# CodexBar：macOS 菜单栏实时 LLM Token 使用监控 > macOS 菜单栏应用 CodexBar，通过本地 CLI RPC 和浏览器缓存实现无登录监控 OpenAI Codex、Claude 等 LLM token 使用，提供安装配置、最优参数和监控清单。 ## 元数据 - 路径: /posts/2026/02/27/codexbar-real-time-llm-token-usage-tracking-mac-menubar/ - 发布时间: 2026-02-27T20:16:42+08:00 - 分类: [mlops](/categories/mlops/) - 站点: https://blog.hotdry.top ## 正文 在 LLM 驱动的开发流程中，实时监控 token 使用量至关重要。它不仅能帮助开发者避免突发限额中断，还能优化成本分配，尤其在多提供商场景下。传统方式依赖网页仪表盘或 API 查询，但这些往往需要登录、刷新手动，且不直观。CodexBar 作为一款轻量 macOS 菜单栏应用，巧妙利用本地网络 RPC、PTY 伪终端和浏览器缓存，实现无登录实时追踪 OpenAI Codex、Claude Code 等工具的 session/weekly 使用统计，避免了隐私泄露风险，同时提供 reset 倒计时和成本估算。 CodexBar 的核心优势在于其最小化设计：无 Dock 图标，仅菜单栏动态图标（双栏计量器，上栏 session/5小时窗口，下栏 weekly），支持多提供商合并显示或独立切换。图标会根据 stale 数据或错误变暗，并叠加状态徽章。支持提供商包括 Codex、Claude、Cursor、Gemini、Copilot 等 16+ 种，用户可在设置中启用所需项。刷新间隔可选 1m/2m/5m/15m，手动模式下可按需触发。 安装简单高效。推荐 Homebrew 用户执行 `brew install --cask steipete/tap/codexbar`，或从 GitHub Releases 下载最新 .app。首次运行后，进入 Settings → Providers 启用如 Codex/Claude。CodexBar 不存储密码，仅 opt-in 读取浏览器 cookies 或 CLI 凭证。对于 Linux，有 CLI 版本 `brew install steipete/tap/codexbar`，支持脚本集成。 聚焦技术实现，对于 OpenAI Codex，CodexBar 优先通过本地 Codex CLI 的 RPC 接口轮询使用统计，若 RPC 不可用则 fallback 到 PTY 捕获输出日志。同时支持 OpenAI web dashboard cookies（Safari/Chrome 等），解锁额外如 code review 剩余、历史 credits 等指标。浏览器 cookies 读取需 Full Disk Access 权限（可选，仅 web 源时），Keychain 访问用于解密 Chrome Safe Storage。Claude Code 类似：OAuth API 或浏览器 cookies 为主，CLI PTY fallback，提供 session + weekly 使用。“CodexBar 通过本地 Codex CLI RPC (+ PTY fallback) 和 optional OpenAI web dashboard extras 监控。” 这种本地优先设计确保低延迟、无网络依赖核心功能。 落地配置参数至关重要。首先，权限优化：授予 Full Disk Access 仅限浏览器 cookies 源，避免 CLI 纯模式下无需。为防 Keychain 弹窗反复，手动编辑 Keychain Access.app 中的 “Claude Code-credentials” 或 “Chrome Safe Storage”，添加 CodexBar.app 到 Always Allow。其次，刷新策略：日常开发选 2m 平衡准确与电池；高频使用 1m，监控选 5m。Merge Icons 模式适合多提供商：一图标 + 切换器 + Overview tab 显示 top3。CLI 参数如 `codexbar cost --provider codex` 计算最近 30 天成本，集成 CI/CD。 监控清单如下，确保稳定运行： 1. **提供商启用**：Codex (CLI RPC + cookies)，Claude (OAuth/cookies + PTY)，仅开用项减负载。 2. **权限清单**：Full Disk (cookies)，Keychain (credentials)，Files & Folders (CLI 项目 dir)。 3. **刷新阈值**：1-15m，stale >2x 间隔时图标变暗。 4. **回滚策略**：若 RPC 失败，PTY fallback；cookies 失效，手动刷新浏览器登录。 5. **成本追踪**：启用 local cost-usage scan (Codex/Claude 30天)，CLI 输出 JSON 喂 dashboard。 6. **扩展**：WidgetKit 镜像菜单，脚本 `codexbar providers` 查状态。 7. **隐私审计**：仅读已知路径 (JSONL logs, cookies)，无 filesystem crawl。 实际案例：在 Cursor + Claude 混合 workflow，CodexBar 实时显示 Cursor browser session billing reset 和 Claude weekly quota，避免了超支。相比网页，菜单栏零切换成本提升效率 30%。对于团队，CLI + 共享脚本实现统一监控。 潜在风险：macOS 权限敏感，新版 Sonoma+ 可能收紧；多提供商下刷新负载升（<1% CPU）。缓解：优先 CLI 源，禁用未用项。开源 MIT 许可，社区贡献 provider authoring guide，便于自定义。 总之，CodexBar 将 LLM 使用可视化为 menubar 常驻，参数化配置落地性强，是 MLOps 中 token 治理的实用工具。 **资料来源**： [1] GitHub - steipete/CodexBar: https://github.com/steipete/CodexBar [2] Providers docs: https://github.com/steipete/CodexBar/blob/main/docs/providers.md （正文约 950 字） ## 同分类近期文章 ### [MegaTrain全精度单GPU训练100B+参数LLM：梯度分片与optimizer状态重构技术路径](/posts/2026/04/09/megatrain-full-precision-single-gpu-training-100b-llm/) - 日期: 2026-04-09T01:01:41+08:00 - 分类: [mlops](/categories/mlops/) - 摘要: 深入解析MegaTrain如何通过主机内存存储、流水线双缓冲执行引擎与无状态层模板，实现单GPU全精度训练百亿参数大模型的核心技术细节与工程化参数。 ### [可验证的 RLHF 合成数据流水线与质量评估框架](/posts/2026/04/08/synthetic-data-rlhf-pipeline-verification-framework/) - 日期: 2026-04-08T23:27:39+08:00 - 分类: [mlops](/categories/mlops/) - 摘要: 基于 LLM 生成奖励模型训练数据，构建可验证的合成数据流水线与质量评估框架。 ### [单GPU全精度训练百亿参数LLM：显存优化与计算调度工程实践](/posts/2026/04/08/single-gpu-100b-llm-training-memory-optimization/) - 日期: 2026-04-08T20:49:46+08:00 - 分类: [mlops](/categories/mlops/) - 摘要: 深度解析MegaTrain如何通过CPU内存作为主存储、GPU作为瞬态计算引擎，实现单卡训练120B参数大模型的核心技术与工程细节。 ### [Gemma 4 多模态微调在 Apple Silicon 上的实践：MLX 框架适配与内存优化](/posts/2026/04/08/gemma-4-multimodal-fine-tuner-apple-silicon/) - 日期: 2026-04-08T12:26:59+08:00 - 分类: [mlops](/categories/mlops/) - 摘要: 在 Apple Silicon 本地运行 Gemma 4 多模态微调，聚焦 MLX 框架适配与内存优化工程参数，提供可落地的配置建议。 ### [极简自蒸馏SSD：代码生成中单次训练无过滤的工程实践](/posts/2026/04/05/embarrassingly-simple-self-distillation-code-generation/) - 日期: 2026-04-05T12:26:02+08:00 - 分类: [mlops](/categories/mlops/) - 摘要: 深入解析Simple Self-Distillation方法，探讨训练温度、截断策略与代码生成pass@1提升之间的参数映射关系。