CodeBurn，把 AI 编程烧钱账单摊开给你看

AI 编程工具这波，很多团队已经不是「用不用」的问题了。

真正开始肉疼的，往往是第二阶段。

每天都在跑 Claude Code、Codex、Cursor、OpenClaw，活干了不少，token 也烧得飞快，但钱到底烧在哪，哪个模型最贵，哪个项目最能吞预算，很多时候其实是一笔糊涂账。

更骚的是，有些钱不是花在写代码上，是花在反复重读、无效重试、冗长 bash 输出，还有一堆挂着不用的配置上。

这时候再看 CodeBurn，就有点那个意思了。

先说结论，这项目到底是什么

它就是一个把 AI 编程成本、token 用量和产出效率摊开给你看的本地账本，而且不是云端套壳，是直接读你磁盘里的会话数据。

为什么这玩意值得继续往下看

很多人现在对 AI 编程的管理方式，基本还停留在体感阶段。

感觉 Claude 最近有点贵。

感觉 Cursor 好像跑得多。

感觉某几个项目特别能烧。

但感觉这东西，跟月底对账单碰上的时候，通常不太顶用。

CodeBurn 的价值就在这，它不是只告诉你花了多少钱，而是继续往下拆。

它会按任务类型、模型、工具、项目、provider 去拆你的支出，也会给出性能视角，比如 one-shot rate、retry rate、cost per edit、cache hit rate 这些。说白一点，它不是只看你花了多少钱，还在看这笔钱花得冤不冤。

而且整个东西本地运行，不需要 wrapper，不需要代理，不需要再塞一层 API key。很多这类统计工具一上来就想做流量入口，先把你的请求接过去再说，像又请了个管家进你家翻账本。CodeBurn 不是这条路子，它直接去读本地 session 数据，再按 LiteLLM 的价格表核算。

这就很现实。

它到底强在哪，别空喊真香

先看一眼这玩意的大致工作方式。

flowchart LR
    subgraph Logs[本地会话数据]
        A[Claude Code]
        B[Codex]
        C[Cursor]
        D[OpenClaw]
        E[更多 AI coding tools]
    end

    subgraph Engine[CodeBurn 本地分析]
        F[读取磁盘 session 数据]
        G[按模型与 token 计价]
        H[按任务类型和行为分类]
    end

    subgraph Output[输出结果]
        I[Dashboard]
        J[Optimize]
        K[Compare]
        L[Yield]
        M[Export / JSON]
    end

    A --> F
    B --> F
    C --> F
    D --> F
    E --> F
    F --> G
    F --> H
    G --> I
    G --> J
    H --> I
    H --> J
    H --> K
    H --> L
    G --> M

这个结构最值钱的地方，不在「做了个 dashboard」，而在它把几类原本散着的东西串起来了。

第一层，它先把账给你记明白

项目说明里写得很直接，它会给每次 API 调用按 input、output、cache read、cache write、web search token 去计价，Claude 的 fast mode multiplier 也算进去。价格来源走 LiteLLM，本地缓存 24 小时，同时对 Claude 和 GPT 系列还做了 hardcoded fallbacks，避免价格匹配错位。

这在真实工作里就不是小事了。

很多团队现在最大的坑，不是不会用 AI，而是看不见成本结构。结果就是每个人都在烧，月底一看总账，谁也说不清哪块最离谱，像开着空调不看电表，爽的时候是真爽，缴费的时候也是真疼。

第二层，它不只看钱，还看你是不是在白烧

这项目把任务分成 13 类，而且是确定性分类，不走额外 LLM 调用。

分类里包括 Coding、Debugging、Feature Dev、Refactoring、Testing、Exploration、Planning、Delegation、Git Ops、Build/Deploy、Brainstorming、Conversation、General。

因为很多时候真正该复盘的，不是「哪个模型最贵」，而是「贵的是不是值」。如果某段时间 Debugging 的 retry 特别高，或者 Coding 的 one-shot rate 特别低，那八成不是模型单纯太贵，而是流程出了问题，提示词、上下文、读写比例、测试路径，至少有一个地方在拉胯。

第三层，它把常见浪费点直接挑出来

optimize 这块是很适合技术团队看的。

它扫的不只是 session，还会扫 ~/.claude/ 配置，专门抓这些典型浪费。

浪费类型	实际意味着什么
反复重读同样文件	同一份上下文来回喂，token 像白送
低 Read:Edit 比例	没看清就改，后面靠重试擦屁股
冗长 bash 输出	终端噪音把上下文塞爆
没用的 MCP server	每次开会话都在交 schema 过路费
从没调用过的 agent / skill / slash command	配了很多，真正上场的没几个
膨胀的 `CLAUDE.md`	上下文像背着一袋砖进场
cache creation overhead 和 junk directory reads	看起来像在工作，其实在烧预算

