你的AI编程Token都花到哪了？

大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。

“阅读本文大概需要4分钟”

—

Token用哪了？

直到我装了codeburn，用codeburn监控了一周，发现了这些秘密后。

这个工具告诉我一个残酷的事实：我80%的Token都浪费在"试错"上了。

什么意思？

写一段代码 → AI生成 → 不满意 → 修改提示词 → 再生成 → 还是不满意 → 再改…

循环往复，Token就这么没了。

一周下来，我花了$0.00（用的免费模型），但如果按Claude Pro算，可能烧掉几十刀。

今天用实测数据，告诉你AI编程的Token都去哪了，以及怎么省。

—

codeburn是什么？

codeburn：我们直观来看把英文单词拆开来读code+burn（代码+烧）意味着消耗？

codeburn是一个开源的Token监控工具，GitHub上2.7K星，本周最火。

它能做什么？

安装很简单：

 npm install -g codeburn

或者直接运行

npx codeburn

不需要配置API Key，不需要改代码，直接读取本地会话数据。

—

实测一周

用真实数据实际测试一周的返现如下：

先上数据，再分析。

 $ codeburn status

Today $0.0000 18 calls Month $0.0000 43 calls

看起来不多？但看详细 breakdown：

 $ codeburn report

7 Days Summary ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ Cost: \(0.0000 Calls: 18 Sessions: 3 Cache hit: 51.5% Tokens in: 275.2K Tokens out: 725 Cached: 291.7K

关键发现：

发现问题了吗？

只有20%的Token花在"实际编码"上，80%都在"讨论"和"探索"。

这意味着什么？

运行 codeburn optimize，我得到了这些：

 CodeBurn config health Last 30 Days ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 6 sessions 43 calls \)

0.0000 Health: B ( ⁸⁶⁄ ₁₀₀, 2 issues)

Potential savings: ~4.0K tokens

─── 1. Shrink bash output limit ──────────────────────── Medium ───

Your bash output cap is 30K chars (default). Most output fits in 15K. The extra ~3.8K tokens per bash call is trailing noise.

Potential savings: 3.8K tokens ($0.0000)

Add to ~/.zshrc or ~/.bashrc: export BASH_MAX_OUTPUT_LENGTH=15000

─── 2. 3 custom agents you never use ─────────────────── Medium ───

Defined in ~/.claude/agents/ but never invoked in this period: CONTRIBUTING, CONTRIBUTING_zh-CN, README. Each adds ~80 tokens to the Task tool schema on every session.

Potential savings: 240 tokens ($0.0000)

Archive unused agents: mv ~/.claude/agents/CONTRIBUTING.md ~/.claude/agents/.archived/

两条 actionable 的建议：

—

省token小技巧

基于codeburn的数据分析，我总结了5个省Token的技巧：

技巧1：先想清楚再动手

❌ 错误示范：

 "帮我写个用户系统" → 写了一半发现不对 → "再加个权限管理" → 又不对 → "权限要分角色"

✅ 正确做法：

 "帮我设计一个用户系统，需求如下：

支持注册/登录/找回密码
权限分管理员/普通用户/访客三级
使用JWT认证
技术栈：Node.js + MongoDB"
一次给足上下文，减少来回次数。
技巧2：缩小输出限制
加到 ~/.zshrc

export BASH_MAX_OUTPUT_LENGTH=15000
默认30K字符，大部分情况15K就够了。
技巧3：清理不用的agents
查看有哪些agents

ls ~/.claude/agents/

不用的移到归档

mv ~/.claude/agents/xxx.md ~/.claude/agents/.archived/

每个agent都会占用Token预算。

技巧4：善用缓存

Claude Code有缓存机制，相同的内容不会重复计费。

技巧：把常用的上下文写成文件，让AI读取，而不是每次粘贴。

写个CLAUDE.md放在项目根目录

里面放项目规范、技术栈、常用命令

技巧5：监控1-shot成功率

codeburn会统计"一次成功率"，也就是AI第一次就答对的概率。

如果某个活动类型的1-shot率很低，说明你的Prompt需要优化。

—

写在最后

结合了多款AI编程工具的对比，codeburn支持的如下多个AI编程工具的情况：

Cursor的特殊情况：

Cursor用的是SQLite数据库，codeburn会读取token使用量。但Cursor的"Auto"模式隐藏了实际模型，成本按Sonnet估算（显示为"Auto (Sonnet est.)"）。

用了三天codeburn，我的感受是：

AI编程最大的成本不是模型费用，而是"试错成本"。

每次"再试一次"、"这样改一下"、"还是不对"，都是在烧钱。

codeburn的价值不在于"监控"，而在于让你意识到自己的使用习惯有多贵。

三个行动建议：

省下的Token，就是赚到的钱。

安装

npm install -g codeburn

查看今日状态

codeburn today

查看本周报告

codeburn report

获取优化建议

codeburn optimize

导出数据

codeburn export -f json

GitHub： getagentseal/codeburn