codeburn

从现有证据看，codeburn 适合判断为“AI 编程成本可观测性工具”，不是代码生成器、IDE 插件，也不是统一调用各家模型的网关。更准确的类比是：给多种 AI 编程工具做本地账单分析与用量审计，帮开发者看清钱花在哪个模型、项目和任务上。

它的实际作用主要是把原本分散在不同 AI 编程产品里的 token 与费用记录拉到一个本地视图里。GitHub 仓库标题明确写到支持多种 tools and agents，并可按 model、project、task 分析；知乎文章也反复提到 live monitor、report、按 provider 过滤、导出 PDF/CSV/JSON 等能力。就证据强度来说，官方仓库对“它是什么”支持最强；几篇中文文章更像二次整理与功能演示，能辅助判断使用方式，但“好用到什么程度”的实测样本仍有限。

门槛和成本方面，现有证据支持它“免费、本地、开源”，但不支持把任何节省金额或稳定 ROI 说成承诺。知乎内容提到初始化可能需要填相关 AI 服务 API Key，不过这更像社区演示口径，不应等同于所有接入都必须如此。可保守判断：部署和使用门槛偏开发者友好，适合命令行环境；真正成本仍主要来自你本来就在用的 AI 编程工具与模型费用，而不是 codeburn 自身收费，目前未见可靠官方定价信息显示它是商业 SaaS。

适合的人群是同时混用多个 AI 编码工具、想做团队或个人预算复盘、需要定位高成本会话的开发者；不太适合只偶尔用单一工具、几乎不关心 token 明细的用户。社媒共识层面，“热度证明”很强：GitHub star 数高、传播快，说明大家对 AI 编程成本问题高度关注；但“好用证明”主要仍来自官方仓库说明和少量教程型文章，讨论质量呈现“转述与榜单化传播较多、教程有一些、深度独立实测较少、评论互动样本有限”的特点，因此结论应保持积极但保守。