核心用法
TokenWatch 是一款面向开发者的 AI Token 成本监控工具，采用纯 Python 实现，零依赖、本地运行、无需 API 密钥。核心工作流程包括：
1. 记录调用：通过 record_usage() 手动记录，或使用 record_from_anthropic_response() / record_from_openai_response() 自动解析 SDK 响应
2. 设置预算：支持日/周/月/单次调用四级预算阈值，80% 自动预警
3. 查看仪表板：终端可视化展示消费进度、预算健康度、优化建议
4. 比价与预估：compare_models() 横向对比 41 款模型成本，estimate_cost() 预计算调用费用
5. 导出报告：JSON 格式导出指定周期完整数据
显著优点
- 隐私优先：纯本地存储（
.tokenwatch/目录），零网络传输、零遥测、零账号体系 - 多厂商覆盖：内置 2026 年 2 月最新定价，支持 Anthropic、OpenAI、Google、Mistral、xAI、Kimi、Qwen、DeepSeek、Meta、MiniMax 共 10 家 41 款模型
- 主动节流：预算告警 + 智能优化建议（如"Opus→Sonnet 月省 $8.20"），从被动计费转向主动成本管理
- 工程友好：单文件实现、MIT 协议、可嵌入现有工作流，API 设计简洁直观
潜在局限
- 手动集成：非中间件模式，需显式在代码中插入记录点，旧项目改造有一定侵入性
- 定价滞后：依赖内置
PROVIDER_PRICING字典，厂商调价需手动更新或等待社区维护 - 无实时同步：本地文件存储，多设备/团队协作场景下数据分散
- 无细粒度权限：无用户体系，不适合多租户或企业级审计需求
适合人群
- 独立开发者/小团队：需快速了解 AI 成本构成，控制个人/项目预算
- AI 应用架构师：评估不同模型 ROI，制定选型策略
- 成本敏感型用户：月度 AI 支出 $50-$5000 区间，追求性价比优化
常规风险
- 数据丢失：本地
.tokenwatch/目录若未纳入备份策略，存在误删风险 - 隐私泄露边界：虽工具本身零网络，但用户导出的 JSON 报告若外传，可能暴露业务调用模式
- 预算告警延迟：基于调用后记录触发，极端高频场景下可能产生超支窗口期
---
来源说明：项目为社区开源工具（UnisAI Community），无企业背书，代码透明度良好，但安全认证报告显示"未执行安全扫描"，建议生产环境使用前自行审计。