自从安装使用 OpenClaw 之后，我一直没有找到一个好办法直接在 OpenClaw 里追踪 Token 的消耗情况。虽然我日常主要用的是月订阅套餐，但偶尔为了测试一些新模型或者跑特定任务，还是会走 API 调用。这部分花费是按量计费的，用多少扣多少，如果不注意很容易超额。之前也试过在 Anthropic 控制台手动查 Usage，但那个粒度太粗了，根本看不出来钱到底花在了哪些项目、哪些模型上。直到最近发现了 [[Clawalytics]] 这个项目，通过它的可视化仪表盘查看 Token 消耗的详细数据，才终于有了一种”心里有底”的感觉。
Clawalytics 是什么
Clawalytics 是一个开源的 OpenClaw Token 消耗统计和可视化工具。简单来说，它会读取 OpenClaw 本地产生的 JSONL 会话日志文件，解析其中的 Token 用量数据，然后计算出每一次请求、每一个会话、每一天的实际花费，最终以一个漂亮的 Web 仪表盘呈现出来。对于像我这样既有月订阅又偶尔走 API 调用的用户来说，它能帮你清晰地看到 API 部分到底花了多少，从而避免不知不觉超额使用。
跟那些需要你把 API Key 交给第三方服务的方案不同，Clawalytics 完全在本地运行，数据存储在本地的 [[SQLite]] 数据库里，不会把你的任何信息上传到外部服务器。这一点对于在意隐私的开发者来说非常重要。
技术栈上，前端用的是 [[React]] 19 + [[TanStack Router]] + [[shadcn/ui]]，后端是 [[Express.js]] + better-sqlite3，用 [[Vite]] 构建，整体非常现代。图表部分用了 Recharts，动画用了 Framer Motion，状态管理选择了 Zustand，基本上是当下 React 生态里最主流的技术组合。
为什么需要这样一个工具
如果你经常使用 Claude Code 或者 OpenClaw，一定对”Token 消耗失控”这件事不陌生。社区里有人反馈过一个月 API 账单达到 3600 美元的情况，也有人因为一个心跳循环在夜间跑了一整晚，醒来发现多了 200 美元的账单。这些听起来像段子，但确实在发生。
问题的根源在于，每一次请求都会重新注入完整的工具列表、技能元数据和工作区文件，再加上完整的对话历史。这意味着你的第 20 轮对话的输入 Token 量是第一轮的 20 倍。不同模型的价格差异也非常大——在 Opus 上跑的任务如果切到 Haiku，成本可以降低到二十五分之一。
但如果你不做追踪，这些信息全都是模糊的。你可能只知道”这个月花了不少”，但根本说不出来钱花在了哪里、哪些模型最烧钱、缓存到底省了多少。Clawalytics 就是来解决这个问题的。
核心功能
成本概览仪表盘
打开 Clawalytics 的主页面，你能看到一个非常直观的成本概览。它按照今天、本周、本月和全部时间四个维度展示总花费，同时给出 Token 的详细拆分——输入 Token、输出 Token、缓存创建和缓存读取分别用了多少。最有价值的是缓存节省计算器，它会告诉你因为使用了 Prompt Caching 而省下了多少钱。
仪表盘上还有一个 30 天的每日花费趋势图和模型使用分布饼图，让你一眼就能看出最近的消费趋势和各个模型的占比情况。
会话历史追踪
每一次编码会话都会被记录下来，包括项目路径、开始和结束时间、使用的模型、消耗的 Token 数量和对应的成本。你可以展开任意一个会话查看详细信息，也可以按项目分组来看不同项目的花费对比。对于同时维护多个项目的开发者来说，这个功能特别实用——终于能清楚地知道哪个项目是”吞金兽”了。
多模型分析
Clawalytics 支持几乎所有主流的 AI 提供商和模型，包括 Anthropic 的 Claude 全系列、OpenAI 的 GPT 系列、Google 的 Gemini 系列、DeepSeek、Moonshot/Kimi 等等。每个模型的花费、Token 消耗、使用趋势都有独立的图表展示。你可以在模型对比页面上一目了然地看出，比如 Claude Opus 4 的输入价格是每百万 Token 15 美元，而 Claude Haiku 只要 0.25 美元——差了 60 倍。这种直观的对比能帮你更理性地选择模型。
预算管理和告警
这可能是对钱包最友好的功能了。你可以分别设置每日、每周和每月的预算上限，当花费接近或超过阈值时，Clawalytics 会自动发出告警。在 CLI 界面上，预算进度会以进度条的形式展示，非常直观。虽然它本身不能阻止你继续花钱（那是 API 提供商的事），但至少能让你在失控之前收到提醒。
Agent 和 Channel 分析
如果你使用 OpenClaw 的多 Agent 功能，Clawalytics 还能追踪每个 Agent 的独立花费，并按 Agent 维度做成本拆分。类似地，如果你的 OpenClaw 接入了 WhatsApp、Telegram、Slack 等消息渠道，也能看到每个渠道的消息量、成本和单条消息的平均花费。
安全监控
Clawalytics 还内置了一套安全监控功能，包括设备配对管理、连接事件日志、安全告警和完整的审计日志。考虑到 OpenClaw 之前爆出过不少安全问题（包括一个 CVSS 8.8 分的远程代码执行漏洞），有这样一个安全仪表盘确实能让人安心不少。
MCP 集成
