词元预算 (Token Budget)

通过读取软件/游戏企划书、半成品项目或资料，预估特定 LLM 模型的 token 消耗量，并按各家厂商官方定价实时预估计费。

支持 DeepSeek Harness 插件 + MCP 服务器 双形态 — Claude Desktop / Cursor / Trae / Cline / DSH 等 AI 工具都能用。

这工具解决什么问题

从这份企划书到成品软件，要花多少 token × 多少轮调用？
半成品代码 + bug 会不会让成本反向上升？
多份参考资料到底帮我省了还是反而让我塞爆 context？

这个工具就是回答这些的。算法基于真实研究数据（SWE-bench / Aider / Lost in the Middle / COCOMO II / Kernighan's Law）。

三件套

词元预算/
├── packages/
│   ├── core/           平台无关核心：模型表 / 定价表 / tokenizer / 文件计数 / 项目预算估算器
│   ├── dsh-plugin/     DeepSeek Harness 原生插件（注册为 Agent 工具）
│   └── mcp-server/     MCP 服务器（暴露给所有 MCP 客户端）
└── examples/
    └── 示例-企划书.md    示例输入

工具一览（8 个）

工具	说明
`estimate-tokens`	估算文本/路径的 token 数（单模型精确）
`estimate-cost`	多模型对比，按厂商官方定价计费，输出 Markdown/JSON 报告
`list-models`	列出所有支持模型（可按厂商过滤）
`list-pricing`	列出定价表（可查分段定价）
`plan-project-budget`	核心：企划书 + 半成品 + 资料 → 完整 8 阶段预算清单（P10/P50/P90）
`refresh-pricing`	让 AI 自己用 WebFetch/WebSearch 去搜最新价（生成任务清单）
`apply-pricing-update`	接收 AI 搜回来的价格，校验+合并到定价表
`estimate-github-project`	自动拉 GitHub 仓库（README + docs/ + 源码）→ 直接算预算

覆盖的厂商（截至 2026-08-16）

OpenAI — GPT-4.1 / 4o / 5.x 全系 / o1 / o3 / o3-pro / o4-mini
Anthropic — Claude Haiku/Sonnet/Opus/Fable 4.5~5
Google — Gemini 1.5 / 2.0 / 2.5 / 3 / 3.1
DeepSeek — V3.2 chat / R1 reasoner / V4 Flash / V4 Pro
阿里通义 — Qwen Turbo / Plus / Max / Long / Coder
智谱 — GLM-4.5 / 4.6 / 5
月之暗面 — Moonshot V1 8K/32K/128K / Kimi K2
字节豆包 — Doubao Pro 32K/128K / Flash
MiniMax — abab6.5 / 7
百度文心 — ERNIE 4.0 Turbo / Speed / Lite
xAI — Grok 3 / 4 / 4.1
Mistral — Large / Medium / Small
Together / Groq / Cohere — Llama 3.x / Command R+

定价变化频繁。内置表每季度更新一次；如需最新价，调用 refresh-pricing 让 AI 自己去搜。

核心算法（plan-project-budget）

不是"称文件大小"，而是把开发拆成 8 个阶段 估算每阶段 token × 调用轮数：

#	阶段	基准输入 K	基准输出 K	默认调用轮数
1	需求分析与规格书	20	15	3
2	系统设计与架构	40	25	4
3	数据建模	30	20	3
4	核心代码生成	65	98	12
5	UI 与前端实现	60	100	10
6	测试与 QA	100	60	15
7	文档撰写与本地化	60	96	5
8	发布与运维配置	40	30	4

三类非线性影响（基于真实论文）

[R1] 参考资料（Lost in the Middle, arxiv 2307.03172）：

资料 < 32K tokens：净收益线性增长（最多省 40% 前期成本）
资料 > 32K tokens：每多 1K，有效信息衰减 60%（边际收益转负）
质量信号：检测资料里有没有 API schema / 数据字典 / ER图 / OpenAPI — 命中给质量系数 ×1.5-2.0，纯散文资料再大也没用

