TokenTracker показывает, во сколько вам реально обходится общение с ИИ-агентами

На прошлой неделе я поймал себя на неприятной мысли. Я гоняю Claude Code, Codex CLI и ещё пару агентов параллельно, а сколько именно токенов они сжигают за день — понятия не имею. Подписка вроде бы фиксированная, но лимиты имеют привычку заканчиваться в самый неподходящий момент. Знакомая ситуация?

Именно эту слепую зону и закрывает TokenTracker. Это локальный дашборд, который парсит логи ваших ИИ-инструментов и показывает, где утекают токены и деньги.

Что это такое и кому пригодится

Автор — разработчик под ником xiufengsun. Проект написан на JavaScript, распространяется под MIT, а на момент написания статьи набрал около 1900 звёзд на GitHub. Заметка о нём даже попала в китайский дайджест 阮一峰周刊.

Главная идея простая: все крупные ИИ-агенты так или иначе оставляют следы на диске — SQLite-базы, JSONL-сессии, OpenTelemetry-экспорты. TokenTracker читает эти файлы и превращает сухие цифры в наглядную картину. Никаких аккаунтов, никаких API-ключей, никакой настройки.

Кому это нужно в первую очередь? Тем, кто платит за ИИ по факту расхода и хочет понимать, куда уходят деньги. Тем, у кого несколько машин и хочется видеть суммарную картину. И просто любопытным, которым интересно, какие модели они гоняют чаще всего.

Ключевые возможности

Поддержка 43 инструментов из коробки. Claude Code, Codex CLI, Cursor, Gemini CLI, GitHub Copilot, Cline, Zed Agent, Goose, LM Studio, Unsloth Studio и ещё три десятка. Список внушительный, и, что важно, интеграции разные. Для одних пишется hook в конфиг тула, для других — плагин, для третьих работает пассивное чтение уже существующих логов. Кстати, у Copilot чтение идёт по каждому запросу из ~/.copilot/session-store.db, а старая база используется как разовый baseline, чтобы не задваивать одни и те же обращения.

Локальность как принцип. Всё считается на вашей машине. Промпты, ответы и код не покидают компьютер — парсятся только счётчики токенов, таймстемпы и названия моделей. Автор даже предлагает заглянуть в src/lib/rollout.js, чтобы убедиться: извлекаются буквально числа и имена. Облачная синхронизация и публичный лидерборд есть, но по умолчанию выключены.

Дашборд и нативные приложения. После запуска открывается локальная панель на localhost:7680 с трендами расхода, разбивкой по моделям и анализом стоимости. Для macOS есть приложение в menu bar, для Windows — в системном трее, для Linux — AppImage. Каждое тащит с собой собственный сервер и показывает дашборд в нативном webview.

Виджеты и питомец. На рабочий стол можно пришпилить четыре виджета: расход, heatmap активности, топ моделей и лимиты. А ещё здесь живёт пиксельный питомец, который реагирует на вашу реальную активность — «кодит», когда кодите вы, радуется стриками и засыпает, когда вы уходите. Сообщество даже делится своими питомцами через codex-pets.net, и V2-версии умеют поворачивать голову вслед за курсором.

Оценка стоимости в долларах. Цены на 2200+ моделей подтягиваются из LiteLLM и обновляются ежедневно, плюс есть ручные надбавки для нишевых сервисов вроде Kiro или Cursor Composer. Свежая цена кэшируется на 24 часа, а офлайн-снимок лежит в комплекте — так что долларовую оценку вы получите даже без интернета.

Как оно устроено внутри

Архитектура линейная и потому предсказуемая. ИИ-агент работает как обычно и пишет логи. Легковесный hook ловит изменения и запускает синхронизацию (Cursor, например, вместо hook использует API). Парсер локально вытаскивает токены и раскладывает их по 30-минутным UTC-бакетам. Всё складывается в локальную SQLite, а из неё уже читают дашборд, menu bar и виджеты.

flowchart LR
    A[AI coding tools] -->|hooks trigger| B[Token Tracker]
    B -->|parse logs| C[(Local SQLite)]
    C --> D[Web Dashboard]
    C --> E[Menu Bar App]
    C --> F[Desktop Widgets]
    C -.->|opt-in| G[(Cloud Leaderboard)]

Заявка на Node.js 20+, CLI крутится на macOS, Linux и Windows. Запуск — одна команда:

npx tokentracker-cli

Дальше есть удобные подкоманды: tokentracker sync для ручной синхронизации, tokentracker status для проверки интеграций, tokentracker doctor для диагностики. Для скриптов пригодится status --json, а для CI или SSH — status --light с простой ASCII-таблицей. Есть установка через Homebrew на macOS и пакеты .deb/.rpm/AppImage для Linux.

Интересная деталь про WSL: переменная TOKENTRACKER_WSL_MODE управляет тем, как приложение ищет установки — можно агрегировать данные сразу из нативного Windows и из WSL, а можно выбрать только одно окружение.

Где это применимо на практике

Сценарий первый: вы упираетесь в лимиты и не понимаете почему. Дашборд с разбивкой по моделям быстро показывает, что дорогая модель уходит на рутинные задачи, где хватило бы чего-нибудь подешевле.

Сценарий второй: несколько машин. Ноутбук, домашний десктоп, сервер в облаке — облачная синхронизация (по желанию) сводит расход со всех устройств в один вид. По умолчанию локальный трекинг при этом остаётся независимым.

Третий вариант — командная мотивация. Пятнадцать треков достижений превращают рутину в азарт: «ночная сова» за работу по ночам, «мультитул» за использование разных инструментов, стрик за ежедневную активность. Есть и опциональный лидерборд, где можно сравнить себя с разработчиками по всему миру.

Для тех, кто разбрасывает скиллы по разным агентам, пригодится вкладка Skills: она собирает 250+ публичных скиллов из репозиториев вроде anthropics/skills и синхронизирует их между Claude, Codex, Grok, Gemini и другими. С переключателями по целям и откатом в один клик.

Что стоит учесть

Проект молодой, README местами перегружен техническими деталями про каждый парсер (честно, раздел «Supported AI Tools» читается как changelog). Некоторые модели, например Devin или hy3-preview от Tencent, пока идут со стоимостью $0, потому что вендор не опубликовал прайс — токены считаются, но в доллары не конвертируются. Про это автор честно предупреждает, чтобы цифра ноль не вводила в заблуждение.

Отдельно отмечу осторожность с приватностью. Для TRAE Work CN, например, чтение использования требует явного согласия через TOKENTRACKER_TRAE_CN_USAGE=1, потому что данные уходят на внутренний API вендора — по умолчанию ничего не отправляется.

Стоит ли пробовать

Однозначно да, если вы активно используете хотя бы один ИИ-агент и хотите видеть реальную картину расходов, а не догадываться о ней. Одна команда npx tokentracker-cli — и через полминуты у вас дашборд с трендами, стоимостью и лимитами по 17 провайдерам.

Если вас нисколько не волнует, сколько токенов уходит на код, и лимиты никогда не заканчивались в неподходящий момент — можно спокойно пройти мимо. Но лично я после недели использования перестал удивляться внезапно исчезающим лимитам: теперь я просто смотрю на heatmap и понимаю, куда уходит бюджет.

Проект живой, с активными коммитами и готовностью добавить нового провайдера, если откроете issue. Начать стоит с репозитория на GitHub и официального сайта tokentracker.cc.