shield_lock
JinDaGe
← Back to skills
extension
Category: Data & AnalyticsNo API key required

WorkBuddy 使用状态看板

离线可视化 WorkBuddy 本机使用数据，以 token 消耗为主指标、credit 为逐次实测精确值，涵盖思考效率、模型分布、成本与费率、单次提问成本、缓存命中率、日期区间筛选、错误监控、用量高峰探查，生成本地使用信息看板，并同步导出全量 CSV 与 xlsx。仅当用户**明确**想查看、生成或导出**自己 WorkBuddy 本机/本账号**的使用状态 / 使用统计 / 工作信息看板时调用；不用于其他产品或系统的用量统计，也不为任意数据生成通用看板。纯本地、全程零网络、可搬运；可选 --credit-xlsx 作参考补充，只在本地缺少逐次明细的日期上补入。 EN: Offline dashboard for WorkBuddy local usage analytics, with token as primary metric and credit measured per call, covering thinking efficiency, model distribution, model cost & rates, costliest single prompts, cache hit rate, date-range filtering, error monitoring, usage-spike inspection; a full CSV and xlsx export is written on every run. Triggers only when the user explicitly wants to view, generate, or export their own WorkBuddy local/account usage status / stats / activity dashboard; not for other products' usage analytics, nor for building generic dashboards from arbitrary data. Fully local and zero-network; the optional --credit-xlsx serves as a reference supplement only, filling days that lack local per-call detail.

personAuthor: user_e4ef2dfbhubcommunity
downloadDownload package

Skill Overview

WorkBuddy Usage Status turns WorkBuddy's own local usage data into an offline dashboard — token spend, thinking time, thinking efficiency, model distribution, error count, and credit consumption. It ranks model cost-performance and shows per-model rates so you can pick the cheapest model, and supports a date-range filter so you can zoom into any period. All model-share charts are limited to the top 10 models with the rest grouped as "Other". All data stays on your machine under ~/.workbuddy/; default zero network, no external APIs. The generated dashboard is one HTML file plus a local Chart.js copy written into the same folder, so it renders offline with zero dependencies.

What it does: Offline dashboard for WorkBuddy's local usage data — token / credit consumption, thinking efficiency, model distribution & cost-performance, date-range filtering, error monitoring, and usage-spike analysis.

Recent updates:

  • Per-call credit — credit now comes from every model call logged in local session files, attributed to the day the call happened. No more "all credit on the session's first day".
  • Model cost & rates — one table, two groups of columns: cost reality shows calls, tokens, credit, and credit per million tokens; rate structure shows non-cached input, cached input, and output unit prices, plus off-peak discount. Both are back-calculated from local per-call detail.
  • Costliest single prompts — the 20 priciest prompts by credit, with concentration stats, so you can find the few calls that actually cost money.
  • Cache hit-rate panel — overall hit rate, a daily trend line, and a per-model ranking.
  • Full-dataset CSV and xlsx on every run — timestamped usage-full-<timestamp>.csv and usage-full-<timestamp>.xlsx are written next to the dashboard. The CSV carries all 14 sections in a single file; the xlsx puts each section in its own worksheet. Headers and section names follow your OS language.
  • Auto-archiving against WorkBuddy's 30-day trace cleanup — every run merges live traces with a local archive, so history keeps accumulating; a dashboard banner reminds you to run at least once every 30 days. An optional --seed <old snapshot> imports an older snapshot's daily totals.
  • Drill-down — top-10 sessions expand into per-turn tables with an optional masked prompt column; usage-peak cards expand into that day's session table and model Top 5.

How to install

clawhub install workbuddy-usage-status

How to use

  • Chat trigger: Describe what you want in plain English or Chinese. This skill applies when you ask to view, generate, or export your own WorkBuddy usage status / stats / activity dashboard. Examples:

    "generate a WorkBuddy usage dashboard" · "view my recent WorkBuddy usage status" · "show token / credit consumption and model distribution" · "which model is the most cost-effective" · "filter usage by date range" · "which day had the highest usage"

    Scope is limited to WorkBuddy's own local usage data.