[R2] 半成品代码（SWE-bench 实测 + COCOMO II）：

「省」：已完成的阶段（has_tests/has_docs/has_ui 等）定向 -10~50%
「费」：每轮调用要塞代码进 context，开销 = (LOC/10K)^1.2 × 5%（SWE-bench 幂律）
U 形现象：0% 完成贵，50% 完成最贵，100% 净 0

[R3] bug / 技术债（Kernighan's Law + DEVLoRe）：

Cost_debug = 2.0 × Cost_write × (1+TD_ratio)
检测 TODO/FIXME/HACK/XXX 注释密度（每 100 LOC > 1 个开始惩罚，最多 +50%）
测试覆盖率 < 10% → 额外 +15%
bug 密度爆表时，半成品比从零写还贵

实测对比（同一份企划书）

场景	完成度	bug 密度	测试覆盖	总 tokens	DeepSeek Flash
无半成品（从零写）	0%	—	—	74M	¥96
半成品（本仓库）	93%	0.15/100	9%	16M	¥20（省 79%）
半成品 + bug 爆表	50%	67/100	0%	118M	¥152（贵 59%）

快速开始

1. 安装依赖

git clone <your-fork> 词元预算
cd 词元预算
npm install

2. 命令行直接用（不依赖 DSH / MCP）

# 估算文本
node packages/core/src/cli.js --text "你的企划书全文..." --models gpt-4o,deepseek-chat

# 扫描半成品项目目录
node packages/core/src/cli.js ./my-game-project --calls 100 --currency CNY

# 已知 token 数直接估
node packages/core/src/cli.js --input-tokens 120000 --output-tokens 8000 --calls 50

# 列出所有模型
node packages/core/src/cli.js --list-models

3. 接入 DeepSeek Harness

# 装到 web profile
dsh plugin --profile web add ./packages/dsh-plugin

# 重启 dsh web
dsh web

Agent 会自动获得 8 个工具。

4. 接入 Claude Desktop / Cursor / Trae / Cline（通过 MCP）

Claude Desktop (claude_desktop_config.json):

{
  "mcpServers": {
    "token-budget": {
      "command": "node",
      "args": ["E:/词元预算/packages/mcp-server/src/index.js"]
    }
  }
}

Cursor / Trae / Cline / Continue / 任何支持 MCP 的客户端 配置同上，改 args 路径即可。

环境变量：

TB_DISPLAY_CURRENCY — 默认输出货币（USD 或 CNY）
TB_FORCE_HEURISTIC — 1 强制启发式估算（不依赖 gpt-tokenizer）
TB_FX_USD_TO_CNY — USD→CNY 汇率覆盖

实际使用场景

场景 1：从企划书估完整开发预算

Agent: 我把企划书发给你了，半成品代码在 ./my-project，资料在 ./docs。
[调用 plan-project-budget(
  docPath: "./企划书.md",
  codePath: "./my-project",
  materialPath: "./docs",
  workflow: "aider_loop",
  displayCurrency: "CNY"
)]
→ 返回 8 阶段分解 + 15 个模型对比 + 每阶段折扣来源 + U 形 / bug 惩罚明细

场景 2：从 GitHub 仓库直接算

Agent: 帮我估一下把 vercel/next.js 重构的预算。
[调用 estimate-github-project(
  repo: "vercel/next.js",
  token: "ghp_xxx",               # 可选，匿名也行（60 次/小时）
  displayCurrency: "CNY",
  debug: true                     # 可选，带详细调试日志
)]
→ 自动拉 README + docs/ + 源码 → 8 阶段预算

场景 3：让 AI 自己刷新价格

Agent: 内置价格可能过时，请刷新 openai 和 deepseek 的价格。
[调用 refresh-pricing(providers: ["openai","deepseek"])]
  ← 返回任务清单：每家厂商的官方定价页 URL + schema
[AI 自己用 WebFetch 抓 openai.com/api/pricing, api-docs.deepseek.com]
[调用 apply-pricing-update(prices: [{modelId:"gpt-4o", input:2.5, output:10, ...}])]
  ← 返回"成功合并 N 个模型"
[调用 estimate-cost(...)]  → 用新价算

