GitHub开源项目 on 拾光集

CodexBar：在 macOS 菜单栏统一查看 AI 编程工具额度

Tue, 28 Jul 2026 20:22:00 +0800

同时使用 Codex、Claude、Cursor、Gemini 和 GitHub Copilot 时，最麻烦的事情之一，就是不知道每个平台还剩多少额度，以及下一次什么时候重置。

CodexBar 是一款免费开源的 macOS 菜单栏应用，可以把多个 AI 编程工具的使用额度、重置倒计时、余额和服务状态集中显示在桌面顶部。

不用反复打开不同网站，抬眼看一下菜单栏，就能了解当前 AI 工具的使用情况。

CodexBar 能做什么？

CodexBar 主要解决三个问题：

查看不同 AI 服务的当前使用额度
显示会话、每周或每月额度的重置时间
提醒用户某个服务是否出现故障或额度不足

部分服务还可以显示：

剩余积分或账户余额
API 调用费用
Token 使用量
最近一段时间的使用趋势
服务故障和运行状态

具体能够显示哪些数据，取决于对应服务是否提供相关接口。

支持哪些 AI 工具？

CodexBar 官方目前列出了 63 个服务提供商，常见的包括：

OpenAI Codex
OpenAI API
Claude
Cursor
Gemini
GitHub Copilot
Grok
GroqCloud
OpenRouter
LiteLLM
DeepSeek
ElevenLabs
Deepgram
MiniMax
Kiro
Zed
Vertex AI
AWS Bedrock

不同服务的连接方式并不完全相同，可能需要使用 OAuth、API Key、浏览器登录状态、本地 CLI 或应用配置文件。

两种菜单栏显示方式

CodexBar 提供两种主要显示模式。

独立图标模式

每个 AI 服务在菜单栏中显示一个独立状态项。

这种方式适合只使用两三个 AI 工具的用户，可以直接看到每个平台的剩余额度。

合并图标模式

将多个服务合并到一个菜单栏图标中，再通过提供商切换器查看不同平台。

当启用的 AI 工具较多时，这种模式可以减少菜单栏占用空间。

CodexBar 本身没有 Dock 图标，主要通过菜单栏运行，界面比较简洁。

动态条形图标有什么用？

CodexBar 会使用动态条形图标表示当前额度。

用户不需要每次点击菜单，就能通过图标大致判断：

当前额度是否充足
使用量是否接近上限
是否需要等待下一次重置
服务是否出现异常

对于长时间使用 AI 编程助手的开发者，这种显示方式比频繁检查网页控制台更方便。

如何安装 CodexBar？

CodexBar 桌面应用要求：

macOS 14 Sonoma 或更高版本

使用 Homebrew 安装：

`1`	`brew install --cask codexbar`

也可以前往 GitHub Releases 页面下载安装包。

安装完成后，打开：

`1`	`Settings → Providers`

启用自己正在使用的 AI 服务，并根据提示完成登录或授权。

使用时需要注意什么？

CodexBar 会复用已有的 OAuth 登录、浏览器 Cookie、API Key、本地 CLI 登录状态或配置文件，不会要求用户把所有平台密码直接保存到应用中。

不过，部分功能可能需要：

访问浏览器 Cookie
读取钥匙串信息
读取本地项目或日志文件
配置 API Key
开启文件访问权限

因此，在启用某个提供商之前，建议先查看该服务对应的数据来源和权限说明。

此外，不同 AI 平台开放的数据并不一致，所以并不是所有提供商都能同时显示额度、费用、Token 和重置时间。

CodexBar 适合哪些人？

CodexBar 比较适合以下用户：

同时使用多个 AI 编程助手
经常遇到 Codex 或 Claude 额度限制
需要管理多个 API 账户
希望提前安排高消耗编程任务
不想频繁打开不同平台的控制台
想在菜单栏快速查看 AI 服务状态

如果你只偶尔使用一个 AI 工具，CodexBar 的作用可能不明显。

但对于每天同时使用 Codex、Claude、Cursor、Gemini 等工具的人来说，它可以减少检查额度和切换网页的时间。

总结

CodexBar 并不会增加 AI 工具的额度，它真正解决的是“额度不可见”的问题。

它把分散在不同平台中的使用限制、重置倒计时、账户余额和服务状态集中到 macOS 菜单栏，让用户能够更合理地安排 AI 编程任务。

项目免费开源，采用 MIT 许可证，支持 Homebrew 安装，也提供适用于 macOS 和 Linux 的命令行工具。

项目地址

GitHub：https://github.com/steipete/CodexBar
官方网站：https://codexbar.app/
Releases：https://github.com/steipete/CodexBar/releases

两个免费开源 AI Skills：快速制作电影感项目演示视频

Tue, 28 Jul 2026 15:04:00 +0800

制作一个像样的项目演示视频，通常需要完成脚本、录屏、动画、架构图、音效和剪辑等多个步骤。

现在可以借助两个开源 AI Skills，简化其中最耗时间的两个环节：

video-shotcraft：生成电影感产品演示和项目开场动画
Archify：将代码仓库或系统描述转换成技术架构图

它们可以配合 Claude Code、Codex 等 AI 编程助手使用，比较适合开发者制作产品发布视频、GitHub 项目介绍、SaaS 功能演示和技术方案展示。

video-shotcraft：生成电影感项目演示视频

video-shotcraft 是一个面向 Claude Code 和 Codex 的 AI 视频制作 Skill。

它基于 Remotion 工作流，将项目页面、产品截图和功能素材组合成具有镜头运动、节奏切换和音效设计的演示视频。

项目内提供了：

106 个镜头设计方案
161 个动态效果预览
可直接修改的 Remotion 视频模板
页面截图与界面展示方案
2.5D 镜头移动效果
节奏同步剪辑与音效设计方法

