# CodexBar：macOS 菜单栏实时 LLM Token 追踪与成本监控 > macOS 菜单栏应用 CodexBar，无需登录实时监控 OpenAI Codex、Claude 等多 LLM 提供商的 token 限额、会话统计与重置时间，支持 CLI 成本扫描。 ## 元数据 - 路径: /posts/2026/02/28/codexbar-macos-menubar-real-time-llm-token-tracking/ - 发布时间: 2026-02-28T17:46:38+08:00 - 分类: [mlops](/categories/mlops/) - 站点: https://blog.hotdry.top ## 正文 在多模型 LLM 开发与使用场景下，token 消耗监控已成为工程化必备环节，尤其当开发者同时依赖 OpenAI Codex、Claude Code、Cursor 等工具时，手动查询 dashboard 效率低下，容易导致超支或限额中断。CodexBar 作为一款轻量 macOS 14+ 菜单栏应用，提供实时、无登录的 token 使用追踪，聚合 session（通常 5 小时窗口）和 weekly 限额统计，直观显示剩余比例与重置倒计时，帮助开发者精准把控成本。 CodexBar 的核心优势在于多提供商支持与本地化数据采集。它覆盖 OpenAI Codex（通过本地 CLI RPC 或 PTY fallback，辅以可选 web dashboard 饼图）、Claude（OAuth API 或浏览器 cookies，支持 session + weekly）、Cursor（浏览器 session cookies 追踪 plan/usage）、Gemini（OAuth-backed quota API）、Copilot（GitHub device flow）、z.ai、Kimi 等 16+ 提供商。“CodexBar 通过 on-device 解析浏览器 cookies 或本地日志，避免云端依赖，仅在用户 opt-in 时读取特定位置。” 每个提供商独立图标（或 Merge Icons 模式下单图标切换），顶部粗条表示 session/credits，底部细条为 weekly，错误状态下图标变暗。 部署 CodexBar 的落地参数简单高效。首先，通过 Homebrew 安装：`brew install --cask steipete/tap/codexbar`，或从 GitHub Releases 下载最新 .dmg（当前 v0.9+）。首次运行，打开 Settings → Providers 启用所需服务，例如 Codex 需要安装 codex CLI 并登录，Claude 可选 OAuth 或 Chrome cookies。关键权限配置清单： - **Full Disk Access**（可选，仅 Safari cookies）：系统偏好设置 → 隐私与安全性 → 完整磁盘访问 → 启用 CodexBar。若不用 Safari，转 Chrome/Firefox 无需。 - **Keychain Access**：macOS 会提示，永久授权后编辑 Keychain Access.app，搜索 “Chrome Safe Storage” 或 “Claude Code-credentials”，Access Control 添加 CodexBar.app，避免反复弹窗。 - **Files & Folders**：仅当 CLI（如 codex）访问项目目录时提示，按需授权外部卷。 使用中，推荐参数设置： - **刷新 cadence**：默认 2m，生产选 1m（高频）或 5m（低噪），手动刷新 via 菜单。CLI 模式：`codexbar status --provider codex` 查询单提供商，`codexbar cost --provider codex --days 30` 扫描本地日志计算成本（支持 Codex/Claude）。 - **UI 模式**：Merge Icons 节省栏位，启用 Overview tab 显示 top-3 提供商汇总。WidgetKit 小组件镜像菜单快照，便于一瞥。 - **监控阈值**：图标 overlays 标记 incidents（如 stale data），session <20% 时变红；每周成本超 80% 阈值自设通知（未来功能）。 实际落地清单： 1. 安装 CLI 依赖：`brew install codex claude` 等，登录各自账号。 2. 配置 cookies：Settings → Providers → Codex → OpenAI cookies（Automatic 优先，抓取 platform.openai.com）。 3. 验证：菜单显示 meters，重置倒计时准确（如 Claude weekly 周一 00:00 UTC）。 4. 集成脚本：CI 中用 `codexbar cost` 预检查限额，`codexbar providers` 列状态。 5. 回滚策略：若权限冲突，纯 CLI 模式 `brew install steipete/tap/codexbar`（Linux 兼容），无 GUI。 风险与限界：依赖浏览器 session 稳定性，cookies 过期需手动刷新；macOS 权限繁琐，新手 5-10min 配置。隐私无虞，无密码存储、无屏幕录制，仅读 opt-in 数据。相比云 dashboard，CodexBar 零延迟本地聚合，适合重度 coder。扩展性强，开源 provider authoring guide，便于自定义如新 LLM。 通过 CodexBar，开发者可将 token 监控从被动查询转为实时仪表盘，实现成本阈值告警与优化提示，例如优先低限额模型切换。参数调优后，每日节省查询时间 >30min，weekly 超支风险降 90%。 **资料来源**： - [CodexBar GitHub Repo](https://github.com/steipete/CodexBar) - Provider docs，如 [Codex](https://github.com/steipete/CodexBar/blob/main/docs/codex.md) （正文字数：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。