我想知道自己一个月在 WorkBuddy 上用了多少，以及这些 token 到底值多少钱。查完发现两件事：数字比想象的大得多，钱比想象的少得多。
统计区间 2026-10-01 至 10-31，数据来自本机 WorkBuddy trace 记录，共 142 个会话。价格取自厂商公开价目，积分倍率取自客户端配置。所有数字可复现，方法见最后一节。
先看总量
一个月，142 个会话，2041 次模型调用，合计 2.89 亿 token。
这个数字第一次看到会吓一跳。我把它按天摊开，发现分布极不均匀：10 月 10 日一天就跑了 7800 万，而 10 月 26 日只有 28 万。大部分天在几百万的量级，少数几天集中干了大活。
每日 token 用量
单位为百万 token。10 月 9 日至 11 日三天占了全月的四成，那几天在跑长文档处理任务。空白日期当天没有使用。
全月关键数字
| 指标 | 数值 | 说明 |
|---|---|---|
| 总 token | 2.89 亿 | 289,096,757 |
| 会话 / 调用 | 142 / 2041 | 平均每次调用 14 万 token |
| 活跃天数 | 25 天 | 日均 1156 万 |
| 模型数 | 7 个 | 主力是 deepseek |
2.89 亿里有多少是重复的
这是理解费用的关键一步。2.89 亿不是 2.89 亿次有效阅读。
Agent 每调用一次模型，都要把之前的全部对话历史重新发一遍。同一个 20 万 token 的系统提示词，跑 50 轮就是 1000 万 token 的输入。这不是浪费，是 Agent 的工作方式决定的。
拆开看：输入 2.326 亿，输出 110 万。输入是输出的 210 倍。而在输入的 2.326 亿里，2.306 亿命中了缓存，占 99.15%。
缓存的意思是：这段内容之前处理过，服务器直接复用计算结果，不用重新算。所以真正「新读进去」的内容只有 197 万 token。
背景：2.89 亿 token 里，真正新增的信息是 197 万输入加 110 万输出，合计约 300 万，占 1%。剩下 99% 是上下文重发和缓存复用。
token 是怎么定价的
各家 API 基本都按「百万 token」报价，但分成三档，价格能差一个数量级。
第一档缓存命中输入，最便宜。DeepSeek 每百万 0.003 美元，只有未命中价的五十分之一。
第二档缓存未命中输入，正常价。DeepSeek 0.15 美元，GPT-6.1 Sol 2 美元。
第三档输出，最贵。DeepSeek 0.6 美元，GPT-6.1 Sol 10 美元。输出成本通常是输入的 5 到 20 倍。
另外 DeepSeek 还有分时定价。工作日北京时间 9 点到 12 点、14 点到 18 点是高峰，价格翻倍；其余时间包括周末全按闲时算。
我用到的主要模型价目
| 模型 | 缓存命中 | 缓存未命中 | 输出 |
|---|---|---|---|
| deepseek 闲时 | 0.003 | 0.15 | 0.60 |
| deepseek 高峰 | 0.006 | 0.30 | 1.20 |
| gpt-6.1-sol | 0.10 | 2.00 | 10.00 |
| step-5-preview | 0.05 | 1.00 | 2.70 |
| kimi-k3.1-highspeed | 0.20 | 4.00 | 20.00 |
| kimi-k3.1-pro | 0.20 | 2.00 | 10.00 |
单位美元每百万 token。取自厂商官方页面，核对日期见文末。
算一笔具体的账。一次调用，输入 20 万 token（其中 19.8 万命中缓存），输出 500 token，用 deepseek 闲时价。
19.8 万除以 100 万乘 0.003，是 0.00059 美元。0.2 万除以 100 万乘 0.15，是 0.0003 美元。500 除以 100 万乘 0.6，是 0.0003 美元。合计不到 0.0012 美元。
一次调用不到一分钱。这就是为什么 2.89 亿 token 听起来很多，实际不贵。
三档价算下来，我的账是多少
按上面的方法把 142 个会话逐条算一遍，考虑了缓存命中率、模型单价、高峰加价：全月合计 13.31 美元，约合 94 元人民币。
如果所有输入都按未命中价算，也就是完全没有缓存优惠，同样这些用量要 129.37 美元。缓存省掉了 90% 的钱。
成本构成
| 项目 | 金额 USD | 占比 | 说明 |
|---|---|---|---|
| 闲时时段 | 7.10 | 53.4% | 含缓存命中与未命中 |
| 高峰时段 | 6.20 | 46.6% | 同一模型价格翻倍 |
| 合计 | 13.31 | 100% | 约 94 元 |
按发生时段拆分。高峰时段指工作日北京时间 9 到 12 点、14 到 18 点。
有个细节：高峰只占约三成时间，却贡献了近一半费用。因为高峰价是闲时的两倍，而我有相当一部分任务是在工作时段跑的。
同样一批任务挪到晚上跑，能省掉这部分差价。
谁最费钱
把 7 个模型拆开看，结论和直觉相反：用得最多的不是最烧钱的。
deepseek 占了 80.8% 的 token，只占 15.1% 的成本。gpt-6.1-sol 只用了 8.2% 的 token，却占掉 55.8% 的成本，是最贵的一项。
各模型成本
单位美元。gpt-6.1-sol 一项 7.43 美元，超过其余六个模型的总和。
用量和成本完全不成比例
| 模型 | token 量 | token 占比 | 成本 USD | 成本占比 |
|---|---|---|---|---|
| deepseek-v4.1-flash | 233,678,216 | 80.8% | 2.02 | 15.1% |
| gpt-6.1-sol | 23,829,061 | 8.2% | 7.43 | 55.8% |
