跳到正文

统计工具开始收费后,我给自己写了个 AI 用量看板

白雾茫茫丶
发布日期:
约 5 分钟
1646 字
本页目录

用了挺久的 AI 用量统计工具开始收费了。

倒不是付不起这个钱,而是这件事让我意识到一个更实际的问题:我在几台设备、好几个编辑器和 CLI 上跑出来的用量,一直存在别人的服务里。想合起来看、想换个角度查、想把历史留住,都得看对方给不给。

说白了,我想要的只有一件事:一个地方,能回答「这个月我到底用掉了多少 token、钱花在哪个模型上、有没有哪天突然飙高」。设备可以是多台,工具可以有很多种,但数据得在我自己手里。

于是有了 Token Usage:一个可以自己部署的 AI token 用量看板。采集端只读本地日志,一个账号汇总多台设备,数据写进你自己的 Supabase。

视频加载失败打开原链接
VIDEO58 秒看完 Token Usage
0:000:00

我想解决的问题

我要的东西不复杂。

先是总量。今天、这个月、和历史比,数字要能一眼看到。

然后是归因。token 是哪个模型烧掉的,来自 Claude Code 还是 Codex,落在哪个项目上。

最后是异常。某天用量突然翻倍,是正常加班,还是某个任务陷入了循环。

这三个问题不需要请求级追踪,也不需要看到 prompt 和对话正文。Token Usage 只统计用量本身,不碰内容。

三步接入

采集端是一个 npm 包,要求 Node.js 22.19 以上。

npm install -g tokenusage-cli

tokenusage init          # 扫描本地工具、装采集 hook、注册每小时任务
tokenusage device-login  # 输出配对码,在浏览器里批准
tokenusage sync          # 立即采集并上报一轮

init 会找出本机已经安装的 AI 工具,装好采集 hook,并注册每小时一次的采集任务。它本身不上报数据,真正的解析发生在 sync 里。没有安装的工具不会被扫描,也不会产生任何数据。

device-login 会打印一个八位配对码,打开站点上的 /device 页面批准即可。配对码十五分钟有效,批准后设备令牌保存在本地。

sync 是手动跑一轮。第一次会把历史日志全部解析一遍,所以会慢一些;之后只扫描有变化的文件,增量上传。

还有个挺实用的设计:没配对也能先采集。数据会留在本地队列里,等配对完成后再一次性补传,不会因为顺序装错而丢数据。

数据怎么走

整条链路上没有代理,也没有 SDK 埋点。

Token Usage 的数据链路:本地日志经采集端进入自己的 Supabase

采集端解析本地日志,把结果写进 queue.jsonl。这个队列按「小时 + 来源 + 模型」聚合,采用 last-wins 语义,重复上传不会把数据翻倍。联网后,采集端带着设备令牌把队列上报给你配对的实例;实例在服务端用 service-role 写入自己的 Supabase。

每个部署实例只认自己签发的设备令牌,也只写自己的数据库。你部署十份,十份之间也互不相通。

目前支持 46 个本地来源和 5 个账户级来源,覆盖 Claude Code、Codex、Cursor、GitHub Copilot、Gemini、Qoder、Kiro、Zed、TRAE 等常见工具。不同工具写日志的方式差别很大,有的是 JSONL,有的是 SQLite,有的只能从云端接口取。这些差异都留在采集端,仪表盘只看到一套统一口径。

做出来的样子

先看仪表盘。总量、会话数、活跃天数、日均和单日峰值在第一屏,下面是模型与来源的占比,再往下可以按时间范围、时区、设备切换。

Token Usage 仪表盘总览:总 Tokens、会话数、活跃天数、模型与来源占比

趋势页能按日或按月看,也能在 Token 和成本之间切换。Top 模型和来源构成放在图表下方,方便直接对账。

用量趋势页:按日或按月查看 Token 与成本,下方是 Top 模型和来源构成

成本是按 token 数量和内置的定价表估算出来的,不是厂商账单。未定价的模型会按 0 计,页面上也会标明这是估算下限。订阅制的积分(credits)单独占一个维度,不折算成 token,也不并进成本——这两类数字混在一起,后面很难解释清楚。

仪表盘之外还有几个页面。Sessions 按会话看明细,当前筛选的结果可以直接导出 CSV;Projects 按工作目录归因;采集记录页能看到每一轮 sync 的结果和耗时。年度回顾把一整年收成一张页面,旁边是 20 条成就和五档段位。公开徽章可以嵌进 README,公开用量页不用登录也能打开。

成就墙:20 条成就按里程碑、高峰、节奏分组,每条五档段位

年度回顾:全年 Tokens、成本、会话数、活跃天数与解锁成就

三条设计原则

只读日志,不碰请求。 不挂代理、不接 SDK,也不需要改你的代码。代理和埋点都能拿到更细的请求数据,但代价是每换一个工具就要重新接一次,还容易漏。日志是现成的,代价是解析器要一个个写。

只传聚合元数据。 上报的是 token 计数、模型名、项目目录名和会话的起止时间。prompt、助手正文、工具参数、命令输出、diff、会话标题、本地绝对路径,全都不上传。这条边界不是靠自觉,而是由采集端测试里的字段白名单锁住的。

数据只进自己的库。 token_* 表对 anon 和 authenticated 角色没有任何 policy,等于全拒;浏览器端不直连数据库,所有读写都走服务端。service-role key 只存在于服务端运行时。

这三条里,第一条决定了它能覆盖多少工具,第二条决定了它敢不敢给你用,第三条决定了它是不是真的「自托管」。

自己部署一份

部署需要两个东西:一个 Supabase 项目,一个能跑 Next.js 的地方。Vercel 最省事,仓库里也有一键部署按钮。

流程不复杂:执行 supabase/migrations/ 下的迁移建表,配置四个环境变量,部署 Web 应用,建管理员账号,最后给每台设备配对一次采集端。仓库里的部署指南写到了可以直接交给编码 Agent 执行的程度:按节执行、每节报告结果,不可逆操作先停下来问人。

如果你只想在本机看板,不部署到公网也可以。Supabase 仍然需要一个,但数据不会离开你的项目。

最后

项目是 MIT 开源的。采集端基于 TokenTracker 的 MIT 代码二次开发,上游署名写在仓库的 LICENSE 与 THIRD_PARTY_NOTICES 里。

如果你也在几台设备上用 AI 编程,又不想把用量数据交给别人,可以部署一份试试。遇到问题,欢迎到 GitHub 提 Issue。

评论

Previous
ZCode 每天送 3 亿 Token:GLM-5.3-Flash 额度常态化

相关阅读