核心用法
Model Usage (Linux) 是一个命令行工具，用于解析 OpenClaw AI 的会话 JSONL 日志文件，提取并汇总各模型的 Token 使用情况及 API 调用成本。用户通过运行 Python 脚本即可快速获取消费明细，支持标准文本输出和结构化 JSON 输出两种格式。
显著优点
- 跨平台成本透明：专为 Linux 环境设计，弥补了 macOS 专属 CodexBar 的空白，让 Linux 开发者同样能精确掌握 AI 资源消耗。
- 多维度统计：不仅统计输入/输出 Token，还单独追踪缓存读写 Token，帮助用户理解缓存策略对成本的影响。
- 模型级粒度：按模型维度聚合数据（如 GPT-4、Claude 等），便于对比不同模型的性价比。
- 零配置开箱即用：默认读取标准会话目录
~/.openclaw/agents/main/sessions，同时支持通过--sessions-dir自定义路径。 - 可编程集成：JSON 输出模式便于接入 CI/CD 流水线或自动化报告系统。
潜在缺点与局限性
- 仅限于 OpenClaw 生态：仅支持 OpenClaw 会话格式，无法解析其他 AI 平台（如原生 OpenAI、Anthropic 官方 SDK）的日志。
- 依赖本地日志完整性：若会话文件被手动清理或损坏，统计结果将不完整。
- 成本计算需预设价格表：脚本需内置或外部配置各模型的 Token 单价，若 OpenClaw 调整定价而未及时更新，计算结果会出现偏差。
- 无实时追踪能力：只能分析已结束的会话，无法监控进行中的实时消耗。
- 权限要求：需具备读取用户主目录下
.openclaw隐藏文件夹的权限。
适合人群
- 在 Linux 服务器或工作站上使用 OpenClaw AI 的开发者与运维工程师
- 需要向团队或客户出具 AI 资源消耗报告的技术负责人
- 关注成本控制、希望优化模型选择策略的 AI 应用团队
- 寻求自动化成本审计流程的 DevOps 工程师
常规风险
- 数据隐私：会话日志可能包含敏感的业务逻辑或用户数据，脚本运行时应确保环境安全，避免日志被意外泄露。
- 路径遍历风险：若
--sessions-dir参数接受外部输入，需防范路径遍历攻击（如传入../../../etc/passwd）。 - 依赖库安全：Python 脚本可能依赖第三方解析库，建议从可信源安装并在隔离环境中运行。
- 误报与漏报：缓存 Token 的计算逻辑若与 OpenClaw 实际计费规则存在差异，可能导致账单金额与用户预期不符。