场景 4：长对话成本对比

已知输入 50K tokens，对话 1000 轮，请对比成本。
[调用 estimate-cost(inputTokens=50000, calls=1000, models=["deepseek-v4-flash","gpt-5.4-nano"])]

场景 5：调试为什么数据不对

任何 plan / estimate-github 调用加 debug: true，返回 debugLogs 数组：

每个文件的 TODO 密度（路径 + 计数 + 是否触发惩罚）
资料质量系数逐步展开（6 种结构化类型 × 权重 → 上限 2.0）
每阶段的折扣来源 + 惩罚来源（完成度 / 文件类型 / 资料 / context overhead / 技术债）

Tokenizer 精度

模型族	方式	说明
GPT-4o / 4.1 / 5 / o 系列 / Grok	精确 (o200k_base via gpt-tokenizer)	与 OpenAI API 完全一致
GPT-4 / Llama 3 (近似)	精确 (cl100k_base)	OpenAI 旧编码
Claude 4.7+ (Opus/Sonnet 4.6/5 等)	估算 (o200k × 1.3)	新 tokenizer 未开源，按 Anthropic 公告 35% 放大
Gemini	启发式	Google 未开源
DeepSeek / Qwen / GLM / Kimi / 豆包等	启发式	中文 ~1.5 字符/token
任意模型	启发式回退	当 gpt-tokenizer 未安装时自动启用

配置 DSH 插件

packages/dsh-plugin/cordis.patch.yml:

- insert:
    - id: token-budget
      name: ${DSH_PLUGIN_DIR}/src/index.js
      config:
        displayCurrency: USD           # 默认输出货币
        defaultCacheHitRatio: 0         # 默认缓存命中比例
        defaultOutputRatio: 0.3         # 输出/输入比例
        forceHeuristic: false           # 强制启发式
        # pricingOverrides:             # 自定义定价覆盖
        #   gpt-4.1: { input: 2.00, output: 8.00, currency: USD }

项目结构

packages/
├── core/
│   ├── src/
│   │   ├── models.js            模型元数据（厂商、tokenizer、上下文长度）
│   │   ├── pricing.js           定价表（含分段定价、缓存价）
│   │   ├── pricing-tasks.js     AI 自主搜价任务生成器（refresh-pricing）
│   │   ├── tokenizer.js         精确 tokenizer + 启发式回退
│   │   ├── counter.js           文件/目录递归计数器 + 技术债扫描
│   │   ├── calculator.js        成本计算 + Markdown/JSON 报告
│   │   ├── project-estimator.js 8 阶段项目预算算法（[R1][R2][R3] 论文依据）
│   │   ├── github-fetcher.js    GitHub REST API 拉取器
│   │   ├── cli.js               独立 CLI 入口
│   │   └── index.js             统一入口
│   └── package.json
├── dsh-plugin/
│   ├── src/index.js             DSH 插件入口（注册 8 个工具给 Agent）
│   ├── cordis.patch.yml         配置补丁
│   └── package.json
└── mcp-server/
    ├── src/index.js             MCP 服务器（stdio 协议，8 个工具）
    └── package.json

发布与分享

详见 PUBLISH.md。三种分发方式：

1. npm 发布（推荐 — 别人 `npm install` 即可）

# 给包起个统一名
cd packages/core && npm version 0.1.0 && npm publish --access public
cd packages/mcp-server && npm version 0.1.0 && npm publish --access public
cd packages/dsh-plugin && npm version 0.1.0 && npm publish --access public

别人就能直接：

{
  "mcpServers": {
    "token-budget": { "command": "npx", "args": ["-y", "@token-budget/mcp-server"] }
  }
}