Clawalytics 还提供了一个 Model Context Protocol 服务器，暴露了十个工具，包括获取花费摘要、成本拆分、预算状态、安全告警等。这意味着你可以直接在 Claude Code 的对话里查询自己的花费情况，比如问一句”这周花了多少钱”，AI 就能通过 MCP 工具帮你查出来。
安装和使用
安装
安装非常简单，一行命令搞定：
npm install -g clawalytics
或者如果你用 pnpm：
pnpm add -g clawalytics
安装完成后，Clawalytics 会自动注册为系统后台服务。在 macOS 上它会创建一个 LaunchAgent，在 Linux 上会创建 systemd 用户服务，在 Windows 上则注册为任务计划。服务会随系统启动自动运行，你不需要手动去启动它。
基本使用
直接在终端输入 clawalytics（不带任何参数），会显示一个精简的状态面板，包括当前运行状态、花费概览和预算进度条。
要打开完整的 Web 仪表盘，服务默认运行在 9174 端口，用浏览器访问 http://localhost:9174 即可。
其他常用命令：
# 查看详细状态
clawalytics status
# 编辑配置文件
clawalytics config
# 设置预算
clawalytics budget --daily 10 --weekly 50 --monthly 200
# 查看日志
clawalytics logs -f
# 查看所有文件路径
clawalytics path
# 检查更新
clawalytics update --check
# 停止
clawalytics uninstall-service
配置
配置文件位于 ~/.clawalytics/config.yaml，首次运行时会自动创建。你可以在里面自定义模型价格、设置预算阈值、配置 OpenClaw 的路径等。配置文件采用深度合并的方式，所以更新版本后新增的模型定价会自动生效，不会覆盖你的自定义设置。
一个典型的配置片段：
# 预算告警阈值
alertThresholds:
dailyBudget: 10
weeklyBudget: 50
monthlyBudget: 200
# OpenClaw 集成路径（通常自动检测）
openClawPath: ~/.openclaw
securityAlertsEnabled: true
MCP 服务器配置
如果你想在 Claude Code 里直接查询花费数据，可以把 Clawalytics 的 MCP 服务器加到配置中：
{
"mcpServers": {
"clawalytics": {
"command": "clawalytics-mcp"
}
}
}
远程访问
如果你的 Clawalytics 跑在远程服务器上，可以通过 SSH 隧道访问：
clawalytics tunnel
这个命令会显示具体的 SSH 隧道建立说明。
数据存储
所有数据都存储在 ~/.clawalytics/ 目录下：
clawalytics.db—— SQLite 数据库，使用 WAL 模式提供良好的并发读取性能config.yaml—— 配置文件clawalytics.log—— 运行日志pricing-cache.json—— 模型定价缓存（24 小时有效期）
数据库里总共有 13 张表，涵盖会话记录、请求详情、每日成本汇总、模型使用统计、Agent 和 Channel 数据、设备管理、安全告警和审计日志。数据导出支持 CSV 和 JSON 两种格式。
卸载
卸载同样简单：
npm uninstall -g clawalytics
卸载脚本会自动清理系统服务（LaunchAgent / systemd / 任务计划），但会保留 ~/.clawalytics/ 目录里的数据和配置。如果你想彻底清理，需要手动删除这个目录：
rm -rf ~/.clawalytics
如果只想移除系统服务但保留 Clawalytics 本身，可以用：
clawalytics uninstall-service
与其他方案的对比
社区里其实已经有一些 AI 成本监控的方案了。比如 TokPinch 是一个代理层方案，它能在请求层面做实时的预算限制和模型路由；ClawMetry 提供只读的统计数据；Tokscale 是一个纯 CLI 工具。
Clawalytics 的定位更偏向于”全功能本地仪表盘”。它不是一个代理，不会拦截你的请求，而是被动地读取日志文件来分析数据。这种方式的好处是零侵入——你的 AI 工具完全感知不到 Clawalytics 的存在，不会引入额外的延迟或故障点。缺点是它无法像代理方案那样主动阻止超支。所以最理想的做法可能是 Clawalytics 负责可视化和分析，API 提供商的原生限额功能负责兜底。
最后
在 AI 辅助编程成为日常的今天，Token 消耗就像水电费一样——你不去看的时候感觉不到，但账单到手的时候往往会吓一跳。Clawalytics 做的事情其实很朴素：把散落在日志文件里的数据收集起来，计算清楚，然后用可视化的方式呈现给你。但就是这样一个”朴素”的工具，让我第一次真正理解了自己的 AI 使用习惯。
比如我发现自己有 60% 以上的花费其实来自 Opus 模型处理一些完全可以用 Sonnet 甚至 Haiku 搞定的任务。又比如，缓存命中率的提升让我一个月省了将近 40% 的成本，而这些在没有数据的时候都只是模糊的猜测。
如果你也是 Claude Code 或 OpenClaw 的重度用户，强烈建议试试 Clawalytics。安装只需要一行命令，卸载也很干净，几乎没有试错成本。