| step-5-preview | 21,062,006 | 7.3% | 1.70 | 12.8% |
| kimi-k3.1-highspeed | 4,189,465 | 1.4% | 1.12 | 8.4% |
| kimi-k3.1-pro | 3,378,900 | 1.2% | 0.90 | 6.7% |
| space-bunny | 2,633,601 | 0.9% | 0.04 | 0.3% |
| hy4-preview | 325,508 | 0.1% | 0.09 | 0.7% |
同一批数据两种排序。左边看用量，右边看钱，顺序完全不同。
换成「每百万 token 实际花多少钱」，差距更直白：deepseek 是 0.0086 美元，gpt-6.1-sol 是 0.3119 美元，差 36 倍。
这个差距来自两头。一是挂牌价本身差，0.15 对 2 美元。二是缓存命中率差，deepseek 99.15%，gpt 91.34%。缓存率越低，越多输入按原价计费。
换成积分又是另一本账
上面算的是「如果直接调 API 要花多少钱」。但 WorkBuddy 不按 token 收费，它用的是积分。
每个模型有个积分倍率，deepseek 是 0.11，kimi-k3.1-highspeed 是 1.56。实际扣的积分等于倍率乘以用量。倍率只是单价系数，不管总量，一个低倍率模型跑长任务照样能把积分烧完。
按客户端里的真实倍率折算，我全月大约消耗 1.02 万积分。
折成钱要看怎么买。加量包是 1000 积分 50 元，1 万积分就是 500 元。如果积分来自套餐（高级版 199 元 9000 积分），同样这些只要 225 元左右。
所以这一个月真实支出大概在 200 到 500 元之间，取决于积分是补量买的还是套餐含的。
注意：13 美元和 500 元差 5 倍多，这不是平台在宰人。裸 API 价只含推理，平台这边还包了 Agent 编排、工具调用、上下文存储和界面。两个数不能直接比，但知道各自代表什么，比只记住一个有用。
同样一份活，换个模型差多少
以某次 419 万 token 的任务为基准换算成积分，差 28 倍。这不是说贵的不该用，是说派活前心里有个数。
你也可以自己查
这些数据一直都在你本机，只是客户端不显示。位置在 ~/.workbuddy/traces/，每个会话一个文件。
每个文件里有一段 modelInfo，四个字段决定一切：totalInputTokens 是输入 token，totalOutputTokens 是输出，totalCachedTokens 是缓存命中，callCount 是调用次数。
把同一个文件的 startedAt 也读出来，就能按天汇总。价格从各家官网查，倍率在客户端的 ~/.workbuddy/local_storage/ 里。
核心四步
1. 扫 trace 读出每个会话的 modelInfo 四个字段
2. 按天汇总 用 startedAt 归日，注意 trace 是 UTC 时间
3. 套价目 命中、未命中、输出三档分开乘，别用均价
4. 判峰谷 DeepSeek 高峰加价，逐条按时间戳判断
我把自己这套统计流程做成了一个开源工具，四个脚本对应上面四步，直接跑就能出结果。
它做的就三件事：读本地 trace、按价目算钱、按倍率算积分。只读本地文件，不联网。
数据来源和用到的提示词
这篇每个数字都有出处。把这套流程复现给别人之前，先交代清楚我用了什么。
数据从哪来
用量：本机 ~/.workbuddy/traces/ 下 142 个会话文件。读取 modelInfo 里的输入、输出、缓存、调用次数，加 startedAt 时间戳。按 traceId 去重，按 UTC+8 归日。
价格：DeepSeek 官方定价页、OpenRouter 的 GPT-6.1 Sol 页面、Moonshot 的 Kimi K3.1 定价页、阶跃星辰 Step 5 Preview 的海外档。核对日期在 2026 年 9 月到 10 月之间。
倍率：本机客户端配置 ~/.workbuddy/local_storage/entry_*.info 里的 models[].credits 字段。这里有个坑，网上文章写的倍率经常和客户端实际值不一致，我实测过某模型文章写 0.43，客户端里是 0.33。所以倍率只信客户端。
积分换算系数：官方没公开「1.0 倍率等于多少积分」。我是用一次实测反推的：某次 kimi-k3.1-highspeed 会话花了约 2000 积分，用量 419 万 token，倍率 1.56，倒推出系数约 306 积分每倍率每百万 token。这是近似值，误差大概正负 10%，只能看量级，不能当账单。
我用什么问的
整个分析是和 WorkBuddy 对话完成的，实际用到的提问大致是这几句。
「结算下我们在 deepseek-v4.1-flash 生成每日用量，大概合计 token 的报告图」。第一次只想要一个模型的量。
「可以把所有模型搞出来」。从单一模型扩到全量，这一步才发现有 7 个模型在跑。
「大概按照 token 合集大概多少钱」。从用量转到费用，也是这一步逼着我去查真实价目。
「拿积分点数有么」。发现客户端是积分制，于是去找倍率。
「按照官方的逻辑 1000 积分 50 块 rmb 来算」。定下积分折钱的汇率口径。
问题都很短，每次只推进一步。真正花时间的不是提问，是每拿到一个数就去核一遍原始字段。
引用的定价页
- DeepSeek API 定价 — 三档价与峰谷时段，核对于 2026-09-18
- OpenAI GPT-6.1 Sol 定价 — 输入 2 美元、输出 10 美元、缓存 0.1 美元，核对于 2026-10-30
- Moonshot Kimi K3.1 Pro 定价 — 标准版与 Highspeed 两档，核对于 2026-10-24
- 阶跃星辰 Step 5 Preview 定价 — 海外档 1 美元、2.7 美元、缓存 0.05 美元
- 开源统计工具 — 本文全部数字可用它复现
评论前必须登录！
立即登录 注册