    Not triggered: This skill does not apply when you want usage/stats of other products such as Cursor, VS Code, Trae, or Claude; when you only say "export my data / make me a chart / build a dashboard" without specifying WorkBuddy's local usage; or when you want a generic visualization/report from arbitrary datasets.

  • CLI:

    python3 scripts/usage_extractor.py

    Options: --out ./report, --home /other/.workbuddy, --credit-xlsx <file>, --seed <old snapshot>, --no-archive. Python 3.10+, standard library only. Windows users please replace python3 with python.

⭐ If this dashboard helped you see your WorkBuddy usage clearly, please give it a Star to support independent development: github.com/clancy-feng/workbuddy-usage-status

The full Chinese documentation is preserved below.

语言说明：本文档英文概览在上，中文正文在下，二者是同一份说明的双语呈现；技能的触发描述另见 SKILL.md 的 description。

把 WorkBuddy 自己的本地使用数据，变成一份离线可查的 Dashboard。

可以看到：token 消耗、思考用时、思考效率、模型分布、错误数、积分消耗、模型费率、单次提问成本。

✨ 核心功能特性

  • Token/Credit 全链路可视化：按模型、按日期、按会话统计，一眼定位"烧钱大户"
  • 用量高峰探查：按 token 列出最高的几天，单行显示 token、credit、请求数、会话数、错误率，点「明细」展开当天会话表与模型 Top5。
  • 模型成本与费率：同一张表并排两类信息。一类是实际发生的用量与花费，含调用数、token、积分、每百万 token 积分，按每次调用的真实模型名归属；另一类是从本地逐次明细反推出来的单价，含非缓存输入、缓存输入、输出三档单价与低谷折扣。只列出用量达到最高模型百分之一以上的模型；其中调用数不足 30 或费率有波动的模型不标注费率，并在行内写明原因。
  • 单次提问成本榜：按积分列出最贵的 20 次提问，并给出集中度统计。
  • 思考效率量化：输出 token ÷ 思考秒数，即 tok/s，横向对比模型效率。
  • 错误集中监控：快速定位报错频繁的会话/模型，降低调试成本。
  • 离线运行：Chart.js 随 Skill 安装附带。
  • 缓存命中率面板：整体与按模型命中率趋势，看清"谁在帮你省钱"。
  • 三级细节显示：从 Top10 会话点「查看」，轮次表含时间 / 模型 / 状态 / Token / 输入 / 缓存命中 / 调用数 / 工具数 / 思考时长 / 错误；提问列默认隐藏，勾选「显示提问」展开；每轮再点「明细」显示事件摘要。
  • 全量数据双格式同步生成：每次运行自动产出 usage-full-<时间戳>.csv 与 usage-full-<时间戳>.xlsx，含逐笔调用明细与提问原文，属敏感内容，分享前请先检查。CSV 把 14 个分区写在同一个文件里，xlsx 把每个分区放进独立工作表。表头与分区名语言随操作系统语言。
  • 自动归档合并：每次运行自动把历史运行数据并入本地归档 ~/.workbuddy/usage-archive/，可用--no-archive 关闭。归档含三个文件：逐请求事实（时间、token 拆分、模型、错误文本，不含提问原文与 credit）、会话汇总（会话标题与 credit）、每日总量（纯数字）。
  • 只读无侵入：以只读模式访问 WorkBuddy 数据，不影响正在运行的程序。
  • 跨平台兼容：支持 Windows/macOS/Linux，Python 3.10+ 即可运行。

1. 能看到什么

  • 从开始用 WorkBuddy 到现在一共花了多少 token / credit？思考了多久？
  • 哪个会话、哪个模型消耗最大？模型效率怎么样？
  • 哪天用量飙升？错误集中在哪些会话/模型？
  • 用作"使用监督 / 用量控制"的量化依据。

