使用 OpenCode stats 指令掌握 AI 開發成本：完整參數與實戰範例

為什麼要看 opencode stats？

當我們開始大量使用 AI 做開發（Code Review、產生程式碼、寫文件、跑資料分析…），往往會有幾個共同的疑問：

• 最近到底用了多少 Token？

• 哪些模型最燒錢？

• 哪些工具（像 bash、webfetch 這類）被呼叫得最頻繁？

• 某個專案是不是特別花錢？

如果手上沒有清楚的統計數據，很難優化「模型選擇」與「使用習慣」。這時候，OpenCode 的 opencode stats 就派上用場了。

opencode stats 基本用法

最基本的指令非常單純：

opencode stats  

不帶任何參數時，它會顯示「所有時間、所有專案」的整體 Token 用量與費用統計，適合當作一個總體健康檢查（Health Check）：最近 AI 用得多不多、成本有沒有暴衝。

常用參數與行為說明

opencode stats 支援一組 flags，可以自由組合：

opencode stats [flags]  

常用的有這幾個：

• --days N

• --tools [N]

• --models [N]

• --project P

下面逐一說明它們的用途與使用情境。

--days N：限制查詢時間範圍

--days 用來控制「要看最近幾天」的用量。例如，只想看最近一週：

opencode stats --days 7  

這在兩種情境特別好用：

1. 每月或每週例行檢查：例如每到月底看一次 --days 30，檢查這個月 AI 成本。

2. 某次實驗或專案密集期：例如你在最近兩週大量嘗試新模型，就可以用 --days 14 來看這段期間的影響。

--tools [N]：觀察工具使用熱度

--tools 會列出各個工具（例如 bash、webfetch…）的使用統計。若不帶數字，會顯示全部工具；帶數字則只顯示前 N 名。你可以：

# 顯示所有工具用量  
opencode stats --tools  

# 只顯示使用量前 5 名的工具  
opencode stats --tools 5  

這有幾個實際用途：

• 了解「AI 在幫你做什麼」：是更多在跑 shell 指令、還是瘋狂打 API？

• 找出可能的最佳化點：某個工具用量特別高，可能代表流程可以再調整，或有機會改成一次性的腳本／排程。

--models [N]：檢視模型用量與費用明細

--models 則是針對各個模型（provider/model，例如某家雲廠商的特定模型）的 Token 與費用明細。若不帶數字，會列出所有模型明細；帶數字則只顯示前 N 名。你可以：

# 顯示所有模型詳細用量  
opencode stats --models  

# 只顯示用量前 3 名的模型  
opencode stats --models 3  

這對於成本控管特別關鍵：

• 找出哪幾個模型是主力：你日常最常依賴哪些模型。

• 監控高單價模型：如果某些高價模型意外成為 Top 3，就需要檢查是否有誤用或參數設計不佳的地方。

--project P：聚焦在特定專案

--project 用來對某個專案做切片統計：

# 只看名為 "project-name" 的專案  
opencode stats --project project-name  

如果你已經在專案資料夾裡，還可以傳入空字串表示「當前專案」：

# 只看目前所在資料夾這個專案的統計  
opencode stats --project ""  

這在你只想分析單一 repo 時特別好用。請注意，若你並不在專案資料夾裡，--project "" 可能不會取得預期結果。

實戰組合範例

前面介紹完各個參數，我習慣在實作時搭配成幾個常用的查詢模板。

1. 最近 30 天、目前專案的模型 Top 5

當你在某個專案上大量使用 AI 之後，很適合來一個月度回顧：

opencode stats --days 30 --project "" --models 5  

這條指令會告訴你：

• 最近 30 天，這個專案用了哪些模型？

• 哪些模型是前五名？用量大概占比多少？

• 有沒有哪個模型使用量超出你原先的預期？

如果你發現某個昂貴的模型排進 Top 5，而且還不是關鍵需求，就可以考慮換成 CP 值更高的選擇。

2. 最近 14 天、全工作區工具使用總覽

如果你想從「工作型態」的角度切入，而不是模型角度，可以這樣看工具用量：

opencode stats --days 14 --tools  

透過這個視角，你可以觀察：

• AI 比較常幫你做 I/O（例如 webfetch），還是純文字推理？

• 是否大量使用某些 Shell 工具（例如 bash），代表你已經開始把 DevOps 類型的任務交給 AI？

這有助於你調整自己的工作習慣，例如將重複性的 CLI 操作逐步交給 AI 自動化。

3. 單一專案的完整成本分析（模型 + 工具）

當你想為某個專案做一次「完整的 AI 成本盤點」時，可以把模型與工具一起開：

opencode stats --project project-name --models --tools  

用這種方式，你可以同時看到：

• 這個專案用了哪些模型、各自的 Token 與費用。

• AI 在這個專案裡最常被拿來搭配哪些工具。

從這些數據出發，你可以進一步調整：

• Default 模型（讓 Plan / Build 走更便宜或更強大的路線）。

• 工作流程設計（例如是否將某些重度工具操作改成批次執行，而不是在對話中頻繁觸發）。

結語：用數據讓 AI 助手更「划算」

引入 AI 助手到日常開發流程，不只是為了「變快」或「變輕鬆」，更重要的是能長期、可持續地使用。opencode stats 提供的，就是一個將「感覺」轉成「數字」的入口。

透過 --days 控制時間範圍、--project 聚焦特定專案，再搭配 --models 與 --tools 做細部分析，你可以：

• 找出真正的主力模型與工具。

• 及早發現成本異常的使用模式。

• 有依據地調整預設模型與工作流程設計。

如果你已經習慣用 OpenCode 協助開發，建議把幾條常用的 opencode stats 查詢，加到自己的工作流程（甚至包成 script 或 alias），讓「看 AI 成本」和「看 CI/CD 狀態」、「看監控儀表板」一樣自然，成為開發日常的一部分。