AI araçlarınızın gizli harcama kalıplarını yerel araçlarla açığa çıkarın

Yazılım geliştiricileri olarak verilerimizin her alanını ölçümleriz: kodlama aktiviteleri, dağıtımlar, test kapsamı… Ancak en çok vakit geçirdiğimiz AI araçlarımızın ne kadar kullanıldığını, hangi modelin bütçemizi en çok tükettiğini ya da prompt önbellekleme sistemlerinin ne kadar tasarruf sağladığını genellikle bilmeyiz. Bu durum, AI araçlarının siyah kutu gibi çalıştığına dair rahatsız edici bir boşluk bırakıyor.

Bu sorunu çözmek için dört farklı yerel araç geliştirildi. Bu araçlar tamamen yerel olarak çalışıyor, hesap kaydı gerektirmiyor ve verilerinizi asla dışarı göndermiyor. Sadece zaten bilgisayarınızda bulunan dosyaları okuyarak kullanım istatistiklerini sunuyor. Tüm araçlar MIT lisansı altında açık kaynak olarak yayınlandı ve kaynak kodlarını incelemek için herhangi bir API anahtarı ya da internet bağlantısı gerekmiyor.

Harcamalarınızdaki asıl masraf kalemi sizi şaşırtabilir

AI araçlarının maliyetini optimize etmek için çoğu kişi, prompt’ları sıkıştırmanın, sistem mesajlarını kısaltmanın ya da daha az token kullanmanın önemine odaklanır. Ancak gerçek veriler, bu önerilerin ne kadar yanlış olduğunu ortaya koyuyor.

Yerel olarak çalışan tokenops aracı, ~/.claude klasöründeki kayıtları analiz ettiğinde aşağıdaki dağılımı ortaya çıkardı:

• Önbellek okuma (cacheRead): %72
• Önbellek yazma (cacheWrite): ~%19
• Çıktı (output): kalan kısım
• Girdi (input): ~%0.3

Bu veriler, prompt’ları sıkıştırmanın aslında bütçe optimizasyonunda neredeyse hiçbir etkisi olmadığını gösteriyor. Önemli olan, uzun oturumlarda kullanılan geniş bağlamın önbellek üzerindeki yüküydü. Bu da farklı stratejiler gerektiriyor:

• Önbellek temizliği: Oturumların başında /compact veya /clear komutlarını kullanmak.
• Statik içerik koruma: CLAUDE.md gibi dosyaların sürekli değişmesini engelleyerek önbellek patlamalarını önlemek.
• Ucuz modelleri tercih etmek: Daha ucuz bir modelde başlayan uzun oturumları, ilerleyen aşamalarda daha pahalı modellere kaydırmak yerine, oturum başında doğru modeli seçmek.

Önemli not: Yukarıdaki %72 oranı, yazarın kendi kullanım verilerine dayanıyor. Kullanım şekline, abonelik planına ve kullanılan modele bağlı olarak sizin sonuçlarınız farklı olacaktır. Ana fikir, ölçüm yapmadan iyileştirme yapılamayacağıdır. Önce verilerinizi analiz edin, ardından stratejinizi buna göre belirleyin.

Dört yerel aracın detaylı incelemesi

1. tokenops — Claude Code harcamalarınızın gerçek raporu

Bu araç, ~/.claude klasöründeki kayıtları okuyarak harcamalarınızı bileşenlere ve modellere göre ayrıştırır. Ardından, verilerinize dayalı eylem önerileri sunar — sadece genelleştirilmiş tavsiyeler değil, hangi iyileştirmelerin sizin için en yüksek tasarruf potansiyeline sahip olduğunu gösterir.

Temel komutlar:

npx @greymoth/tokenops demo  # Önceden hazırlanmış sentetik verilerle denenebilir
npm i -g @greymoth/tokenops  # Küresel kurulum
tokenops report             # Bileşen ve model bazında harcama raporu
tokenops advise             # Öncelikli ve dolar cinsinden tasarruf önerileri
tokenops card               # "Önce-Sonra" karşılaştırmalı kart (--anon ile proje isimlerini gizleyin)

Kaynak kodu ve daha fazla bilgi için: github.com/greymoth-jp/tokenops

tokenops demo komutuyla aracın nasıl çalıştığını risksiz bir şekilde deneyebilirsiniz.

