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：

复制代码

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。

复制代码

$ codeburn status
Today  $0.0000  18 calls    Month  $0.0000  43 calls

看起来不多？但看详细 breakdown：

复制代码

$ 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：

复制代码

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

复制代码

# 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

复制代码

# 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

复制代码

# 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

你的AI编程Token都花到哪了？

01---一个让我震惊的发现

02---codeburn是什么

03---我的实测数据（一周）

04---Token都花哪了

05---codeburn的优化建议

06---怎么省Token：我的5个技巧

技巧1：先想清楚再动手

技巧2：缩小输出限制

技巧3：清理不用的agents

技巧4：善用缓存

里面放项目规范、技术栈、常用命令`

技巧5：监控1-shot成功率

07---不同工具的对比

08---我的结论

09---快速开始