我攒了个 Mac 桌面数据面板：Token 账单 + 供应商切换 + 工作日志 AI 助手（已开源）

最近把手头几个零散的小需求捏成了一个 Mac 桌面应用，自己每天开着用，顺手开源了。这篇记录一下它是什么、怎么搭起来的，以及几个我觉得值得单独拿出来讲的实现细节。

先说它解决我什么问题：

我用 Claude Code、Codex 写代码，一天下来到底烧了多少 token、花了多少钱，心里没数；
经常要在不同的 API 供应商之间切来切去，每次手动改 ~/.claude/settings.json、~/.codex/config.toml，烦且容易改错；
想要一个「今天我到底干了啥、有效时间多少」的复盘，但又不想手动记；
微信、钉钉、企业微信的未读散在三个 App 里，来回点。

于是就做了这个面板，把这几件事塞进一个窗口。

监控面板首页

一、整体架构

技术选型很朴素：Electron 做壳和界面，重活交给 Python 子进程，几个跟系统打交道的小活用 Swift 原生写。

┌─────────────────────────────────────────────┐
│            Electron 主进程 (main.js)          │
│  ├── trackApp()   前台应用追踪 (AppleScript)  │
│  ├── checkBadges() Dock 角标检测 (Swift)      │
│  ├── read*Messages() 各家消息读取 (Python)     │
│  ├── get-usage-data  Token 用量 (Python)      │
│  ├── switch-provider 供应商切换 (Python)       │
│  └── ai-chat         工作日志助手 (Python)     │
├─────────────────────────────────────────────┤
│         Electron 渲染进程 (前端界面)           │
│  index.html + renderer.js + styles.css        │
│  五个页面：监控 / Token / 供应商 / AI，IPC 通信 │
├─────────────────────────────────────────────┤
│              外部脚本 (Python / Swift)         │
│  usage_reader.py / provider_manager.py /       │
│  ai_assistant.py / *_reader.py / notif-helper  │
└─────────────────────────────────────────────┘

为什么不纯 Node 一把梭？因为解析日志、跟本地数据库打交道这些活，Python 写起来顺手、生态也全（比如 AES 那套直接 pycryptodome）。主进程通过 child_process 调用 Python 脚本，脚本只干一件事：算完把结果打成 JSON 从 stdout 吐出来，主进程收下再通过 IPC 发给渲染进程画界面。各脚本之间互不依赖，单独拿出来在命令行跑也能用，调试很方便。

跟系统底层打交道的两个活单独用 Swift 编译成命令行小程序：一个监听 macOS 通知中心（notif-helper），一个读 Dock 图标上的未读角标数字（chat-scanner，走辅助功能 API）。这俩用 AppleScript / Node 都别扭，Swift 几十行搞定。

下面挑三个我自己最常开的二级页面细说。

二、AI 编程 Token 账单

这是我做得最上心的一页——把 Claude Code 和 Codex 的 token 消耗、预估费用算清楚。

Token 用量页

数据源是纯本地的，零外部依赖。 这两个工具都会把每一轮对话落到本地日志里，我直接解析：

Claude Code：~/.claude/projects/*/*.jsonl，每行一条 JSON。我只要 message.role == "assistant" 且带 usage 的行，字段是现成的：

import json, glob

for path in glob.glob(os.path.expanduser("~/.claude/projects/*/*.jsonl")):
    for line in open(path, encoding="utf-8"):
        if '"usage"' not in line:          # 先按字符串粗筛，省掉大量 json.loads
            continue
        d = json.loads(line)
        msg = d.get("message") or {}
        if msg.get("role") != "assistant":
            continue
        u = msg.get("usage") or {}
        tin  = u.get("input_tokens", 0)
        tout = u.get("output_tokens", 0)
        tcr  = u.get("cache_read_input_tokens", 0)      # 缓存读取
        tcw  = u.get("cache_creation_input_tokens", 0)  # 缓存写入
        model = msg.get("model")
        proj  = os.path.basename(d.get("cwd") or "")    # 项目名 = 工作目录最后一段
        hour  = d.get("timestamp", "")[:13]             # 落到「小时」桶

Codex：~/.codex/sessions、~/.codex/archived_sessions 里的 token_count 事件（last_token_usage 是逐轮增量），再从 session_meta 拿 cwd 和 model。