而且每条 finding 不只是报问题，还会给你估算 token 和美元 savings，再附一个可以直接粘贴的修复动作，比如环境变量、CLAUDE.md 配置行，甚至 mv 命令。

不是泛泛地告诉你「要优化使用习惯」，而是直接告诉你哪块肉白白烤糊了。

第四层，它把对比和结果也补上了

compare 用来做模型横向对比。

它看的不是那种玄学印象，而是 one-shot rate、retry rate、self-correction、cost per call、cost per edit、output tokens per call、cache hit rate 这些指标，还会对比 per-category one-shot rates、delegation rate、planning rate、average tools per turn、fast mode usage。

yield 更狠一点，它开始把 AI session 跟 git commit 时间戳关联，拆成 Productive、Reverted、Abandoned 三类。

这就不是「花钱统计」了，已经开始往「产出归因」走。

第五层，它支持的工具范围够宽

项目说明给的定位是覆盖 19 AI coding tools，而支持列表里已经能看到一大串常见选手，包括 Claude Code、Claude Desktop、Cline、Codex、Cursor、cursor-agent、Gemini CLI、Mistral Vibe、GitHub Copilot、IBM Bob、Kiro、OpenCode、OpenClaw、Pi、OMP、Droid、Roo Code、KiloCode、Qwen、Kimi Code CLI、Goose、Antigravity、Crush。

现在团队里很少只用一种工具，今天 Codex，明天 Claude Code，旁边还有 Cursor 和 OpenClaw 混着跑。如果统计工具只能看单一生态，最后还是半本账。CodeBurn 这点至少是朝全账本在走。

上手成本高不高

不算高。

门槛主要就三件事，Node.js 20+，你的机器上至少真有一个受支持的 AI coding tool，而且它本地确实留下了 session 数据。对 Cursor 和 OpenCode，better-sqlite3 会作为 optional dependency 自动安装。

安装方式很直接。

npm install -g codeburn

或者用 Homebrew。

brew tap getagentseal/codeburn
brew install codeburn

如果你只是想先看一眼，也可以不安装，直接跑。

npx codeburn
bunx codeburn
dx codeburn

示例对话：

你:
想看最近 Codex 和 OpenClaw 到底谁更烧钱，先把这个工具跑起来。

AI:
可以，先直接试跑，不急着全局安装。

你:
npx codeburn

AI:
如果本地已经有对应工具的 session 数据，它会直接起交互面板。
先看 7 days 总览，再切到 compare 和 optimize。

你:
如果要长期用呢？

AI:
那就装全局版，后面查 today、month、report、yield 会顺手很多。

你:
数据会不会先绕去第三方？

AI:
不会，这个工具的路子就是本地读盘、本地计价、本地展示。

怎么用，按真实使用路径走一遍

先看它给的主命令集合。

codeburn                        # interactive dashboard (default: 7 days)
codeburn today                  # today's usage
codeburn month                  # this month's usage
codeburn report -p 30days       # rolling 30-day window
codeburn report -p all          # every recorded session
codeburn report --from 2026-04-01 --to 2026-04-10  # exact date range
codeburn report --format json   # full dashboard data as JSON
codeburn report --refresh 60    # auto-refresh every 60s (default: 30s)
codeburn status                 # compact one-liner (today + month)
codeburn status --format json
codeburn export                 # CSV with today, 7 days, 30 days
codeburn export -f json         # JSON export
codeburn optimize               # find waste, get copy-paste fixes
codeburn optimize -p week       # scope the scan to last 7 days
codeburn compare                # side-by-side model comparison
codeburn yield                  # track productive vs reverted/abandoned spend
codeburn yield -p 30days        # yield analysis for last 30 days
codeburn models                 # per-model token + cost table (last 30 days)
codeburn models --by-task       # explode each model into per-task-type rows
codeburn models --top 10        # only the top 10 by cost
codeburn models --format markdown      # paste-friendly markdown table
codeburn models --task feature         # filter to feature-development work
codeburn models --provider claude      # filter to one provider

如果是第一次上手，比较顺的路径其实是这样的。

先跑 codeburn 看总览，确认本地 session 数据有没有被识别到。
再跑 codeburn status 和 codeburn today，快速看今天和本月有没有异常。
接着进 codeburn compare，看模型之间是不是有明显成本和成功率差异。
最后跑 codeburn optimize，把明显浪费先收掉。

