阅读本文大概需要5分钟
01---一个让我震惊的发现
用了3个月Claude Code，我以为自己很懂AI编程。
直到我装了codeburn。
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（用的公司免费模型），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。
02---codeburn是什么
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。
03---我的实测数据（一周）
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 |
04---Token都花哪了
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
05---codeburn的优化建议
codeburn不只是监控，还会给优化建议。
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
06---怎么省Token：我的5个技巧
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。
07---不同工具的对比
codeburn支持多个AI编程工具：
| 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.)"）。
08---我的结论
用了一周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。
09---快速开始
# 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 jsonGitHub： getagentseal/codeburn