3个月用掉287亿token：订阅额度、统计口径与成本核算

把 AI 编程工具当主力开发环境的人，早晚会好奇一个问题：我到底用掉了多少 token？有位用户装了统计工具后发现自己三个月跑了 287 亿 token，随手发了个帖子感慨“订阅用回本了”，结果评论区从“成果呢”一路吵到国产模型和国外模型谁更强。

这场争论其实混了好几件事：用量数字怎么算、算出来代表什么、订阅制和按量付费各自适合谁。下面按这几条拆开说。

287 亿 token 大概是什么量级

三个月 287 亿，折合每月约 95 亿、每天约 3 亿。在重度用户里这不算孤例：有人表示自己一个半月就到过同一量级，也有人三个月 300 亿上下；还有人提到自己三个月仅 Codex 就 200 多亿，但一半日子的日用量只有三四千万——说明用量分布极不均匀，绝大部分消耗集中在少数几个长任务日。

真正需要先问清楚的是口径。同一份用量，按不同方式统计能差出一个数量级：

• 是否含缓存读写：缓存命中的 token 单价远低于未命中，把缓存全算进总量，数字会非常好看，但和账单对不上。
• 是否含工具返回内容：读文件、跑命令、贴日志都会进上下文，这部分往往比人写的提示词大得多。
• 是否含重试与回滚：长任务里一次失败的尝试同样消耗 token。

所以看到“XX 亿 token”先别急着换算成钱，先确认口径。有人按 API 挂牌价把自己三个月的用量折成两万美元，那只是估算，不是真实支出，也不代表同等价值。

用量大和产出多，是两件事

评论区最集中的一个质疑是“成果呢”。这个质疑合理，但结论不能一概而论，因为 token 的流向差别极大：

有位用户说自己做了个业余小 App，折算下来也烧了不少，但真正写功能的开销很小，大部分花在“这个不够好看，再来一版”上。也有人坦言，用量最猛的项目是长程数据清洗、打标和日常批处理，而不是产品代码。

更实用的做法是给每个项目单独记录「起点—目标—交付物」，用量只作为成本项并列进去。只晒总量不晒产出，确实很难说明任何问题；但反过来，用“没看到成果”去否定全部用量，也忽略了很多消耗本来就不产生可展示的产物。

怎么统计自己的真实用量

主流做法是读取本地 agent 会话记录再汇总，思路都差不多，差异在细节：

• 会话目录汇总类工具：直接扫描本地会话文件，按天、按模型出报表，装完就能看，适合个人快速核对。具体安装与命令以工具官方文档为准，注意版本差异（有的工具在较新版本才加入用量面板，旧版本看不到）。
• 菜单栏/状态栏类工具：常驻显示当日消耗与额度剩余，适合随时盯量。
• 自建采集：读取会话统计数据与归档数据，部分 agent 还能输出标准化的可观测性数据（如 OTLP 文件）供外部采集，适合同时用多个 agent 的人统一汇总。

无论用哪种，建议按这份清单核一遍：

1. 缓存命中与未命中是否分开统计；
2. 是否支持回溯历史，还是只从安装当天开始记；
3. 历史会话被 agent 自己清理后，是否还能重建；
4. 多设备、多 agent 是否合并统计；
5. 统计出的数字能否和账单、额度消耗对上。

第 3 点常被忽略：本地数据一旦被删，过去的数据基本补不回来，想长期观察就得定期备份会话目录。

订阅还是按量：按场景选，而不是按情怀选

讨论里流传过一些额度倍数说法（比如某些订阅的可用量是名义额度的几十倍，另一些只有十倍上下），这类数字随官方策略变动，且各家算法不公开，请以官方最新说明和自己的实测为准，不要拿别人的倍数当预算依据。

更稳的判断方式是看场景：

• 个人重度开发、长时间交互式编程：订阅制通常更划算，因为交互式使用会产生大量缓存命中，按量计费反而容易失控。
• 商用系统、需要嵌入产品对外提供服务：走按量 API 更合规也更可控，订阅账号是给人用的，不是给系统用的。
• 轻量自动化、脚本级任务：按量调用便宜模型往往足够，没必要为偶发需求背长期订阅。
• 需要 7×24 长程任务：除了额度，还要考虑本地机器能否长时间稳定在线、断电断网会不会让任务中断。如果本地设备性能吃紧或网络环境不稳定，把长任务放到一台长期在线的远程机器上跑（例如整台放在新加坡机房的独享 Mac mini，按月租用远程连接）是可选思路之一，好处是不占用本地资源、连接更稳定，代价是多一份固定成本，需要自己权衡是否值得。

国产模型和国外模型的争论，其实在说两件事

评论里最跑偏的一段，是把「公开排行榜上的模型调用量」和「个人开发者的口碑」混为一谈。两者统计的根本不是同一批人：

• 按量 API 的排行榜：统计的是产品成本敏感型调用，便宜够用的模型天然占优，大量批处理、简单分类、日常小脚本都把量堆在这里。
• 个人开发者的日常讨论：集中在订阅制下的重度交互，复杂重构、跨文件改造、长链路调试，对模型能力更敏感。

所以“某个开源模型调用量靠前”和“身边人都在用另外两个”可以同时成立，不矛盾。有位在企业内提供多模型额度的用户说得很直白：日常主力仍是能力更强的两家，国产模型解决复杂问题时还有差距，但简单任务完全够用。

结论是别站队，按任务分层：能用便宜模型干完的别上贵的，卡住了再换。真正浪费钱的不是选了哪个模型，而是用贵模型做本该批量脚本解决的事。

几个容易被忽略的坑

• 多人共享订阅账号、通过第三方中转分发额度：这类做法通常违反服务条款，风险包括账号被封、额度清零、请求内容经过不受控的中间层导致代码和密钥泄露。省下的钱往往抵不上一次事故。合规的替代是官方 API、官方团队版，或使用云厂商托管的模型服务。
• 额度重置卡/优惠券有有效期：用量没跑满的人经常放到过期，真要长期用就按月规划，别囤。
• 只盯总量不看结构：把报表按“模型 + 项目 + 日期”拆开看，很快能发现哪类任务在悄悄烧钱。
• 把用量当成绩：用量是成本，不是产出。真要复盘，晒交付物比晒数字有说服力。

小结

287 亿 token 这个数字，既说明不了“一定赚了”，也说明不了“一定浪费了”。它唯一确定的信息是：这位用户把 AI 工具深度嵌进了日常工作流。

想搞清楚自己的情况，按三步走：先用可信工具把用量按正确口径统计出来，再把用量和具体项目、交付物对应上，最后按场景决定哪些任务继续走订阅、哪些改成按量调用便宜模型。至于额度倍数、各模型能力排名这类变动频繁的信息，以官方最新说明和自己的实测为准，别人的截图只能当参考。