2. GitHub Release（开源贡献 + Fork 改进）

# 推到你的 GitHub 仓库
git remote add origin https://github.com/<your-username>/token-budget.git
git push -u origin main

# 打 Release
gh release create v0.1.0 --title "v0.1.0 首发版" --notes-file CHANGELOG.md

别人用：

dsh plugin --profile web add https://github.com/<your-username>/token-budget/archive/refs/tags/v0.1.0.tar.gz

3. DSH 插件商店

发布到 npm 后，去 DeepSeek Harness 插件市场提 PR 登记 package.json 即可。

许可证

MIT — 随便用、随便改、欢迎 PR。

致谢

DeepSeek Harness — Cordis 插件系统
gpt-tokenizer — 纯 JS BPE tokenizer
Model Context Protocol — 通用 AI 工具协议
Lost in the Middle — 长上下文衰减曲线
SWE-bench — 真实 issue 修复 token 实测数据
COCOMO II — 软件维护成本模型
定价数据来源：各厂商官方定价页（截至 2026-08-16）

词元预算 (Token Budget)

通过读取软件/游戏企划书、半成品项目或资料，预估特定 LLM 模型的 token 消耗量，并按各家厂商官方定价实时预估计费。

支持 DeepSeek Harness 插件 + MCP 服务器 双形态 — Claude Desktop / Cursor / Trae / Cline / DSH 等 AI 工具都能用。

这工具解决什么问题

从这份企划书到成品软件，要花多少 token × 多少轮调用？
半成品代码 + bug 会不会让成本反向上升？
多份参考资料到底帮我省了还是反而让我塞爆 context？

这个工具就是回答这些的。算法基于真实研究数据（SWE-bench / Aider / Lost in the Middle / COCOMO II / Kernighan's Law）。

三件套

词元预算/
├── packages/
│   ├── core/           平台无关核心：模型表 / 定价表 / tokenizer / 文件计数 / 项目预算估算器
│   ├── dsh-plugin/     DeepSeek Harness 原生插件（注册为 Agent 工具）
│   └── mcp-server/     MCP 服务器（暴露给所有 MCP 客户端）
└── examples/
    └── 示例-企划书.md    示例输入

工具一览（8 个）

工具	说明
`estimate-tokens`	估算文本/路径的 token 数（单模型精确）
`estimate-cost`	多模型对比，按厂商官方定价计费，输出 Markdown/JSON 报告
`list-models`	列出所有支持模型（可按厂商过滤）
`list-pricing`	列出定价表（可查分段定价）
`plan-project-budget`	核心：企划书 + 半成品 + 资料 → 完整 8 阶段预算清单（P10/P50/P90）
`refresh-pricing`	让 AI 自己用 WebFetch/WebSearch 去搜最新价（生成任务清单）
`apply-pricing-update`	接收 AI 搜回来的价格，校验+合并到定价表
`estimate-github-project`	自动拉 GitHub 仓库（README + docs/ + 源码）→ 直接算预算

覆盖的厂商（截至 2026-08-16）

OpenAI — GPT-4.1 / 4o / 5.x 全系 / o1 / o3 / o3-pro / o4-mini
Anthropic — Claude Haiku/Sonnet/Opus/Fable 4.5~5
Google — Gemini 1.5 / 2.0 / 2.5 / 3 / 3.1
DeepSeek — V3.2 chat / R1 reasoner / V4 Flash / V4 Pro
阿里通义 — Qwen Turbo / Plus / Max / Long / Coder
智谱 — GLM-4.5 / 4.6 / 5
月之暗面 — Moonshot V1 8K/32K/128K / Kimi K2
字节豆包 — Doubao Pro 32K/128K / Flash
MiniMax — abab6.5 / 7
百度文心 — ERNIE 4.0 Turbo / Speed / Lite
xAI — Grok 3 / 4 / 4.1
Mistral — Large / Medium / Small
Together / Groq / Cohere — Llama 3.x / Command R+

