← 返回重点项目
查看 GitHub 项目

damejan80/tokentab

一句话定位

本地 CLI 读取 Claude Code / Codex / Cursor / Gemini CLI session 日志——按模型 / 项目 / 日 / 任务类型聚合 token 与成本，纯本地运行，不传数据；支持 JSON 输出供 jq 管道处理。

它解决的问题

2026 年下半年 AI Coding 团队 / 个人开发者面临"成本不可观测"痛点：(1) 多 harness 碎片化——Claude Code / Codex / Cursor / Gemini CLI 各自的 session 日志路径不同，难以统一聚合；(2) 隐私顾虑——直接上传 session 日志到第三方服务可能泄漏业务数据；(3) 成本归因难——无法按"哪个项目 / 哪种任务 / 哪一天 / 哪个模型"精准归因成本。tokentab 直击这三点：多 harness 日志读取 + 纯本地运行 + 按多维度聚合。

为什么值得关注（2026-08-28）

热度来源判断

热度来自 "AI Coding 成本不可观测 × 多 harness 碎片化 × 隐私顾虑" 的组合：(1) AI Coding 用户对 token / cost 可观测的强需求；(2) Claude Code / Codex / Cursor / Gemini CLI 各自日志路径不同，统一聚合有真实价值；(3) "纯本地运行"满足企业 IT 的合规需求。主要风险： Cursor stub 状态影响"四工具齐全"的产品承诺；token 计价精度（是否含上下文缓存折扣 / batch API 折扣）需独立核验；定价表同步机制可靠性待观察；与 Anthropic / OpenAI 官方 dashboard 的竞合关系。

关键技术亮点

  1. 多 harness 日志读取：自动扫描 Claude Code / Codex / Gemini CLI session 日志路径（Cursor stub）
  2. 纯本地运行：no account / no API key / nothing leaves your machine
  3. 多维度聚合：按 model / project / day / 任务类型聚合 token + cost
  4. CLI + Web dashboard 双形态：python cli.py（CLI）+ python cli.py -web（Web）
  5. JSON 输出：--json | jq . 脚本管道处理
  6. 时间窗口查询：--from 2026-06-01 --to 2026-06-15 特定窗口
  7. MIT 许可：商用友好

架构师速览

决策问题 研究判断 证据边界
系统边界 Python CLI + Web dashboard，本地读取 session 日志（jsonl / json）并聚合，不传任何数据 仅基于 README 的"reads the session logs ... adds up token usage and cost"；具体日志解析逻辑、token 计价表、Cursor stub 完成时间表、JSON schema 稳定性均未在档案中量化
主路径 扫描 Claude Code/Codex/Gemini CLI session 日志 → 解析每条会话的 token / cost → 按 model/project/day/任务类型聚合 → CLI 输出或 Web dashboard 显示 主路径来自 README 的"broken down by model, by project, by day, and by the kind of work"；具体"任务类型"的分类逻辑（read code / write code / run command / other）、token 计价表更新机制、上下文缓存折扣处理均待核验
关键权衡 多 harness 覆盖 vs 单 harness 深度 vs 纯本地 vs 计价精度 vs 官方 dashboard 竞合 vs Cursor stub 状态 档案明示多 harness + 本地 + JSON 输出；具体 Cursor stub 完成时间、token 计价表同步机制、官方 dashboard 兼容路径均待核验
最小 PoC 用真实一周 Claude Code session → 跑 tokentab 验证 token 聚合准确性 → 对比 Anthropic 官方 dashboard 的 token 数 → 验证 --json | jq . 管道处理 PoC 范围由"先单 harness、可对照、可管道"原则推导；具体聚合准确度、与官方 dashboard 差异、JSON schema 稳定性待核验

架构启发

tokentab 的核心启发是 "AI Coding 成本可观测产品化"的早期代表样本——延续 8-25..8-27 的"AI Coding 项目复盘"判断，但今日具体到"成本 dashboard"。这意味着 AI Coding 已从"开发尝鲜"进入"团队成本管理"阶段——个人开发者关心"花了多少钱"，团队负责人关心"哪个项目花得最多"。更深层的启发是： "纯本地运行 + 多 harness 支持 + JSON 输出" 三个特性的组合让 tokentab 既可个人用（隐私优先），也可团队用（脚本管道）。对 AI Coding 工具厂商： Claude Code / Codex / Gemini CLI 是否会官方化"成本 dashboard"是观察点。对团队负责人： 12 月内应评估部署 tokentab 等成本可观测工具控制 AI Coding 预算。

架构图（MMD）

证据边界：此图只采用本档案已有可核验描述；"待核验"节点不应视为项目实现事实。

flowchart LR
  Logs[本地 session 日志]
  Logs --> CC[Claude Code
~/.claude/projects/**/*.jsonl]
  Logs --> CX[Codex
~/.codex/sessions/**/rollout-*.jsonl]
  Logs --> GC[Gemini CLI
~/.gemini/tmp/**/session-*.json]
  Logs -.stub.-> CUR[Cursor
wired but not finished]
  CC --> Parser[日志解析
token + cost]
  CX --> Parser
  GC --> Parser
  Parser --> Agg[按多维度聚合
model / project / day / 任务类型]
  Agg --> CLI[CLI 输出
默认 + --json | jq .]
  Agg --> Web[Web dashboard
python cli.py -web]
  Agg -.风险.-> Pricing[token 计价表
同步机制待核验]
  Agg -.风险.-> Cache[上下文缓存折扣
是否计入待核验]
  Web -.风险.-> Official[与 Anthropic/OpenAI 官方
dashboard 兼容性]
  CLI -.纯本地.-> Privacy[数据不出本地
no account / no API key]

定位判断

工具型项目（AI Coding cost observability CLI）。 tokentab 不做云服务，不做商业 SaaS，只做"本地多 harness token-cost CLI + Web dashboard"——这是工具型定位。核心竞争壁垒： 多 harness 完整支持 + 纯本地运行 + 多维度聚合 + JSON 输出 + MIT 许可。主要风险： Cursor stub 状态影响"四工具齐全"承诺；token 计价精度（上下文缓存折扣 / batch API 折扣）；定价表同步机制可靠性；与 Anthropic / OpenAI 官方 dashboard 竞合关系。

风险 / 局限 / 泡沫点

与同类项目的关系

是否值得持续跟踪

值得跟踪（AI Coding 成本可观测的早期代表样本）。 tokentab 1 天 211⭐ 体现"多 harness + 本地 + 开源"AI Coding 成本可观测的市场需求，多 harness 完整支持 + 纯本地 + JSON 输出三特性组合是显著加分项。对 AI Coding 个人用户： 12 月内可安装 tokentab 监控自己的 token / cost。对 AI Coding 团队负责人： 12 月内应评估部署 tokentab 等成本可观测工具控制 AI Coding 预算。建议关注：(1) Cursor stub 是否补齐；(2) token 计价表同步机制；(3) 任务类型分类逻辑；(4) 与 Anthropic / OpenAI 官方 dashboard 兼容性。

后续观察点

数据来源: GitHub API (2026-08-28) | Stars: 211 | Forks: 12 | License: MIT | 语言: Python | 创建: 2026-08-27 | 数据截至 2026-08-28 06:00 UTC