调用量与成本统计
把 OpenAI API 的调用记录按时间汇总，同时换算成花费，让你在同一张表里看到用量涨跌和成本涨跌是不是同步的，避免只看调用次数漏掉单价差异。
价格免费
平台Web
归类API 与算力
收录2026-10-11
复核2026-10-11
编辑评分
4.4 / 5
★★★★☆
api-usage编辑总结
api-usage 是一个开源的使用量与成本跟踪工具，专为调用 OpenAI API 的开发者准备。它把按模型、按日期、按项目的调用记录汇总成图表，让你一眼看清钱花在了哪里，而不是等到账单出来才发现超支。项目标签里直接写着「免费」「开源」「成本跟踪」「饼图」，定位很明确：不卖额度，只做统计。它需要你自己提供 API Key 或日志数据来喂给它，数据从哪里来、存在哪里，取决于你怎么部署。适合个人开发者和小团队做日常自查，不适合想要开箱即用托管服务、或者需要复杂财务对账的团队。
api-usage是什么？
api-usage 是一个开源项目，做的事只有一件：把 OpenAI API 的调用数据收集起来，做成能看的报表。它面向的是自己在代码里调 OpenAI 接口的开发者——尤其是那种月底看到账单才反应过来「怎么这么贵」的人。
和官方后台自带的用量页相比，它的价值在于可自托管。你可以把服务跑在自己的机器或服务器上，用自己的 API Key 拉取用量，或者把调用日志导进去，再按模型、时间、项目维度拆开看。标签里的「饼图」说明它把成本占比做成了可视化，方便快速判断哪个模型最烧钱。
普通用户用不到它——不写代码就没有 API 调用。它对独立开发者、小团队的技术负责人最有用：前者用来看自己这个月的开销结构，后者用来判断该不该把某些请求从贵模型换到便宜模型。使用前需要具备基本的部署能力，能跑起一个开源服务、配好环境变量。
api-usage核心功能
按模型拆分
不同模型的单价差别很大，它把数据按模型分开列，方便判断哪一类请求吃掉了大部分预算，从而决定要不要把部分任务换到更便宜的模型上。
成本占比饼图
用饼图展示各来源在总花费里的占比，比表格更快看出结构的偏斜。适合在周会或复盘时直接截图说明问题，不用自己再画图。
自托管部署
开源意味着可以跑在自己的服务器上，API Key 和调用数据不必交给第三方平台。对在意数据边界的小团队来说，这是选择它而不是用在线统计服务的主要理由。
按项目或应用分组
如果同一个 Key 同时服务多个产品或环境，可以通过分组把数据切开，避免所有调用混在一起，分不清到底是哪个项目在烧钱。
api-usage值不值得用？
当你自己在代码里调用 OpenAI API、并且想弄清楚钱具体花在哪个模型和哪个项目上时，api-usage 值得部署一套。它的强项是自托管和可视化，把原始调用数据变成能直接拿去讨论的图表。但如果你期待的是一个注册即用、自动帮你管好一切的托管服务，它会让你失望——你需要自己准备运行环境、自己解决数据接入。另外它只做统计，发现超支时往往已经花出去了。把它当成一面后视镜，而不是刹车。
建议选它的情况
- 自己写代码调用 OpenAI API，想看清成本结构的独立开发者
- 同一个 Key 服务多个项目，需要把开销拆开核算的小团队
- 在意 API Key 与调用数据留在自己服务器上的团队
不建议选它的情况
- 只是用现成 AI 产品的普通用户
- 需要开箱即用的托管报表、不想自己部署维护的人
- 需要预算拦截或实时告警这类事前控制能力的团队
api-usage使用建议
入门先把路子走对
- 先跑通再喂数据先把服务在本机跑起来、能打开界面，再配置 API Key 或导入日志。顺序反了容易在环境问题上耗掉耐心，误以为是数据接入出错。
- 用只读 Key 接入接入时尽量不要给管理权限的 Key。统计只需要读取用量，权限给得越小，泄露时的风险越低，这是自托管方案唯一需要额外留意的地方。
- 先看饼图再看明细打开后先看成本占比那张图，找到占比最大的那一块，再下钻去看它的调用明细。反过来从明细看起，容易被大量小额记录淹没。
进阶省时间也省钱
- 按项目分 Key如果多个项目共用一把 Key，统计只能到总量。给每个项目单独配 Key 再汇总，成本归属会清楚得多，也方便日后按项目做取舍。
- 定期导出留档把统计结果按周期导出保存，攒下几个月的数据后，才能看出用量是季节性波动还是持续增长，单看某一周的数字容易误判。