定价变化频繁。内置表每季度更新一次；如需最新价，调用 refresh-pricing 让 AI 自己去搜。

核心算法（plan-project-budget）

不是"称文件大小"，而是把开发拆成 8 个阶段 估算每阶段 token × 调用轮数：

#	阶段	基准输入 K	基准输出 K	默认调用轮数
1	需求分析与规格书	20	15	3
2	系统设计与架构	40	25	4
3	数据建模	30	20	3
4	核心代码生成	65	98	12
5	UI 与前端实现	60	100	10
6	测试与 QA	100	60	15
7	文档撰写与本地化	60	96	5
8	发布与运维配置	40	30	4

三类非线性影响（基于真实论文）

[R1] 参考资料（Lost in the Middle, arxiv 2307.03172）：

资料 < 32K tokens：净收益线性增长（最多省 40% 前期成本）
资料 > 32K tokens：每多 1K，有效信息衰减 60%（边际收益转负）
质量信号：检测资料里有没有 API schema / 数据字典 / ER图 / OpenAPI — 命中给质量系数 ×1.5-2.0，纯散文资料再大也没用

[R2] 半成品代码（SWE-bench 实测 + COCOMO II）：

「省」：已完成的阶段（has_tests/has_docs/has_ui 等）定向 -10~50%
「费」：每轮调用要塞代码进 context，开销 = (LOC/10K)^1.2 × 5%（SWE-bench 幂律）
U 形现象：0% 完成贵，50% 完成最贵，100% 净 0

[R3] bug / 技术债（Kernighan's Law + DEVLoRe）：

Cost_debug = 2.0 × Cost_write × (1+TD_ratio)
检测 TODO/FIXME/HACK/XXX 注释密度（每 100 LOC > 1 个开始惩罚，最多 +50%）
测试覆盖率 < 10% → 额外 +15%
bug 密度爆表时，半成品比从零写还贵

实测对比（同一份企划书）

场景	完成度	bug 密度	测试覆盖	总 tokens	DeepSeek Flash
无半成品（从零写）	0%	—	—	74M	¥96
半成品（本仓库）	93%	0.15/100	9%	16M	¥20（省 79%）
半成品 + bug 爆表	50%	67/100	0%	118M	¥152（贵 59%）

快速开始

1. 安装依赖

git clone <your-fork> 词元预算
cd 词元预算
npm install

2. 命令行直接用（不依赖 DSH / MCP）

# 估算文本
node packages/core/src/cli.js --text "你的企划书全文..." --models gpt-4o,deepseek-chat

# 扫描半成品项目目录
node packages/core/src/cli.js ./my-game-project --calls 100 --currency CNY

# 已知 token 数直接估
node packages/core/src/cli.js --input-tokens 120000 --output-tokens 8000 --calls 50

# 列出所有模型
node packages/core/src/cli.js --list-models

3. 接入 DeepSeek Harness

# 装到 web profile
dsh plugin --profile web add ./packages/dsh-plugin

# 重启 dsh web
dsh web

Agent 会自动获得 8 个工具。

4. 接入 Claude Desktop / Cursor / Trae / Cline（通过 MCP）

Claude Desktop (claude_desktop_config.json):

{
  "mcpServers": {
    "token-budget": {
      "command": "node",
      "args": ["E:/词元预算/packages/mcp-server/src/index.js"]
    }
  }
}

Cursor / Trae / Cline / Continue / 任何支持 MCP 的客户端 配置同上，改 args 路径即可。

环境变量：

TB_DISPLAY_CURRENCY — 默认输出货币（USD 或 CNY）
TB_FORCE_HEURISTIC — 1 强制启发式估算（不依赖 gpt-tokenizer）
TB_FX_USD_TO_CNY — USD→CNY 汇率覆盖

实际使用场景

场景 1：从企划书估完整开发预算

Agent: 我把企划书发给你了，半成品代码在 ./my-project，资料在 ./docs。
[调用 plan-project-budget(
  docPath: "./企划书.md",
  codePath: "./my-project",
  materialPath: "./docs",
  workflow: "aider_loop",
  displayCurrency: "CNY"
)]
→ 返回 8 阶段分解 + 15 个模型对比 + 每阶段折扣来源 + U 形 / bug 惩罚明细