2. ccwrapped — Claude Code'unuzun "Spotify Wrapped" versiyonu

Bu araç da aynı ~/.claude verilerini kullanır, ancak farklı bir şekilde sunar. tokenops bir hesap tablosu gibi detaylı veriler sunarken, ccwrapped daha görsel ve paylaşılabilir bir rapor üretir. Mesaj sayısı, tahmini harcama, en çok kullanılan model, en aktif proje ve önbellek tasarruflarınız gibi bilgileri içeren SVG formatında bir kart oluşturur.

Kullanım:

npm i -g @greymoth/ccwrapped  # Küresel kurulum
ccwrapped --wrapped           # SVG dosyasını oluşturur — tarayıcıda açın ve ekran görüntüsü alın
ccwrapped --wrapped --anon    # Proje isimlerini gizleyerek temiz bir paylaşım için

Kaynak kodu: github.com/greymoth-jp/ccwrapped

Yazarın kendi deneyiminde, aracın yaklaşık 194.379 mesaj ve altı haneli tahmini önbellek tasarrufu gösterdiğini belirtiyor. Bu, sizin için de sürpriz olabilir.

3. inkdex — Tarayıcıda ChatGPT ve Claude kullanımınızı ölçün

Terminal kullanıcıları için tokenops ve ccwrapped harika olsa da, herkes komut satırında çalışmıyor. inkdex, Manifest V3 tabanlı bir tarayıcı eklentisi olarak çalışıyor ve tüm verileri tarayıcı depolamasında yerel olarak saklıyor. ChatGPT ve Claude web arayüzündeki kullanımınızı analiz ederek görsel bir rapor sunar.

Kaynak kodu: github.com/greymoth-jp/inkdex

4. ghwrapped — Herhangi bir GitHub profilini analiz edin

Bu araç, özel verilerinizi değil, yalnızca halka açık GitHub profillerini analiz eder. Bir kullanıcı adını girdiğinizde, o profilin yıl sonu raporunu SVG formatında oluşturur. Bu rapor, bir profil README’sinde kullanmak ya da bağımlı olduğunuz bir depoyu değerlendirmek için idealdir.

Kaynak kodu: github.com/greymoth-jp/ghwrapped

"%100 yerel" iddiasını doğrulama: Güven yerine doğrulama

Yerel araçların veri gizliliği konusunda sunduğu en büyük avantaj, verilerin asla dışarı çıkmamasıdır. Ancak bu iddianın doğrulanması gerekir. Kaynak kodunu inceleyerek bunu yapabilirsiniz:

• npm paketlerinin boyutu çok küçüktür. Örneğin ccwrapped ve tokenops depolarındaki bin/ klasörünü baştan sona okuyun.
• Aracın yerel olduğunu kanıtlayacak anahtar kelimeleri arayın: grep -rEi 'fetch|http|net\.|request|axios' . komutunu klonladığınız depoda çalıştırın. Eğer bir analiz aracı internet bağlantısı kuruyorsa, bu komut bunu ortaya çıkaracaktır.
• Çevrimdışı olarak çalıştırın. Bilgisayarınızın internet bağlantısını kapatın ve aracı çalıştırın. Eğer hâlâ çalışıyorsa, yerel olduğunu kanıtlamış olursunuz.

Bu yaklaşım, "bana güven" yerine "beni doğra" felsefesine dayanıyor ve gizlilik söz konusu olduğunda tek geçerli yol budur.

Sonuç: Verilerinizi görünür kılın ve paylaşın

Yerel araçlar kullanarak AI harcama alışkanlıklarınızı ölçmek ve optimize etmek hiç bu kadar kolay olmamıştı. Aşağıdaki adımları izleyerek başlayabilirsiniz:

1. npm i -g @greymoth/ccwrapped komutuyla aracı kurun.
2. ccwrapped --wrapped --anon komutunu çalıştırın (proje isimlerini gizlemek için --anon seçeneğini kullanın).
3. Oluşturulan SVG dosyasını tarayıcıda açın, ekran görüntüsünü alın ve deneyimlerinizi paylaşın.

Unutmayın: Bu araçlar, verilerinizi analiz etmekle kalmıyor, aynı zamanda AI maliyetlerinizi daha şeffaf hale getiriyor. Gelecekte daha akıllı harcama kararları alabilmek için bugün ölçüm yapmaya başlayın.