CodeBurn：本地 AI 编程成本监控工具，追踪 Claude Code、Cursor 与 Codex 花费
CodeBurn 是一款开源、本地优先的 AI 编程成本监控工具，可读取 Claude Code、Cursor、Codex 等工具的本地会话数据，统计 Token 和模型成本，并结合 Git 提交记录分析成本是否转化为实际代码。
本地 AI 编程成本监控工具 CodeBurn
CodeBurn 是一款开源、本地优先的 AI 编程成本监控工具，可读取 Claude Code、Cursor、Codex 等工具的本地会话数据，统计 Token 和模型成本，并结合 Git 提交记录分析成本是否转化为实际代码。
使用 Claude Code、Cursor 或 Codex 的开发者常有这样的困惑：看到账单或用量统计时只有一堆数字，却难以判断资金具体流向。是模型选择过贵，还是 AI 反复读取文件、不断排错，却未产生实际修改？
CodeBurn 不止查看 Token 或总花费，还能深入分析成本主要消耗在哪些模型、项目和任务上，并识别重复读取文件、上下文膨胀、闲置工具配置等可能增加 Token 消耗的问题。
CodeBurn 是什么：一款本地 AI 编程成本监控工具
CodeBurn 可统计 Claude Code、Cursor、Codex、Gemini 等多种 AI 编程工具和 Agent 的 Token 用量与成本。与代理抓包类工具不同，它无需接管 API 请求，也无需额外填写 API Key。
它直接读取这些工具已保存在电脑中的 Session（会话日志），根据日志中的模型、Token、项目等信息整理成本。模型价格参考 LiteLLM 的费率数据，因此安装后无需改变原有使用方式。
若你主要想查询 Claude Code、Cursor 或 Codex 的具体 Token 和费用，CodeBurn 会直接从这些工具保存在本机的会话数据中整理。
代码和对话会上传吗？ CodeBurn 的会话日志解析主要在本机完成，不需要将代码或完整对话上传到 CodeBurn 服务。桌面版提供可选的匿名遥测（Telemetry），首次启动时可自行选择是否开启；若不愿发送此类数据，关闭即可。
不只是看 Token：成本可拆解到模型、项目和任务
在终端运行 npx codeburn overview，可查看总花费、输入与输出 Token、缓存读写，以及不同模型、项目和工具各自占用的成本。相比单一总消费数字，这种拆分更容易定位高成本项目或模型。
CodeBurn 还会根据会话日志和工具调用情况，将活动划分为 Coding（编码）、Debugging（调试）、Planning（规划）、Conversation（对话）等类别，便于进一步分析成本主要集中于实际编码，还是排错、规划和长时间对话。
Optimize：找出 Token 浪费，并直接应用部分优化
CodeBurn 除统计花费外，还提供 codeburn optimize，用于检查本地编码会话和相关配置中可能造成额外 Token 消耗的问题。
常见情况包括：
- 重复读取文件： Agent 多次读取同一大文件，却很少产生对应修改，持续增加输入 Token。
- 终端输出过长： Bash 或其他命令输出大量日志，这些内容又被重新带入后续上下文。
- 长期未使用的 MCP Server： 已配置 MCP 工具，但实际很少调用，相关工具描述仍可能增加上下文负担。
- 很少使用的 Agent 或 Skill： 已写入配置，但近期会话中几乎未触发，可据此判断是否保留。
CodeBurn 会针对这些情况给出优化建议，并估算可能减少的 Token 和成本。对于部分支持自动调整的配置，可添加 --apply 参数应用修改。
已应用的调整会留下操作记录，需要时可撤销之前的配置变更。至于项目结构、Prompt 设计或复杂 Agent 工作流本身造成的额外消耗，仍需开发者根据实际情况调整。
花出去的钱，到底有没有变成代码？
CodeBurn 的 yield 功能会结合 Git 提交历史，将 AI 会话产生的成本和后续代码提交关联起来。相比只统计 Token 和花费，它多回答了一个问题：这些 AI 编程成本最后是否形成了实际代码。