这里再补一个组合工作流示例。注意，这不是项目原生内建能力，而是很自然的实际协作方式。

组合工作流示例

假设团队现在同时在用 OpenClaw、Claude Code、Codex。

白天先用 codeburn report --format json 或 codeburn export -f json 把数据导出来，喂给内部脚本、Notion 面板，或者让 OpenClaw/Codex 帮忙做日报总结。晚上再跑一次 codeburn optimize 和 codeburn compare，把高成本低产出的模型、任务类别、项目和配置挑出来，第二天直接调整工作流。

对应的原生命令如下。

codeburn optimize                       # scan the last 30 days
codeburn optimize -p today              # today only
codeburn optimize -p week               # last 7 days
codeburn optimize --provider claude     # restrict to one provider

codeburn compare                        # interactive model picker (default: last 6 months)
codeburn compare -p week                # last 7 days
codeburn compare -p today               # today only
codeburn compare --provider claude      # Claude Code sessions only

codeburn yield                  # last 7 days (default)
codeburn yield -p today         # today only
codeburn yield -p 30days        # last 30 days
codeburn yield -p month         # this calendar month

如果你还想把订阅成本也拉进来，它还有 plan 这条线。

codeburn plan set claude-max                                  # $200/month
codeburn plan set claude-pro                                  # $20/month
codeburn plan set cursor-pro                                  # $20/month
codeburn plan set custom --monthly-usd 200 --provider codex   # ChatGPT Pro-style custom plan
codeburn plan reset --provider codex                          # remove one provider plan
codeburn plan set none                                        # disable plan view
codeburn plan                                                 # show configured plans
codeburn plan reset                                           # remove plan config

这块的价值在于，很多团队现在不是单纯按量计费，还混着 Claude Pro、Claude Max、Cursor Pro、Codex 一类订阅。账如果只看调用，不看套餐边界，很容易判断偏。

哪些地方是真的香

第一，它是本地读盘，不绕代理，不再往外多开一层口子，这点对很多开发者已经很有吸引力了。

第二，它不只看 token 和美元，还把 one-shot rate、retry、yield 这些效率指标拉进来了，终于不是只会报账。

第三，optimize 不是空谈建议，而是直接给你能复制粘贴的修复动作，这就很像给浪费开刀，而不是开会。

哪些人会更适合

同时在用 Claude Code、Codex、Cursor、OpenClaw 这类多工具组合的个人开发者
已经开始关心 AI 编程预算，但现在还只能靠体感判断的团队负责人
想复盘模型性价比，而不是只盯主观印象的工程团队
经常改 CLAUDE.md、MCP、agent、skill 配置，想知道哪些配置其实一直在白烧 token 的重度用户
想把 AI session 和 git 产出关联起来看，判断哪些使用习惯真正有结果的团队

使用前最好知道的边界

有几点得提前说清楚，不然后面容易上头。

第一，不同 provider 的数据质量并不完全一样。

像 Cursor 的 Auto 模式不会暴露真实模型，所以成本按 Sonnet pricing 估算，面板里会标成 Auto (Sonnet est.)。Kiro 的底层模型也不暴露，所以 session 会标成 kiro-auto，成本同样按 Sonnet rates 处理。GitHub Copilot 的 VS Code transcript 没有显式 token 计数，也要按内容长度估算。

第二，某些 provider 首次扫描会慢。

项目说明里专门提到，大 Cursor 数据库首次跑可能要到一分钟，但后续有缓存，之后就会快很多。

第三，yield 不是凭空算出来的，它依赖 git repository 环境，而且要根据时间戳去关联 commit。也就是说，这块更适合本来就有比较规范 git 流程的团队。

第四，支持范围很宽，不代表所有 provider 的细节粒度都一样。

例如 Cursor 视图会显示 Languages panel，而不是 Core Tools、Shell、MCP panels，因为它本身就不记录单个 tool call。这个不是 CodeBurn 偷懒，是源数据的天花板就在那里。

第五，计划价格有公开预设口径，但项目说明也写了，是基于公开价格口径整理的，时间点是 2026 年 4 月。订阅价格如果之后变了，还是得自己有这个意识，别把面板当圣经。

收尾

如果你已经把 AI 编程当成正式生产力，那 token 账、效率账、产出账，迟早都得补上，CodeBurn 干的就是这件事，而且干得还挺实在。

#AI编程 #CodeBurn #GitHub项目 #ClaudeCode #Codex #OpenClaw #开发效率 #Token成本 #工程团队 #AI工具链