场景 2：从 GitHub 仓库直接算

Agent: 帮我估一下把 vercel/next.js 重构的预算。
[调用 estimate-github-project(
  repo: "vercel/next.js",
  token: "ghp_xxx",               # 可选，匿名也行（60 次/小时）
  displayCurrency: "CNY",
  debug: true                     # 可选，带详细调试日志
)]
→ 自动拉 README + docs/ + 源码 → 8 阶段预算

场景 3：让 AI 自己刷新价格

Agent: 内置价格可能过时，请刷新 openai 和 deepseek 的价格。
[调用 refresh-pricing(providers: ["openai","deepseek"])]
  ← 返回任务清单：每家厂商的官方定价页 URL + schema
[AI 自己用 WebFetch 抓 openai.com/api/pricing, api-docs.deepseek.com]
[调用 apply-pricing-update(prices: [{modelId:"gpt-4o", input:2.5, output:10, ...}])]
  ← 返回"成功合并 N 个模型"
[调用 estimate-cost(...)]  → 用新价算

场景 4：长对话成本对比

已知输入 50K tokens，对话 1000 轮，请对比成本。
[调用 estimate-cost(inputTokens=50000, calls=1000, models=["deepseek-v4-flash","gpt-5.4-nano"])]

场景 5：调试为什么数据不对

任何 plan / estimate-github 调用加 debug: true，返回 debugLogs 数组：

每个文件的 TODO 密度（路径 + 计数 + 是否触发惩罚）
资料质量系数逐步展开（6 种结构化类型 × 权重 → 上限 2.0）
每阶段的折扣来源 + 惩罚来源（完成度 / 文件类型 / 资料 / context overhead / 技术债）

Tokenizer 精度

模型族	方式	说明
GPT-4o / 4.1 / 5 / o 系列 / Grok	精确 (o200k_base via gpt-tokenizer)	与 OpenAI API 完全一致
GPT-4 / Llama 3 (近似)	精确 (cl100k_base)	OpenAI 旧编码
Claude 4.7+ (Opus/Sonnet 4.6/5 等)	估算 (o200k × 1.3)	新 tokenizer 未开源，按 Anthropic 公告 35% 放大
Gemini	启发式	Google 未开源
DeepSeek / Qwen / GLM / Kimi / 豆包等	启发式	中文 ~1.5 字符/token
任意模型	启发式回退	当 gpt-tokenizer 未安装时自动启用

配置 DSH 插件

packages/dsh-plugin/cordis.patch.yml:

- insert:
    - id: token-budget
      name: ${DSH_PLUGIN_DIR}/src/index.js
      config:
        displayCurrency: USD           # 默认输出货币
        defaultCacheHitRatio: 0         # 默认缓存命中比例
        defaultOutputRatio: 0.3         # 输出/输入比例
        forceHeuristic: false           # 强制启发式
        # pricingOverrides:             # 自定义定价覆盖
        #   gpt-4.1: { input: 2.00, output: 8.00, currency: USD }

项目结构

packages/
├── core/
│   ├── src/
│   │   ├── models.js            模型元数据（厂商、tokenizer、上下文长度）
│   │   ├── pricing.js           定价表（含分段定价、缓存价）
│   │   ├── pricing-tasks.js     AI 自主搜价任务生成器（refresh-pricing）
│   │   ├── tokenizer.js         精确 tokenizer + 启发式回退
│   │   ├── counter.js           文件/目录递归计数器 + 技术债扫描
│   │   ├── calculator.js        成本计算 + Markdown/JSON 报告
│   │   ├── project-estimator.js 8 阶段项目预算算法（[R1][R2][R3] 论文依据）
│   │   ├── github-fetcher.js    GitHub REST API 拉取器
│   │   ├── cli.js               独立 CLI 入口
│   │   └── index.js             统一入口
│   └── package.json
├── dsh-plugin/
│   ├── src/index.js             DSH 插件入口（注册 8 个工具给 Agent）
│   ├── cordis.patch.yml         配置补丁
│   └── package.json
└── mcp-server/
    ├── src/index.js             MCP 服务器（stdio 协议，8 个工具）
    └── package.json