它会根据关联结果，将相关会话大致归为 Productive（形成有效提交）、Reverted（提交后被撤销）和 Abandoned（没有形成提交）等情况。对于每天运行大量 Claude Code、Cursor 或 Agent 的开发者，这有助于判断哪些会话花费高却无实际代码产出。
不过 Yield 并非精确的财务归因。它主要根据会话与 Git 提交之间的时间关系进行判断，在多 Agent、跨进程协作或人工修改较多的项目里，结果更适合作为参考，而非直接衡量开发者绩效。
预算控制与多设备成本汇总
除了分析已产生的花费，CodeBurn 还可设置预算，并汇总多台设备上的 AI 编程成本。
- 预算管理（Budget）： 通过
codeburn budget可设置日、周或月度预算，并使用--check返回当前预算状态，方便脚本或自动化流程根据是否超支决定后续任务是否继续执行。 - 多设备汇总： 通过局域网 PIN 配对，可将笔记本、桌面电脑等不同设备上的使用数据汇总，查看整体 AI 编程花费。
CodeBurn 与 ccusage、CodexBar 有什么区别？
相比 ccusage，CodeBurn 覆盖的 AI 编程工具更多，不局限于 Claude Code，还可汇总 Cursor、Codex、Gemini 等工具的使用数据。除了 Token 和成本统计，它还提供 Optimize、Yield、预算管理，以及 CLI、macOS 菜单栏、桌面端和 Web Dashboard 等不同使用方式。
若你只使用 Claude Code，主要需求是查看 Token 和成本，ccusage 这类轻量工具已够用。CodeBurn 更适合同时使用多个 AI 编程工具，并想继续分析成本花在哪、哪些会话消耗较高、哪些配置可能造成额外 Token 开销的用户。
与 CodexBar 相比，两者关注点不同。CodexBar 更偏向查看不同 AI 编程服务的剩余额度、重置时间和用量状态，而 CodeBurn 更关注已发生的 Token 与成本，并继续向项目、任务和代码产出方向分析。简单来说，CodexBar 更偏“还剩多少”，CodeBurn 更偏“已经花到哪了”。
CodeBurn 的数据准确吗？有哪些限制？
- Cursor 的部分成本是估算值： Cursor 的 Auto 模式不会在本地暴露实际调用的底层模型，CodeBurn 遇到此类会话时需按预设模型费率估算成本。因此这些数据更适合观察花费趋势和项目间差异，不适合替代 Cursor 官方账单做逐项对账。
- Yield 不是精确的代码产出归因： 它主要根据 AI 会话与 Git 提交之间的时间关系进行关联。遇到多 Agent、跨进程协作或大量人工修改时，部分会话可能无法准确对应到最终 Commit，因此更适合作为成本与代码产出之间的参考指标。
CodeBurn 适合哪些用户？
CodeBurn 更适合已高频使用 AI 编程工具，并开始关心 Token、API 费用或不同项目成本的开发者。尤其是同时使用 Claude Code、Cursor、Codex、Gemini CLI 等多个工具时，它可将分散的会话和花费汇总到一起。
- 高频使用 AI 编程工具的独立开发者： 想知道 Token 主要花在哪些项目、模型和任务上，而不是只看月底总账单。
- 同时使用多个 AI 编程工具的用户： 希望将 Claude Code、Cursor、Codex 等工具的使用成本放在一起比较。
- 运行多个 Agent 或自动化任务的开发者： 需要排查重复读取文件、过长终端输出、闲置 MCP Server 等可能增加 Token 消耗的问题。
- 需要关注 AI 开发预算的技术负责人： 希望按模型、项目和任务观察成本变化，并了解哪些会话产生了较高开销。
- 想进一步看成本与代码产出关系的用户： 除了统计 Token，还希望通过 Yield 等功能查看 AI 会话与 Git Commit 之间的关联。
若你只是偶尔用 ChatGPT、Cursor 处理几个代码问题，每月也没有明显的 Token 或 API 成本压力，那么专门安装一套成本分析工具意义不大。只想查看 Claude Code 的基础用量时，ccusage 这类更轻量的工具也可能已经够用。
简单来说，CodeBurn 更适合已经持续产生 AI 编程成本，并且想进一步弄清楚“钱花在哪、哪些地方还能减少浪费”的用户。