- 搭配预算提醒使用它擅长事后复盘，不擅长事前拦截。把它的图表和官方的预算提醒配合起来用，一个负责看清结构，一个负责在超支前叫停。
api-usage适合谁用？
独立开发者
推荐自己写代码调 API，月底想弄清楚钱花在哪个模型上。自托管不额外花钱，部署一次长期可用，是这个工具最典型的用户。
小团队技术负责人
推荐多个项目共用一个账号，需要把成本按项目拆开向上面交代。前提是愿意花时间做 Key 拆分和部署维护，否则统计仍然是一笔糊涂账。
在意数据边界的团队
有条件不愿把 API Key 和调用记录交给第三方统计服务。开源加自托管能解决这一点，代价是服务器和运维要自己承担。
非技术用户
不推荐只是使用现成 AI 产品的人。没有 API 调用数据可统计，装好之后也没有内容可看，属于用不上的一类。
需要实时预算管控的团队
有条件希望超支前就被拦住、而不是事后看报表。这个工具只做统计展示，控制能力需要另配方案，指望它兜底会落空。
api-usage优点和缺点
优点
- 开源可自托管，API Key 与调用数据不必交给第三方
- 把调用量与成本放在一起看，能发现用量与花费不同步的异常
- 按模型拆分统计，方便判断该把哪些任务换到更便宜的模型
- 饼图直接呈现成本占比，复盘时不用自己再画图
- 定位单一，只做统计，不掺和调用代理，接入方式简单
缺点
- 只做事后统计，没有预算拦截和实时告警
- 需要自己部署和维护，非技术用户上手成本高
- 多个项目共用一把 Key 时，成本归属会模糊
- 只覆盖 OpenAI 生态，混用其他厂商模型时数据不全
- 数据准确性依赖你喂进去的调用记录是否完整
api-usage常见问题
它是免费的吗？＋
项目本身是开源免费的，标签里也标了 Free。需要自己承担的是运行它的服务器或机器成本，以及你花在部署和维护上的时间。具体授权条款以项目仓库的说明为准。
它能帮我自动阻止 API 超支吗？＋
不能。它的定位是把已经发生的调用整理成报表，让你看清成本结构。拦截和告警属于事前控制，需要配合官方后台的预算设置或另找方案，别指望它来兜底。
我需要写代码才能用吗？＋
它面向的是自己调用 OpenAI API 的开发者，界面上看报表不需要写代码，但部署服务、配置 API Key 或接入调用日志这几步需要基本的动手能力。完全不碰代码的用户基本用不上。
和官方后台的用量页面比，为什么要用它？＋
主要差别在数据留在哪里。官方后台能看用量，但数据在对方那里；自托管方案可以把 Key 和记录放在自己的服务器上，并且能按项目分组、按自己的口径重做图表。如果只是偶尔看一眼花费，官方页面就够了。
同一个 Key 用在多个项目里，能分开统计吗？＋
直接混用的话统计只能到总量，看不出归属。可行做法是给每个项目单独配 Key，再汇总到同一个看板里，这样成本能按项目切开，取舍时才有依据。
统计出来的数字和账单对不上怎么办？＋
先确认喂进去的调用记录是否完整——漏记的请求不会出现在报表里。另外统计口径和计费口径可能不同，比如缓存命中、批量接口的计价方式不一样。出现偏差时以官方账单为准，把报表当作结构分析工具而不是结算依据。
api-usage竞品对比
| 工具 | 编辑评分 | 价格 | 核心功能 | 平台 |
|---|---|---|---|---|
| api-usage本工具 | 4.4 | 免费 | 调用量与成本统计；按模型拆分；成本占比饼图；自托管部署 | Web |
| Monitor AI | — | 未标价 | Monitor AI 通过小部件和分析工具跟踪 OpenAI API 的成本和使用情况 | — |
| Responses API | — | 未标价 | OpenAI API 的 Responses 功能，用于创建和管理模型的响应 | API |
| Google Sheets to OpenAI | — | 未标价 | 在不使用第三方工具的情况下，将 Google Sheets 与 OpenAI API 连接 | — |
| Saas With AI | — | 未标价 | 使用 OpenAI API 为企业构建定制解决方案的 AI 驱动 SaaS 代理商 | — |
| Tiktokenizer | — | 未标价 | Tiktokenizer 是一款专为开发者设计的监控平台，用于追踪和管理用户的 AI 令牌使用 | — |