2. 如何安装

💡 安装引导：国内用户优先选 SkillHub 一键安装，全球用户/OpenClaw 生态用户优先选 ClawHub 安装。

方式一：通过 WorkBuddy 安装（国内推荐）

在 WorkBuddy 技能市场中搜索 workbuddy-usage-status / workbuddy 使用状态看板，点击「安装」即可。

方式二：通过 ClawHub 安装

clawhub install workbuddy-usage-status

3. 用法

装好 skill 并重启 WorkBuddy 后，有两种用法。

入口 A：对话触发

在 WorkBuddy 对话里用自然语言描述你的需求即可。本 skill 适用于查看、生成或导出你自己的 WorkBuddy 本机使用状态与用量看板。例如：

  • "生成一个 WorkBuddy 使用信息看板"
  • "查看一下最近 WorkBuddy 的使用状态"
  • "我想看看 WorkBuddy 的工作信息看板，包括 token 消耗和模型分布"
  • "看一下 WorkBuddy 的使用数据"

入口 B：命令行直接跑

在任意目录执行。需要 Python 3.10+，仅标准库：

# 生成到当前目录（默认）
python3 scripts/usage_extractor.py

# 生成到指定目录
python3 scripts/usage_extractor.py --out ./report

# 指定数据根，一般不用，默认 ~/.workbuddy
python3 scripts/usage_extractor.py --home /other/.workbuddy

# 可选：用用量导出 xlsx 作参考补充，只在本地缺少逐次明细的日期上补入
# xlsx 来自 workbuddy.cn 用量页 → 选日期范围 → 导出，最多 1 个月
python3 scripts/usage_extractor.py --credit-xlsx ~/Downloads/request-usage-2026-08-10.xlsx

# 可选：用旧快照恢复已被 30 天清理的日期的每日总量
# 旧快照可以是 usage-status.json 或历史 dashboard HTML
# 导入一次即持久生效，存入本地归档 ~/.workbuddy/usage-archive/，无需重复传入
python3 scripts/usage_extractor.py --seed ~/old/workbuddy-usage-status-dashboard-20260909-224125.html

Windows 用户请将上述命令中的 python3 替换为 python。

看结果

⚠ 重要提示：30 天缓存期WorkBuddy 对本机 traces 只保留 30 天。本 skill 每次运行自动归档累积历史（~/.workbuddy/usage-archive/），看板始终是全量视图——但归档只在运行时发生：请至少每 30 天运行一次（建议配置每日定时自动化）；断档超 30 天期间的 trace 无法追溯，首次运行只能看到最近 30 天。

脚本在「输出目录」，即你运行命令时所在目录或 --out 指定的目录，生成 6 个文件：

| 文件 | 说明 | | --------------------------------------------- | ----------------------------------------- | | workbuddy-usage-status-dashboard-<时间戳>.html | 生成的报告文件，文件名带生成时间戳，每次生成独立文件，可保留多份对比 | | usage-status.json | 聚合后的原始数据，可二次处理 | | usage-status.js | window.USAGE_STATUS = {...}，备用 | | chart.umd.min.js | 图表引擎文件，由脚本自动复制到输出目录，需与 HTML 同目录存放 | | usage-full-<时间戳>.csv | 全量数据 CSV，14 个分区写在同一个文件里，含模型费率全部阶段、单次提问集中度 | | usage-full-<时间戳>.xlsx | 全量数据 xlsx，与 CSV 同源，14 个分区对应 14 个工作表，首行冻结 |

⚠ 产物敏感性提醒：usage-status.json / usage-status.js / dashboard HTML / 全量 CSV 与 xlsx 中均含会话标题与用户提问原文摘要，提问最长 300 字，看板内展示默认脱敏，数据文件内为原文截断。分享或提交到仓库前请先检查敏感性。

打开最新生成的 workbuddy-usage-status-dashboard-*.html 即可看到：KPI 卡 + 积分消耗图 + 思考用时图 + 各模型 Token 占比 + 模型效率 + 效率散点 + Top 10 Token消耗会话表 + 每日错误 + 模型成本与费率表 + 单次提问成本榜。四张时序图的横轴会按所选日期范围的跨度自动在「日 / 周 / 月」之间切换，≤120 天按日，120–730 天按周，>730 天按月。日期选择在修改起止日期后看板立即刷新。

credit 的来源与可选补充

现默认就已精确到每一次调用。 每天、每个模型的 credit 来自本地会话文件里每一次模型调用的精确积分，按该次调用真正发生的时间归集到当日，不再用之前那种「把一个会话的 credit 整体挂到它首次出现的那天」的做法。