几个口径上的坑，我是这么定的：

「核心 Token」= 新输入 + 输出 + 缓存写入，不含缓存读取。 为什么排掉缓存读取？因为同一段上下文会被反复读，缓存读取的数字会大到离谱（我这台一天缓存读取能到 2.6B），把它算进「用量」会完全盖住真实消耗。所以缓存读取单独列一栏，不进主口径。
费用按各模型的 API 单价，分 input / output / cache_read / cache_write 四类分别计——缓存读写单价和普通输入输出差很多，混着算就不准了。价格表内置在 usage_reader.py 里（价格表和聚合维度参考了掘金的开源项目 jusage，MIT，但解析和实现是自己写的）。

图表全是手绘 SVG，一个图表库都没引。 趋势线就是把每小时的值归一化到 viewBox 高度，拼一串 M x,y L x,y ... 的 path；热力图是一格一个 <rect> 按数值深浅上色；环形占比是算每段的 stroke-dasharray。没有 ECharts 那些依赖，包体积小、渲染也快。

性能上，日志文件很多、还一直在长，每次全解析太慢。我按每个文件的 mtime + size 做缓存，把每文件的「小时级聚合桶」存下来，下次只重新解析变过的文件——首次全解析 2~3 秒，之后大概 35 毫秒。

三、AI 供应商一键切换

第二页，解决「手动改配置文件切供应商」的麻烦。

供应商切换页

原理不复杂，就是帮你安全地改写那两个配置文件：

Claude Code → 改 ~/.claude/settings.json 里 env 的 ANTHROPIC_BASE_URL / ANTHROPIC_AUTH_TOKEN，只动这几个键，你原来的 hooks、权限之类的配置一个不碰；
Codex → 改 ~/.codex/config.toml：保留公共段（mcp_servers / notify / projects 等），只替换供应商片段（model_provider / model / [model_providers.*]），再更新 ~/.codex/auth.json 里的 key。

关键是别把用户配置改坏，所以加了几道保险：

写之前先备份：把目标文件按时间戳复制到 ~/.cc-dashboard/provider_backups/，每个文件留最近 20 份，页面上每个工具都有个「↩ 还原上次」；
原子写 + 写后校验：先写临时文件再 rename，写完再读回来 parse 一遍确认没写坏；
密钥不走命令行参数：新增/编辑供应商时，key 是通过子进程的 stdin 传进去的，不会出现在进程参数列表里（ps 看不到）。供应商库存在本机 ~/.cc-dashboard/providers.json，权限 600。

小提醒：它改的是和 cc-switch 同一批配置文件，两个一起用会互相覆盖，建议二选一。这页的切换能力就是仿写 cc-switch 的核心逻辑，首次会从它的库里把供应商导进来，之后就在面板里自己管了。

四、AI 工作日志助手

第三页，我用来做每日复盘。

AI 工作日志助手

它读的是面板自己攒的两份本地日志：

~/.cc-dashboard/activity/YYYY-MM-DD.jsonl——应用使用时间线，每次前台应用切换记一段 {app, start, end, durationSec}；
~/.cc-dashboard/notifications/YYYY-MM-DD.jsonl——收到的消息/通知，每条一行 {time, app, title, body}。

后端 ai_assistant.py 把当天这两份日志聚合成上下文，再丢给 DeepSeek 回答。聚合时做了两件事：

应用用时按「效率」归类：写代码/终端/IDE 算高效，浏览器/文档/沟通算中性，社交/视频/音乐算低效。分类表就摊在脚本顶上，随手能改。有个小原则——未知应用默认算「中性」，不武断judged成低效；
消息按会话归类，包括「我自己发出去的消息」也单独拎出来，这样能问它「我今天回复某人的语气怎么样」。

于是就能问它：今天工作了多久、高效低效各多少、几点在干嘛、都和谁聊了。上面截图里那两个回答就是实时跑出来的。

这里必须强调隐私：DeepSeek 的 key / base 从 .env 读，用的是你自己的 key、发的是你自己的数据；除了发给你自己配的那个大模型，数据不出本机。页面右上角还有个「清理本工具缓存」，按天清活动/通知日志、清临时解密缓存——只清面板自己攒的东西，绝不碰源数据。