夜雨聆风CodeBurn：AI 编程 Token 去哪了？一台终端里的实时账单
AI Agent 写代码，越来越像「开着水龙头写程序」——
Cursor 里改一行、Claude Code 里跑一轮、Codex 里补一个测试……
等月底看账单，或者 Max 订阅额度突然见底，你往往只有一个模糊感受：好像也没写多少，钱怎么没了？
更麻烦的是：各家工具各自记账、各自口径。Claude 有 session 日志，Cursor 藏在本地数据库里，Copilot 又在 VS Code 的 workspace 里——没有一个统一视角，就很难做优化。
今天介绍的 CodeBurn，就是来解决这件事的：在你自己的电脑上，把 AI 编程工具的 Token 消耗、成本估算、任务分布，汇总成一块可交互的终端面板（TUI）。
不用注册账号，不用接代理，不用把 session 上传到云端。
读完后，你会知道它是什么、为什么火、怎么一行命令跑起来，以及适不适合放进自己的工作流。
一、先讲痛点：AI 编程的「隐形账单」
1）Token 消耗快，却看不清去向
AI 时代写代码，成本结构变了：
过去 主要成本是「人时」→ 现在 人时 + 模型调用 叠加 过去 IDE 订阅相对固定 → 现在 Claude Max、Cursor Pro、API 按量，波动大 过去 浪费体现在加班 → 现在 浪费体现在 重复读文件、无效对话、模型选错、MCP 白挂着
你可能遇到过：额度莫名掉、Opus/Sonnet 混用不知哪次最贵、Agent 在同一文件上 Edit 循环纠错、MCP 挂着却从不用。
问题不是「花不花钱」，而是「钱花在了不可见的地方」。
没有可观测性，就没有优化；没有优化，订阅制和 API 制都会变成黑盒。
2）为什么需要「本地、统一、实时」的面板？
市面上的解法大致分三类：
厂商自带统计（Claude.ai 用量页、Cursor Usage）→ 各看各的，难横向对比
云端 SaaS 仪表盘（接 API Key 聚合）→ 要上传密钥或走代理，隐私和合规有顾虑
读本地 session 日志 → 依赖各工具落盘格式，但 数据不出本机
二、CodeBurn 是什么？
1）一句话定义
CodeBurn 是一个开源的 终端 UI（TUI）仪表盘，用来追踪 AI 编程场景下的 Token 用量、成本估算和使用表现。它走第三条路：直接读磁盘上已有的 session 文件，本地算价、本地展示、本地导出。
GitHub：github.com/getagentseal/codeburn 官网：codeburn.app npm：npmjs.com/package/codeburn 协议：MIT | 语言：TypeScript 为主
Slogan：See where your AI coding tokens go.（看看你的 AI 编程 Token 都去哪了。）
2）它不是什么
❌ 不是 Claude Code / Cursor 的「套壳客户端」 ❌ 不是云端计费平台（默认无账号、无遥测） ❌ 不是发票级精确对账
它做的是 开发者侧 Observability（可观测性）：看见模式、对比模型、找到浪费，再改工作流。
3）支持哪些工具？
截至 README（2026 年 6 月），声明支持 25 种 Provider，日常常见如 Claude Code、Cursor、Codex、Copilot、OpenClaw、Cline、Gemini CLI 等；自动检测本机有数据的工具，多 Provider 时按 p 切换。
三、核心能力：不只会「算花了多少钱」
1）成本追踪：按维度拆开
每次模型调用按多维度聚合：
时间 / 项目 / 模型 / 任务类型 / 工具·MCP / Provider
定价读 LiteLLM 价表（本地缓存 24h），区分 input / output / cache 等；Cursor Auto 等不透明模型会标注为估算。
2）13 类任务分类：钱花在「聊」还是「写」
用 确定性规则（不调 LLM）归类，例如：
Coding：Edit、Write 等改代码 Exploration：只 Read / Grep，不改文件 Conversation：纯聊天、无工具 … 共 13 类
官网案例常显示：一半以上 spend 落在非纯写代码场景——这正是「没写多少代码，额度却没了」的解释之一。
3）One-Shot Rate：一次改对了吗？
同一文件被反复 Edit 记为 retry；One-Shot Rate 越高越省心，越低说明在为纠错循环付 Token 税。
codeburn compare 可横向对比：One-shot / Retry rate、单次 Edit 成本、Cache 命中率、Fast Mode 占比。选模型不再靠感觉，而是靠真实 session 统计。
4）Optimize：带评分的「浪费扫描」
