CodeBurn 是一款开源、本地优先的 AI 编程成本监控工具，可以读取 Claude Code、Cursor、Codex 等工具保存的本地会话数据，统计 Token 和模型成本，还能结合 Git 提交记录，看看这些消耗最后有没有变成实际代码。
用 Claude Code、Cursor 或 Codex 写代码的人大概都有过这种体验：看到账单或用量统计时只有一堆数字，却很难判断这笔钱究竟花在哪儿了。是模型选贵了，还是 AI 在反复读取文件、不断排错，却没有产生多少实际修改？
CodeBurn 不只是查看 Token 或总花费，它还会继续分析成本主要落在哪些模型、项目和任务上，并找出重复读取文件、上下文膨胀、闲置工具配置等可能增加 Token 消耗的问题。
官方账单或用量面板通常更偏向账户级的费用和 Token 统计，而 CodeBurn 会进一步读取本地会话数据，按项目、模型和任务拆解成本；Yield 还会结合 Git 历史，把 AI 会话与后续代码提交做关联。
CodeBurn 是什么：一款本地 AI 编程成本监控工具
CodeBurn 可以统计 Claude Code、Cursor、Codex、Gemini 等多种 AI 编程工具和 Agent 的 Token 用量与成本。它和代理抓包类工具不太一样：不需要接管 API 请求，也不用额外填写 API Key。
它直接读取这些工具已经保存在电脑里的 Session（会话日志），再根据日志里的模型、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 CodeBurn 后不需要改变原来的 Claude Code、Cursor 或 Codex 使用方式。
如果你主要是想查 Claude Code、Cursor 或 Codex 到底花了多少 Token 和费用，CodeBurn 会直接从这些工具保存在本机的会话数据里整理。
代码和对话会上传吗？ CodeBurn 的会话日志解析主要在本机完成，不需要把代码或完整对话上传到 CodeBurn 服务。桌面版另外提供可选的匿名遥测（Telemetry），首次启动时可以自行选择是否开启；不希望发送这类使用数据的话，关闭即可。
不只是看 Token：成本可以拆解到模型、项目和任务
在终端运行 npx codeburn overview，可以查看总花费、输入与输出 Token、缓存读写，以及不同模型、项目和工具各自占了多少成本。相比只看一个总消费数字，这种拆分更容易找到真正烧钱的项目或模型。
CodeBurn 还会根据会话日志和工具调用情况，把活动划分为 Coding（编码）、Debugging（调试）、Planning（规划）、Conversation（对话）等不同类别。这样可以继续往下看：成本主要花在实际编码上，还是更多消耗在排错、规划和长时间对话里。
Optimize：找出 Token 浪费，并直接应用部分优化
CodeBurn 除了统计花费，还提供了 codeburn optimize，用来检查本地编码会话和相关配置里可能造成额外 Token 消耗的问题。
比较常见的情况包括：
- 重复读取文件：Agent 多次读取同一份大文件，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：已经配置了 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：已经写入配置，但近期会话中几乎没有触发，可以据此判断是否还有继续保留的必要。
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。对于其中一部分支持自动调整的配置，可以加上 --apply 参数应用修改。
已经应用的调整会留下操作记录，需要时可以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，仍然需要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，把 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 编程成本最后有没有形成实际代码。
它会根据关联结果，把相关会话大致归为 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，这能帮助判断哪些会话花了钱却没有留下实际代码产出。
不过 Yield 并不是精确的财务归因。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，而不是直接拿来衡量开发者绩效。
预算控制与多设备成本汇总
除了分析已经产生的花费，CodeBurn 还可以设置预算，并把多台设备上的 AI 编程成本汇总到一起。
- 预算管理（Budget）：通过
codeburn budget可以设置日、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，可以把笔记本、桌面电脑等不同设备上的使用数据汇总起来，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，还可以汇总 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。
如果你只使用 Claude Code，主要需求就是查看 Token 和成本，ccusage 这类轻量工具已经够用。CodeBurn 更适合同时使用多个 AI 编程工具，并且还想继续分析成本花在哪、哪些会话消耗较高，以及哪些配置可能造成额外 Token 开销的用户。
和本站此前介绍的 CodexBar 相比，两者关注的问题也不一样。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 更关注已经发生的 Token 与成本，并继续往项目、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 遇到这类会话时需要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不同项目之间的差异，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 更适合已经高频使用 AI 编程工具，并且开始关心 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，它可以把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：希望把 Claude Code、Cursor、Codex 等工具的使用成本放到一起比较。
- 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。
如果你只是偶尔用 ChatGPT、Cursor 处理几个代码问题，每个月也没有明显的 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。
评论(0)