CodeBurn：把 AI 編碼成本從黑箱變成儀表板

我最近愈來愈有一個感覺：AI 編碼工具真正難的，往往不是「能不能寫出程式」，而是「我們到底把多少成本花在什麼地方」。

當 Claude Code、Codex、Cursor、OpenCode 這些工具同時進入工作流之後，token 不再只是模型後台的一個數字，而是會直接影響團隊預算、任務分配，甚至影響我們對工具好壞的判斷。問題是，這些資料通常散落在不同的本機檔案、SQLite 資料庫或 JSONL session 裡，沒有一個統一的視角。

這就是我覺得 CodeBurn 值得寫一篇的原因。它不是另一個「幫你更會寫 code」的工具，而是一個把 AI 編碼成本攤開來看的儀表板。對我來說，這類工具的價值不在於報帳，而在於讓我們第一次能用同一把尺比較：哪個工具最燒錢、哪種任務最容易失控、哪一類模型其實沒有帶來相對應的產出。

CodeBurn 在解的問題

CodeBurn 的設計很直接：它會讀取多種 AI 編碼工具在本機留下的 session 資料，然後把 token 使用量、成本、模型、工具、專案、供應商等維度整理到同一個介面裡。根據官方說明，它目前可追蹤超過 19 種 AI coding tools，包含 Claude Code、Codex、Cursor、OpenCode、Pi／OMP、Cline 系列、OpenClaw 等。

更重要的是，它不是只做「總額」統計，而是會把資料切成不同角度：

依任務類型拆分成本
依模型拆分成本
依工具拆分成本
依專案拆分成本
依供應商拆分成本

這種拆法很像把原本一筆看不懂的信用卡帳單，拆成你真的能採取行動的明細。你會突然知道，原來不是「AI 太貴」，而是某些流程、某些模型、某些專案特別容易失控。

我會怎麼開始用

如果我是第一次裝 CodeBurn，我會先只做三件事：

安裝工具。
跑一次今天的使用量。
再看一次整個月的趨勢。

官方提供的安裝方式很簡單：

npm install -g codeburn
brew install codeburn

如果你不想先安裝，也可以直接跑。安裝完之後，我最想先看的是：

codeburn today
codeburn month

這兩個指令很重要，因為它們會把「我覺得最近很貴」這種模糊感，變成可觀察的事實。若你平常同時在用多個帳號或多個設定目錄，官方也有提到可以透過 CLAUDE_CONFIG_DIRS 把多個 Claude 設定路徑一起合併分析，這對常切換工作與私人帳號的人很實用。

它真正有意思的地方，不只是看錢

我原本以為 CodeBurn 只是 cost tracker，但看到它的功能後，我比較願意把它看成「AI 編碼行為觀測器」。它不只看你花了多少，還看你做了什麼、用哪個模型、在哪個專案、透過哪個工具。

它還有幾個我覺得很關鍵的設計：

任務分類是確定性的，不是再丟給另一個 LLM 判斷，這讓結果比較穩。
支援 JSON 輸出與篩選，代表它不只適合手動看，也適合接到腳本或自動化流程。
有比較與最佳化指標，例如 one-shot rate、planning rate、平均 tools per turn 等，這些都比單純的總花費更接近「工作品質」。

這件事對我很重要。因為很多團隊不是不知道 AI 工具會花錢，而是不知道怎麼把花錢和工作方式連起來。CodeBurn 讓這件事第一次變得可討論。

這工具也有明確限制

當然，它不是萬能的。

第一，它讀的是本機資料，所以它解決的是「看清楚」而不是「自動幫你省」。真正的優化，還是要回到工作流設計、提示詞品質、模型選擇與任務切分。

第二，官方也明確提到，Cursor 的 Auto 模式因為看不到實際模型，成本會用 Sonnet 價格估算。這代表某些數字更適合拿來看趨勢，而不是當成財務結算依據。

第三，第一次掃描大型 Cursor 資料庫可能會花到一分鐘左右，之後才會快很多。換句話說，這是一個偏「本機觀測」的工具，第一次使用要給它一點時間。

所以我會把 CodeBurn 定位成：先幫你把問題看見，再幫你決定要不要改流程，而不是一開始就假裝自己能解決一切。

誰最適合先試

如果你符合下面任一條，我會很建議先試：

你已經重度使用 Claude Code、Codex、Cursor 或 OpenCode
你同時在跑多個 AI coding 工具，想知道哪個比較燒錢
你在帶團隊，想建立一個更具體的 AI 工具使用回饋
你想把「AI 編碼花費」從感覺問題變成可量化問題

對我來說，CodeBurn 的價值不是讓我立刻少花多少錢，而是讓我更快找到該優化的地方。只要你已經把 AI 編碼工具放進日常工作流，這樣的可視化就不只是好看，而是會直接改變你怎麼用工具。

結論

我會把 CodeBurn 視為一個很實際的 AI 編碼觀測工具。它不是在賣情緒，也不是在賣新的模型，而是在做一件很務實的事：把原本看不見的 token、成本與工作行為，整理成你真的能拿來決策的資料。

如果你最近也有一種「AI 工具越用越多，但帳單越來越難懂」的感覺，CodeBurn 很值得先裝起來看一次。很多時候，真正需要被優化的，不是模型本身，而是我們使用模型的方式。

參考資料