发布与分享

详见 PUBLISH.md。三种分发方式：

1. npm 发布（推荐 — 别人 `npm install` 即可）

# 给包起个统一名
cd packages/core && npm version 0.1.0 && npm publish --access public
cd packages/mcp-server && npm version 0.1.0 && npm publish --access public
cd packages/dsh-plugin && npm version 0.1.0 && npm publish --access public

别人就能直接：

{
  "mcpServers": {
    "token-budget": { "command": "npx", "args": ["-y", "@token-budget/mcp-server"] }
  }
}

2. GitHub Release（开源贡献 + Fork 改进）

# 推到你的 GitHub 仓库
git remote add origin https://github.com/<your-username>/token-budget.git
git push -u origin main

# 打 Release
gh release create v0.1.0 --title "v0.1.0 首发版" --notes-file CHANGELOG.md

别人用：

dsh plugin --profile web add https://github.com/<your-username>/token-budget/archive/refs/tags/v0.1.0.tar.gz

3. DSH 插件商店

发布到 npm 后，去 DeepSeek Harness 插件市场提 PR 登记 package.json 即可。

许可证

MIT — 随便用、随便改、欢迎 PR。

致谢

DeepSeek Harness — Cordis 插件系统
gpt-tokenizer — 纯 JS BPE tokenizer
Model Context Protocol — 通用 AI 工具协议
Lost in the Middle — 长上下文衰减曲线
SWE-bench — 真实 issue 修复 token 实测数据
COCOMO II — 软件维护成本模型
定价数据来源：各厂商官方定价页（截至 2026-08-16）

token-budget

词元预算 (Token Budget)

这工具解决什么问题

三件套

工具一览（8 个）

覆盖的厂商（截至 2026-08-16）

核心算法（plan-project-budget）

三类非线性影响（基于真实论文）

实测对比（同一份企划书）

快速开始

1. 安装依赖

2. 命令行直接用（不依赖 DSH / MCP）

3. 接入 DeepSeek Harness

4. 接入 Claude Desktop / Cursor / Trae / Cline（通过 MCP）

实际使用场景

场景 1：从企划书估完整开发预算

场景 2：从 GitHub 仓库直接算

场景 3：让 AI 自己刷新价格

场景 4：长对话成本对比

场景 5：调试为什么数据不对

Tokenizer 精度

配置 DSH 插件

项目结构

发布与分享

1. npm 发布（推荐 — 别人 npm install 即可）

2. GitHub Release（开源贡献 + Fork 改进）

3. DSH 插件商店

许可证

致谢

Community comments

token-budget

词元预算 (Token Budget)

这工具解决什么问题

三件套

工具一览（8 个）

覆盖的厂商（截至 2026-08-16）

核心算法（plan-project-budget）

三类非线性影响（基于真实论文）

实测对比（同一份企划书）

快速开始

1. 安装依赖

2. 命令行直接用（不依赖 DSH / MCP）

3. 接入 DeepSeek Harness

4. 接入 Claude Desktop / Cursor / Trae / Cline（通过 MCP）

实际使用场景

场景 1：从企划书估完整开发预算

场景 2：从 GitHub 仓库直接算

场景 3：让 AI 自己刷新价格

场景 4：长对话成本对比

场景 5：调试为什么数据不对

Tokenizer 精度

配置 DSH 插件

项目结构

发布与分享

1. npm 发布（推荐 — 别人 npm install 即可）

2. GitHub Release（开源贡献 + Fork 改进）

3. DSH 插件商店

许可证

致谢

Community comments

1. npm 发布（推荐 — 别人 `npm install` 即可）

1. npm 发布（推荐 — 别人 `npm install` 即可）