pickfit

瀏覽開發者 CLI

TokenTracker

即插即用 Python 包裝器與 CLI,將 LLM API 呼叫記錄至本機 SQLite 並報告費用。

已在 Linux 上測試

使用

Linux x86_64

  1. 透過 uv tool 安裝 toktally

    uv tool install toktally

確認能用

tokentracker --help 2>&1

輸出應包含「dashboard」。

先試試這個

cat > /tmp/tt_stub.py <<'PY'
import json
from http.server import BaseHTTPRequestHandler, HTTPServer
class H(BaseHTTPRequestHandler):
    def do_POST(self):
        n = int(self.headers.get('Content-Length', 0))
        body = self.rfile.read(n) if n else b''
        try:
            data = json.loads(body or b'{}')
        except Exception:
            data = {}
        model = data.get('model', 'gpt-4o-mini')
        resp = {"id":"chatcmpl-test","object":"chat.completion","created":1700000000,"model":model,"choices":[{"index":0,"message":{"role":"assistant","content":"Hello!"},"finish_reason":"stop"}],"usage":{"prompt_tokens":10,"completion_tokens":5,"total_tokens":15}}
        out = json.dumps(resp).encode()
        self.send_response(200)
        self.send_header('Content-Type','application/json')
        self.send_header('Content-Length',str(len(out)))
        self.end_headers()
        self.wfile.write(out)
    def log_message(self, *a): pass
HTTPServer(('127.0.0.1',8765), H).serve_forever()
PY
cat > /tmp/tt_track.py <<'PY'
from tokentracker import OpenAI, summary, recent
client = OpenAI(api_key="test-key", base_url="http://127.0.0.1:8765/v1")
r = client.chat.completions.create(model="gpt-4o-mini", messages=[{"role":"user","content":"Hello!"}])
print("REPLY:", r.choices[0].message.content)
s = summary(days=30)
print(f"TRACKED calls={s['total_calls']} cost={s['total_cost_usd']}")
for c in recent(limit=1):
    print(f"RECENT model={c['model']} tokens={c['total_tokens']} cost={c['cost_usd']}")
PY
echo stub-and-track-written
python3 /tmp/tt_stub.py
rm -f /tmp/tt_usage.db && TOKENTRACKER_DB=/tmp/tt_usage.db uv tool run --from toktally python /tmp/tt_track.py 2>&1

執行 tokentracker dashboard 查看已記錄的 LLM 花費。

它能做什麼

  • 自動追蹤 LLM API 成本
    怎麼使用
    1. 在 Python 程式碼中,改從 TokenTracker 而非 OpenAI 套件匯入用戶端:from tokentracker import OpenAI。
    2. 照常呼叫 API;每次呼叫都會記錄到本機 SQLite 資料庫。
    3. 使用 tokentracker 的 summary(days=30) 或 recent(limit=1) 讀取呼叫與成本。
    已測試
  • 在命令列儀表板中檢視花費
    怎麼使用
    1. 執行 tokentracker dashboard 查看 API 呼叫與成本。
    已測試
  • 設定並檢查花費預算
    怎麼使用
    1. 用 tokentracker budgets set monthly --limit <amount> 設定預算。
    2. 執行 tokentracker budgets check 查看各預算的花費狀況。
    已測試

pickfit 測到哪一步

Linux x86_64

  1. 可以安裝
  2. 可以啟動
  3. 3 項功能中 3 項可用
  4. 可離線使用

適合用來

  • 依模型與日期查看 LLM 支出
  • 在 CI 中強制執行支出預算
  • 根據近期用量預測未來支出
  • 找出支出暴增與改用較便宜模型的節省空間
  • 比較工作負載在其他模型上的成本

可替代 AgentOps 和 LangSmith。

pickfit 怎麼測的

每次測試都從乾淨的機器開始,照上面的步驟執行。 pickfit 怎麼驗證

Linux x86_64

主要功能可用

  • 從頭重跑
  • 可離線使用
  • 檢查於 2026年10月30日
  • 版本 0.2.1

測試機器遇到的差異

  • README: pip install toktally
    測試中: 以 uv tool install toktally 建立隔離環境
  • README: drop-in OpenAI client calling real API
    測試中: 使用位於 127.0.0.1:8765 的本機 OpenAI 模擬伺服器及 TOKENTRACKER_DB=/tmp/tt_usage.db,因此不需 API 金鑰或網路

怎麼看工具卡

縫線
pickfit 親自安裝過這款工具,縫線下方的內容都來自那次測試。沒測過的工具,一律沒有縫線。
已在你的作業系統上驗證
安裝步驟在你選的系統上跑過。「只在 Linux 上執行過」表示還沒在你的系統上跑過。
macOS、Linux 和 Windows在哪裡測過
綠色系統標記:pickfit 在該系統跑過安裝步驟。灰色:README 說支援,但 pickfit 還沒試過。
測試進行到哪一步
能安裝並啟動、主要功能可用、服務有回應、能產生模型輸出。視窗代表桌面應用程式已開啟;插頭代表 MCP 用戶端用過它。標記在測試結果旁邊:展開「為什麼適合、我們怎麼知道」,或在「pickfit 怎麼測的」裡。
視覺檢查
pickfit 看過應用程式的截圖。綠色:畫面正常。黃色加數字:有看起來不對的地方,點開就能看到。灰色虛線:還沒檢查。
已知漏洞
它安裝的套件有沒有已知的高風險或嚴重漏洞(OSV.dev)。綠色:沒有已知漏洞。紅色加數字:有幾個,點開看清單,安裝前先看過。灰色虛線:沒有檢查,不代表安全。
關於這次測試
測試日期,以及測到的版本。
理由的來源
每個推薦理由都依據簡介裡的一個欄位。展開理由就能看到欄位和值。
寶藏
品質高、少有人知。
品質與知名度
兩個分數,滿分都是 100。品質:pickfit 試裝、試用的結果,以及安裝文件和維護狀況。知名度:看星數、下載量和 Hacker News。
已檢查的功能
README 宣傳的主要功能裡,實測通過幾項(綠色)、失敗幾項(紅色)。灰色是沒檢查的,工具卡會說明原因。
未驗證
Fitz 依一般知識提到的知名工具。沒有測試紀錄、沒有步驟、沒有分數。