Token Meter：本地优先的开源编码智能体 token 用量追踪工具

本地优先 / 开源

优化你的 编码智能体。

追踪每次运行的 token 用量、预估成本、上下文与执行情况。

ClaudeCodexCursorOpenCodeKiroPi

开始 / 01 本地安装

$

git clone https://github.com/splunk/token-meter.git
./token-meter/scripts/install

需要 Python 3.8+ · Xcode Command Line Tools · curl

然后打开 http://127.0.0.1:8722 无需管理员权限。

01 / 产品信号

每次运行都会留下信号。

读懂成本。看见工作。

实时运行与历史模式始终与其背后的证据保持关联。成本和选定的 token 值可能为估算值；覆盖率始终可见。

02 / 信号账本

变得可见的内容。

不是又一个评分。而是一份清晰的记录，用于决定何时继续、介入或调查。

01

实时运行

成本、上下文压力、token 形态、时序与执行情况汇集于一个当前会话视图。

成本 / 上下文 / 时间

02

历史

比较会话、运行时长、项目与日历日期，而不会将缺失的证据压平为零。

运行 / 日期 / 项目

03

模型

查看每覆盖一美元的输出、推理比例与上下文负载，并将覆盖率与结果并列呈现。

输出 / 覆盖 $

04

执行

了解工具调用、失败、重复与技能证据，而无需公开工作本身。

工具 / 重复 / 技能

03 / 效率场

效率，以及它旁边的证据。

在覆盖的、可比较的工作中比较四个信号。Token Meter 将限制条件一并保留，因此缺失的值永远不会变成一个评分。

Token Meter 如何解读效率

EF / 01

输出 / 覆盖 $

每覆盖一美元所报告的输出 token 数。在可比较的工作中越高，意味着覆盖的支出带来更多响应输出。

越高可比较的工作

EF / 02

推理比例

所报告的推理 token 占输出的比例。在可比较的工作中，越低或越稳定通常越好；困难的工作可能需要更多。

上下文难度很重要

EF / 03

上下文负载

每个输出 token 所处理的输入 token 数。越低意味着每次响应携带的上下文越少。

越低通常越好

EF / 04

缓存命中率

缓存读取 token 占缓存覆盖输入的比例。越高意味着更多上下文由提示缓存提供。

越高通常越好

01没有通用评分

看随时间的变化，而不是单一分数。

02覆盖率保持可见

不可用的证据保持不可用。

03本地估算

成本和选定的 token 值可能为估算值。

开源始于 信号，而非裁决。

04 / 本地边界

证据留在工作发生的地方。

Token Meter 读取受支持的本地存储，并在 127.0.0.1 上提供仪表盘。它不是托管式分析服务。

查看安全边界

01只读输入

受支持的本地追踪与数据库只被读取，绝不重写。

02有界输出

仪表盘、原生配套应用或有界 MCP 投影中均不显示提示词或响应内容。

03无托管平面

无需用于追踪分析的 API 密钥。Token Meter 分析或遥测数据不会离开你的机器。

05 / 开始测量

你的智能体已经在产生证据。

让它有用。保持本地。

安装 Token Meter