你的AI编程Token都花到哪了？

程序大视界

发布于 2026-04-23 18:50:12

1080

“阅读本文大概需要4分钟”

—

Token用哪了？

AI编程用了这么久，Claude Code也用了几个月，小龙虾也养起来了，AI编程我却还未入门。为何？

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？

实时监控Claude Code、Cursor、Codex的Token消耗
按项目、按活动类型、按模型分类统计
计算"一次成功率"（1-shot rate）
给出优化建议

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：

指标	数值	说明
Cache命中率	51.5%	一半请求命中缓存，省了不少
单次会话平均调用	6次	不算多，但也不算少
1-shot成功率	-	新项目，还没稳定

实际测试一周，看看token到底花到哪里了？

codeburn把活动分成了几类：

活动类型	占比	我的情况
Exploration（探索）	20%	尝试新思路
Conversation（对话）	50%	讨论需求
Brainstorming（头脑风暴）	10%	想方案
Coding（编码）	20%	实际写代码

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？

需求没想清楚就开始写
反复修改方案
没有明确的Prompt策略

codeburn不只是监控，经过上述的测试和发现，codeburn还会给我们一些优化建议：

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：

缩小bash输出限制 → 立省3.8K tokens
清理不用的agents → 省240 tokens

—

省token小技巧

到底要怎么省Token？推荐以下5个小技巧

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：
1. 支持注册/登录/找回密码
2. 权限分管理员/普通用户/访客三级
3. 使用JWT认证
4. 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：

工具	数据位置	监控精度
Claude Code	~/.claude/projects/	⭐⭐⭐⭐⭐
Codex	~/.codex/sessions/	⭐⭐⭐⭐⭐
Cursor	SQLite数据库	⭐⭐⭐⭐
OpenCode	~/.local/share/opencode/	⭐⭐⭐⭐
GitHub Copilot	session-state	⭐⭐⭐

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：

装codeburn，看看自己的Token都去哪了
优化Prompt策略，一次给足上下文
定期清理，不用的agents、过大的输出限制

省下的Token，就是赚到的钱。

快速用起来吧，让你的token消耗看得见！


# 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

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2026-04-19，如有侵权请联系 cloudcommunity@tencent.com 删除

数据

本文分享自程序大视界微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

登录后参与评论

0 条评论

热度