夜雨聆风agentacct 是一个本地优先的 AI 编程智能工具，读取 Claude Code 和 Codex 的本地日志，把 token 消耗、代码产出、工作量全部关联起来，在本地仪表盘上一目了然。
不知道大家有没有这种感觉——用 Claude Code 或者 Codex 写代码，用着用着就忘了这玩意儿跑了多少 token、花了多少钱。每次月底看到账单才恍然大悟："怎么又烧了这么多？"
更扎心的是，你只知道花了多少 token，但不知道这些 token 到底换来了什么产出。跑了一整天，代码改了哪些文件？跑了几个测试用例？有没有什么坑？心里完全没底。
今天介绍一个开源项目叫 agentacct，就是来解决这个问题的。
它是什么
agentacct 的定位很有意思——本地优先的 Agent 工作智能工具。简单来说，它读取你机器上 Claude Code 和 Codex 已经生成的会话日志，把 token 消耗和实际工作产出关联起来，然后在一个本地仪表盘上展示出来。
重点来了：所有数据都在你自己的机器上，不会上传到任何云端，不需要注册账号，不存在任何追踪和上报。这点对很多有数据安全顾虑的团队来说，应该很有吸引力。
核心能力拆解
1. 诚实的用量和成本
agentacct 直接读取客户端自己写的本地会话文件，所以拿到的 token 数量是"客户端报告"的——这是真实的消耗数字，不是估算。成本呢，是根据本地定价表算出来的估算值，项目方也明确说了这是 estimate 不是发票，所以不会给你造成误导。
这样有一个好处：数据来源清晰，标注清楚，你知道哪些是准确值，哪些是参考值。
2. 工作记录，不只是 token 数字
这是我觉得最有价值的地方。agentacct 不只是记录你花了多少 token，它还记录了 agent 在工作过程中干了什么——跑了哪些测试用例、修改了哪些文件、执行了哪些机器检查。
测试通过了？有截图为证，标注为"Verified"证据。agent 自己声称完成了某项任务？那就标注为"Agent reported"，不会糊弄你。
3. 可信的归因
agentacct 会把用量数据和工作记录通过 session/transcript id 关联起来，每一次关联都会打上置信度标签：exact（精确）、high（高）、medium（中）、low（低）。
找不到关联的时候，它会直接告诉你"这里有gap"，而不是瞎猜一个结果给你。这种"宁可展示空白，也不乱给猜测"的态度，确实让人用着更放心。
支持哪些客户端
目前 agentacct 对不同编程助手的支持程度不一样：
Claude Code：支持最完整，有 hook bridge 在会话启动时捕获真实 id Codex：支持从客户端自身会话日志中获取关联证据 其他客户端（Hermes、OpenCode、OpenClaw、Cursor 等）：支持范围更窄，具体能力在官方文档里有详细矩阵
这意味着如果你用 Claude Code，能获得最完整的体验。
怎么安装使用
整个安装流程非常简洁，一句话概括：pipx 安装 → onboard 引导 → 打开本地仪表盘。
第一步，安装：
pipx install agentacct
第二步，引导配置（在你的项目根目录运行）：
agentacct onboard
onboard 会自动检测本地的 coding-agent 日志，初始化项目本地存储，运行首次数据同步，然后在 http://127.0.0.1:8765 启动仪表盘。直接浏览器打开就行。
不想折腾？也可以把安装任务直接丢给 AI 编程助手自己完成，只需要把项目官方提供的 prompt 粘贴给它就行。
补充：如果你想先看看效果再决定用不用，
agentacct demo可以用临时存储跑一个安全演练，不会动你的真实数据，也不消耗付费 API。
管理命令
日常使用就这几个命令：
agentacct start # 启动同步和仪表盘
agentacct status # 查看状态
agentacct stop # 停止
agentacct repair # 修复问题
所有状态数据都存在项目本地的 .agent-sentinel/ 目录里，已经加入了 .gitignore，不用担心不小心提交到仓库。
卸载也干净
不想用了？一条条来：
agentacct stop
agentacct uninstall-autostart
pipx uninstall agentacct
# 然后删除项目的 .agent-sentinel/ 目录
# 以及清理各客户端配置文件里的 agentacct 相关条目
没有残留，没有守护进程赖着不走，体验不错。
几点感受
用了差不多一周，我的感受是这样的：
优点很明显：数据全在本地，隐私这块完全不用担心。token 消耗和代码产出对照起来看，确实能发现自己用 AI 编程的一些"坏习惯"——比如有时候 AI 跑了一圈最后没用到，白白烧了不少 token。
局限性也要说清楚：目前还是 early alpha 阶段，界面和接口在版本迭代中可能会变。另外成本估算只是参考值，不是精确账单，对账还得去官方平台。另外 Windows 用户只能用 WSL，有些麻烦。
总体来说，如果你经常用 Claude Code 或 Codex，尤其是一个人管好几个项目的情况下，agentacct 是一个值得一试的"透视镜"。让你在享受 AI 编程便利的同时，也对自己的投入产出有个清晰的认知。
项目地址：https://github.com/mikehasa/agentacct[1]，星数目前 460+ 左右，Python 开发，感兴趣的朋友可以去看看。
你觉得 AI 编程的用量追踪重要吗？用过什么类似工具？评论区聊聊。
引用链接
[1]https://github.com/mikehasa/agentacct