⚠ 1.5.0 之前生成的旧快照和旧归档，其 credit 不可再用。 旧快照里的 credit 是按会话首现日挂出来的旧口径，与现在的逐日实测值不在同一个口径上。本 skill 在应用历史快照时只取其中的 token 等总量字段，不再采用其 credit。

可选补充：用量导出 xlsx

  1. 打开 https://www.workbuddy.cn/profile/plans-usage，即用量明细表。
  2. 选日期范围，最多 1 个月，点导出，得到 xlsx。
  3. 运行：python usage_extractor.py --credit-xlsx 路径/xxx.xlsx

补充逻辑

  • 只补入本地没有逐次明细的日期。
  • xlsx 最多含 1 个月；长期趋势以本地逐次明细为准。

无法归入每日趋势的部分

  • 本地无对话文件的历史会话：账本里记有 credit，但本地既无逐次明细也无请求记录，无法归到任何一天。看板会以提示条报出这类会话的数量与合计。
  • 有 credit 但无 token 明细的日期：这些天的积分已按实际发生日计入趋势，数值正确；但它们的 token 明细已被 30 天清理机制删除，所以这些天只有积分、没有 token。看 token 曲线时，这几天的数值偏低甚至为 0 属于正常，不是数据出错。看板提示条会列出具体是哪几天。

4. 报告刷新

数据是静态快照，想更新就再跑一次脚本，重新打开 HTML：

python3 scripts/usage_extractor.py --out ./report

如想每天自动刷新，可用 WorkBuddy 的"自动化/定时任务"每天跑这条命令。

5. 指标来源及算法

每个指标的具体算法见 DATA-GUIDE.md。

| 指标 | 算法 | 数据来源 | | --------- | ---------------------------------------------------------------------------------------------------------------------- | -------------------------------------- | | 思考用时 | 每条 trace 里 type=generation 的 span 时长之和 | traces/*/trace_*.json | | 思考效率 | 输出 token ÷ 思考秒数，即 tok/s | traces/*/trace_*.json | | token 消耗 | totalTokens（输入+输出+缓存）按会话/模型/天聚合 | traces/*/trace_*.json | | 缓存命中率 | totalCachedTokens ÷ totalInputTokens，若实测 cached>input 自动切换为 cached/(in+cached)；按天/模型聚合；模型排行仅收录调用数 ≥ 10 | traces/*/trace_*.json | | credit 消耗 | 逐次实测：每次模型调用的 providerData.rawUsage.credit 按调用时间归日，可再按模型拆分；本地无明细的会话回退账本并单独提示 | projects/*/*.jsonl，回退 workbuddy.db | | 模型成本与费率 | 成本实况＝该模型积分 ÷ 该模型 token × 100 万；费率结构＝按模型与月份做无截距三元最小二乘，月内再识别低谷时段。表内只列 token ≥ 最大模型的 1/100 的模型；费率进主表需调用数 ≥ 30 且 R² ≥ 0.95 | projects/*/*.jsonl | | 单次提问成本 | 按 conversationRequestId 汇总该次提问触发的全部模型调用积分，另给集中度统计 | projects/*/*.jsonl | | Top 会话 | 按 token 消耗降序取前 10 个会话，列出标题/token/思考时长/credit/错误数 | traces/* + workbuddy.db |

6. 已知限制

  1. 首跑耗时：首次全量解析 traces 需 10–30 秒。

  2. 全程零网络请求：脚本不发起任何出站请求。

  3. WorkBuddy 现只保留最近 30 天的 traces：超期的逐笔明细会被删除。本 skill 每次运行会自动归档到 ~/.workbuddy/usage-archive/，之后被清理也不影响看板——但归档只在运行时发生：请至少每 30 天运行一次，建议配置每日定时自动化。断档超 30 天期间的逐笔明细无法追溯，首次运行只能看到最近 30 天。被清理日期的每日总量可用 --seed <旧快照> 恢复。

7. 故障排查

| 现象 | 原因 / 处理 | | ----------------- | ------------------------------------------------------------------- | | 打开 HTML 显示"数据未加载" | 脚本报错中断。重跑 usage_extractor.py 看 stderr | | 图表空白但数字在 | 若报错"缺少 chart.umd.min.js"，确认该文件与 usage_extractor.py 同在 scripts/ 下后重跑 | | 数据明显偏少 | 这台机器 traces 少或刚装；或 --home 指错了目录 |

