在 AI 辅助编程日益普及的今天，开发者开始寻求像 Strava 追踪运动数据一样来量化自己的编码活动。Straude 作为「Claude Code 的 Strava」已经展示了这一理念的可行性 —— 通过追踪每日输出、成本、令牌消耗和模型使用情况，让开发者能够直观地看到自己的「训练数据」。本文将深入探讨如何从零构建类似的仪表盘，从数据采集到可视化呈现，提供可直接落地的工程参数与实现思路。
一、数据源：Claude Code 的本地存储结构
构建任何活动追踪仪表盘的第一步是理解数据从哪里来。Claude Code 在本地存储了丰富的使用数据，主要分布在两个位置：~/.claude/stats-cache.json和~/.claude/projects/目录下的 JSONL 日志文件。stats-cache.json 是一个聚合缓存文件，包含了按日期汇总的令牌使用量、缓存读写令牌数以及可能的成本估算。这个文件的优势是读取速度快，适合快速获取全局概览，但它的更新可能有轻微延迟，且详细的活动记录需要从 JSONL 文件中挖掘。
对于更精细的指标，例如单次会话中的工具调用频次、代码编辑量、建议接受率等，开发者需要解析 JSONL 日志文件。每个项目目录下都有对应的会话日志，记录了每一次 API 调用的详细信息，包括输入令牌、输出令牌、缓存读取令牌、缓存创建令牌等。在构建仪表盘时，推荐采用流式解析 JSONL 文件的方式自行计算聚合数据，而不是完全依赖 stats-cache.json，因为原始日志提供了更灵活的定制空间。
二、核心指标：哪些数据值得追踪
一个完整的 Claude Code 活动仪表盘应该追踪多维度的指标。从使用量角度，最基础的是每日输入令牌数、输出令牌数、缓存读取令牌数和缓存创建令牌数，这些数据直接反映了开发者当日的工作强度和上下文复用效率。在此基础上，可以计算总令牌数和估算成本，这对于需要在预算内控制 AI 工具使用的团队尤为重要。
除了纯粹的消耗量，效率指标同样关键。代码编辑量是衡量 AI 辅助编程效果的核心指标，可以通过解析 Claude Code 的 Edit、Write、NotebookEdit 等工具的调用统计来获得。建议接受率反映了开发者对 AI 生成代码的认可程度，高接受率通常意味着 AI 与开发者的思维模式高度契合。会话时长和会话次数则提供了活动频次的维度，帮助开发者了解自己对 AI 辅助的依赖程度和使用习惯。令牌消耗热力图是一种直观的可视化方式，能够展示一天中不同时间段的活动分布，类似于 Strava 显示运动时段的功能。
三、采集架构：数据管道设计
在设计数据采集架构时，需要考虑数据的实时性要求和资源消耗。对于个人开发者的仪表盘，定时批处理是一种简单可行的方案 —— 例如每小时或每天固定运行一次采集脚本，解析自上次采集以来的新增日志条目。这种方式对系统资源占用低，实现难度小，适合对实时性要求不高的场景。
对于需要更实时展示的场景，可以采用文件系统监听方案。利用 Node.js 的 chokidar 或 Python 的 watchdog 库监听 JSONL 文件的变化事件，触发增量解析并将新数据写入本地数据库。数据库的选择上，SQLite 足以满足个人使用需求，它轻量且支持标准 SQL 查询；如果需要支持更复杂的时序分析和多维度聚合，可以考虑 TimescaleDB 或 InfluxDB 等时序数据库。所有原始日志解析完成后，应该按照日期和项目两个维度进行预聚合，生成日表和周表，以加快前端查询速度。
四、可视化实现：从数据到洞察
采集到数据后，下一步是将数字转化为直观的可视化图表。开源社区已经提供了多种开箱即用的方案，例如 Grafana 配合 Prometheus 的组合可以完美胜任时序数据的展示。对于更轻量的需求，Straude 本身就是一个参考实现 —— 它通过bunx straude命令一键扫描本地 Claude Code 使用数据，自动生成带有成本、令牌数、模型使用情况的活动卡片，并支持分享到社区动态。
自定义仪表盘时，推荐采用以下面板布局：顶部展示当日核心指标卡片，包括总成本、令牌消耗和活跃会话数；中部放置时间序列折线图，分别展示过去 30 天的令牌消耗趋势和成本变化；侧边栏设置排行榜模块，展示历史最佳单日、连续活跃天数等成就数据；底部可用热力图展示每小时的活跃度分布。如果需要与团队共享，可以考虑导出 CSV 功能，配合现有的 BI 工具进行更深入的分析。
五、关键阈值与监控建议
在运营自己的活动仪表盘时，设置合理的告警阈值有助于保持健康的工具使用习惯。建议将每日成本上限设置为预期预算的 80% 作为预警线，例如每日预算 100 元则设置 80 元告警；连续使用时长超过 4 小时时提示休息，因为长时间依赖 AI 辅助可能导致思考能力的隐性退化；单日令牌消耗超过平均值的 3 倍时进行标记，帮助识别异常使用模式。这些阈值不仅保护了预算，也帮助开发者形成更可持续的编码节奏。
六、总结与延伸
构建类 Strava 的 Claude Code 活动仪表盘，本质上是对开发者工作模式的量化自我实验。通过追踪令牌消耗、代码编辑量、会话时长和工具使用频次等指标，开发者能够更清晰地认识自己的编码习惯，评估 AI 工具的实际价值，并在预算和效率之间找到平衡点。无论是使用现成的 Straude 服务，还是自建一套完整的数据管道，核心在于让数据驱动开发实践，而非被工具所支配。
参考资料
- Straude 官网：https://straude.com
- Claude Code 分析 API 文档：https://platform.claude.com/docs/en/build-with-claude/claude-code-analytics-api