codeburn optimize
扫描 session 与 ~/.claude/ 等配置，找典型浪费，例如：
跨 session 重复读同一文件 MCP 白挂却每轮带着 schema CLAUDE.md过大、未使用的 Skill
输出 预估节省量 + 可复制 fix，并打 A–F 配置健康分。有人跑完才发现后台 terminal session 在静默烧 Token——没面板很难发现。
5）Yield：花钱有没有产出 commit？
codeburn yield
把 session 与 git commit 对齐，粗分 Productive / Reverted / Abandoned，回答「这轮 vibe coding 算不算有效产出」（需在 git 仓库目录运行）。
四、背后是谁？为什么这个项目会火？
CodeBurn 由 AgentSeal 维护，2026 年 4 月中旬开源；截至 6 月约 8k+ Star、40+ 贡献者、npm 周下载 7k+。
起源故事很典型：有人 Claude Code 一天烧 200 美元+，却不知 Token 去哪；做了读 transcript、分类汇总的 TUI 之后，常发现 一半以上不在写代码，而在对话、探索、配置和重复劳动——这正是上文痛点的来处。
社区买单，无非 npx 零摩擦、数据不出本机、多工具一面板、optimize 能行动。
五、怎么用？最低可用路径
1）环境要求
Node.js 20+ 本机已有 CodeBurn 支持的 AI 工具，且 产生过 session 日志
2）安装与运行
npx codeburn
也可 npm install -g codeburn 或 macOS 下 brew install codeburn。
启动后进入 TUI，默认近 7 天；q 退出，o Optimize，c 模型对比，p 切换 Provider。
3）常用命令速查
codeburn today # 今日用量
codeburn month # 本月用量
codeburn status # 一行摘要
codeburn report -p 30days # 滚动 30 天
codeburn optimize # 浪费扫描 + 健康评分
codeburn compare # 模型对比
codeburn yield # 与 git commit 关联
codeburn export -f json # 导出 JSON
codeburn plan set claude-max # 对照订阅额度
codeburn currency CNY # 设为人民币
按 Provider 过滤：codeburn today --provider claude / cursor
4）数据从哪来？
不拦截网络，只读磁盘日志，例如 Claude Code 的 ~/.claude/projects/、Codex 的 ~/.codex/sessions/、Cursor 本地 SQLite、OpenClaw 的 ~/.openclaw/agents/ 等；详见仓库 docs/providers/。
六、适合谁？使用时注意什么？
Claude Max / Pro 用户 → 看额度是否被聊天/探索吃掉
Cursor + Claude Code 混用 → 统一对比成本
Tech Lead → 导出 JSON/CSV 做预算讨论
Agent 玩家 → 压 MCP 与 retry
成本是估算值：用于相对比较和趋势，不是财务入账 部分 Provider 字段不全：Copilot 等按内容长度估算；Cursor Auto 会标注模型 依赖本地日志完整性：未落盘或路径变更需等社区适配
把它当 驾驶舱仪表，不是税务发票，心态就对了。
七、写在最后
三个词概括 CodeBurn：可见、本地、可行动。
可见：Token 按项目、模型、任务类型排开，不再是无底洞 本地：session 不上传，适合敏感场景 可行动：optimize / compare / yield 指向具体改法
建议今天就做三件事：① npx codeburn 看近 7 天 spend；② codeburn optimize 看配置健康分；③ Star 仓库 跟踪 Provider 适配。
AI 编程可以贵，但不应该贵得糊涂。 先把仪表盘装上，再谈 Opus 值不值、MCP 该不该砍、哪类任务交给更便宜的模型。
想看实操？点击这里
参考链接
CodeBurn 官网：https://codeburn.app/ GitHub 仓库：https://github.com/getagentseal/codeburn npm 包：https://www.npmjs.com/package/codeburn LiteLLM（定价数据源）：https://github.com/BerriAI/litellm
