得不值、以及具体怎么改——这对任何一个月 token 账单超过 50 美元的 AI 编程用户来说，值得花 10 分钟试一下。

如果这篇对你有用，建议点个关注。我会持续把 GitHub 上值得用的 AI 工具拆成「最短上手闭环 + 坑点清单 + 可复用配置」，让你少走弯路。

引用链接