❓ 常见问题

Q：看板里的数字和 WorkBuddy 自己显示的对不上？

A：本看板只读取 ~/.workbuddy 下的本地数据文件，与 WorkBuddy 自身统计口径可能不同——本工具只统计「有 token 消耗的请求」，排除零用量的工作流记账噪声。以本看板口径为准，详见 DATA-GUIDE.md。

Q：为什么某天的积分特别高？为什么某天有积分却没有 token？

A：积分按每一次模型调用真正发生的时间归日，所以某天高就是那天确实扣了这么多。若某天有积分数值却没有 token，是因为积分明细存在本地会话文件里，而请求级 token 明细放在 traces 目录、已被 WorkBuddy 的 30 天清理机制删除。这类日期会在看板提示条里明确列出，属于正常现象，不是数据出错。详见 DATA-GUIDE.md §4.1。

Q：跑完脚本数字很少，怀疑报告不完整？

A：脚本对损坏或无法解析的 trace 文件会跳过，并在结尾打印「⚠ 数据完整性提示」，看板顶部也会显示黄色提示条，列出被跳过的文件名。提示存在即说明这些 trace 已损坏、相关时段数据会缺失；可去 ~/.workbuddy/traces 下核对对应文件。

Q：为什么不能实时刷新、一直挂着看？

A：看板是按需生成的静态 HTML，配套 chart.umd.min.js 需同目录存放，设计上零外网、不常驻进程。要定期更新，可用 WorkBuddy 的「自动化 / 定时任务」每天跑一次抽取命令，见第 4 节。

Q：第一次跑很慢？

A：全量解析 traces 可能涉及上千文件，只需一次，约 10–30 秒，之后每次都很快。见已知限制第 2 条。

Q：为什么看板只覆盖最近 30 天？更早的数据去哪了？

A：WorkBuddy 会自动清理 30 天前的本地 traces，已清理日期的对话本身不受影响，只是逐次调用的明细没了。本 skill 每次运行会先把数据归档到 ~/.workbuddy/usage-archive/，之后被清理也不影响看板；但归档只在运行时发生——超过 30 天没运行，断档期间的明细无法追溯。补救：用清理前生成的历史快照执行 --seed <快照>，可恢复更早日期的每日总量；并建议配置每日定时自动化，避免再断档。

Q：对话里怎么说才能触发这个 skill？

A：用自然语言描述「查看 / 生成 WorkBuddy 使用状态」即可，无需记关键词。

8. 适用使用场景

  • AI 工具成本管控：监控 WorkBuddy 的 token/credit 消耗，避免预算超支
  • 模型性价比对比：通过模型费率与思考效率横向对比不同模型的实际表现
  • 项目用量统计：统计单个项目或会话的 AI 资源消耗，核算项目成本
  • Agent 工作效率评估：量化 WorkBuddy 的思考时长、错误率，优化 Agent 配置
  • 本地数据可视化：数据不出本机，适合对数据外发有要求的场景

📝 更新日志

详细版本变更记录请查看 CHANGELOG.md。

当前最新版本：v1.5.1（2026-10-01）

👤 关于作者

本技能由 WorkBuddy 深度用户开发，专注 AI 工具用量可视化方向。

  • 小红书：@AI监工老冯 - 分享 WorkBuddy 使用技巧与技能更新动态
  • GitHub：clancy-feng
  • SkillHub：workbuddy-usage-status
  • ClawHub：workbuddy-usage-status

💖 支持这个项目

📊 已被 4000+ WorkBuddy 用户下载使用，覆盖 SkillHub & ClawHub 双平台。

如果这个工具帮到了你，欢迎：

  • ⭐ 去 GitHub 点个 Star
  • 🐛 遇到问题提 Issue
  • 📢 分享给你的 WorkBuddy 用户朋友

GitHub：https://github.com/clancy-feng/workbuddy-usage-status

🏆 SkillHub TRACE 评分 4.8/5.0 · ClawHub 搜索 "WorkBuddy" 排名第一