使用时，可以让 AI 分析项目特点，生成分镜方案，再通过 Remotion 渲染为视频。

它适合制作：

GitHub 开源项目介绍
SaaS 产品发布视频
网站首页功能演示
软件更新宣传片
应用功能预告片

需要注意的是，video-shotcraft 提供的示例项目和默认模板包含作者自己的产品界面。

正式制作时，应替换以下内容：

产品截图
网站页面
项目名称
功能演示素材
配色与视觉元素
音效和背景音乐

不要直接使用默认素材，否则最终视频可能更像原项目的宣传片，而不是你自己的项目演示。

Archify：把代码仓库转换成架构图

Archify 是一个面向 Cursor、Claude Code、Codex CLI 和 OpenCode 的技术架构可视化 Skill。

你可以向它提供：

一个代码仓库
一段系统结构说明
服务之间的调用关系
产品业务流程
数据流和生命周期描述

Archify 会将这些信息整理成可交互的技术架构图。

目前支持的主要图表类型包括：

系统架构图
工作流程图
时序关系图
数据流图
生命周期图

生成结果可以导出为：

HTML
PNG
SVG
WebM
社交媒体分享图

与普通静态架构图相比，Archify 更强调结构验证、节点关系、上下游路径和架构变更对比，适合用于技术文档、项目汇报和代码评审。

注意：Archify 当前没有把“自动解析 Mermaid 代码”列为支持范围。更稳妥的方式是直接提供代码仓库或用自然语言描述系统结构。

两个 Skill 如何组合使用

可以按照下面的流程制作一条完整的项目演示视频：

分析项目
   ↓
整理核心功能和演示重点
   ↓
使用 Archify 生成项目架构图
   ↓
准备网站截图和功能录屏
   ↓
使用 video-shotcraft 设计分镜与动画
   ↓
替换默认项目素材
   ↓
通过 Remotion 渲染视频
   ↓
检查字幕、节奏、音效和项目名称

Archify 负责把项目结构讲清楚，video-shotcraft 负责把项目展示得更有电影感。

例如，一条开源项目介绍视频可以这样安排：

使用 video-shotcraft 制作项目 Logo 或首页的开场动画。
展示项目解决的问题和核心功能。
插入 Archify 生成的系统架构图。
展示真实页面截图或功能操作过程。
用简短总结说明项目适用场景。
在结尾展示 GitHub 项目地址。

安装方式

两个项目都属于命令行工具，需要先准备 Node.js、Git 和相应的 AI 编程助手。

Archify 可以使用 Skills CLI 安装：

`1`	`npx skills add tt-a1i/archify -g`

安装完成后，可以向 AI 助手输入：

`1`	`Use archify to map this repository's runtime architecture.`

video-shotcraft 可以通过仓库说明中的 Skills CLI、克隆仓库或手动链接方式安装。

对于不熟悉命令行的用户，可以直接把 GitHub 仓库地址交给 Claude Code、Codex 或其他具有终端操作能力的 AI 助手，并要求它：

1
2

请阅读这个项目的 README，检查本地环境，完成安装并运行示例。
遇到错误时先分析原因，再逐步修复，不要跳过依赖检查。

使用建议

第一次使用时，不建议直接让 AI 生成完整视频。

更稳定的流程是：

先生成视频脚本。
确认需要展示的功能。
准备真实项目截图。
单独生成架构图。
再制作分镜和动画。
最后统一渲染成片。

这样可以避免出现界面与项目无关、架构图信息错误、镜头节奏混乱以及默认模板没有替换等问题。

总结

video-shotcraft 和 Archify 解决的是项目演示中的两个不同问题：

video-shotcraft：让产品展示更有镜头感和视觉节奏。
Archify：让系统架构和技术流程更容易理解。

它们不会自动替代完整的视频制作流程，但可以明显减少架构图绘制、镜头设计和动画开发中的重复工作。

对于需要经常发布 GitHub 项目、SaaS 产品、开发工具或技术方案的开发者，这套组合值得尝试。

项目地址

video-shotcraft：https://github.com/Vincentwei1021/video-shotcraft
Archify：https://github.com/tt-a1i/archify

Headroom：最高减少 92% Token，用 AI 编程时别再把钱浪费在无效上下文上

Mon, 27 Jul 2026 20:09:00 +0800

使用 Claude Code、Codex、Cursor 等 AI 编程工具时，真正消耗 Token 的往往不只是你输入的提示词。

代码搜索结果、终端日志、报错堆栈、GitHub Issue、历史对话和 RAG 检索内容，都会被不断塞进上下文。随着任务持续进行，上下文越来越长，每次请求的成本和等待时间也会随之增加。

最近发现的开源项目 Headroom，就是专门解决这个问题的。

它会在日志、代码、文件和工具输出发送给大模型之前，先识别内容类型并压缩其中的重复信息和低价值内容，让模型尽量只接收真正需要的信息。

根据项目公开测试，部分场景可以减少约 47%—92% 的输入 Token。

Headroom 是什么？

Headroom 是一个面向 AI Agent 和 AI 编程工具的上下文压缩层。

简单理解，它位于 AI 工具与大模型 API 之间：

Claude Code / Codex / Cursor
            ↓
         Headroom
     压缩日志、代码和历史上下文
            ↓
   OpenAI / Anthropic 等模型

它并不是简单粗暴地删除历史消息，而是根据内容类型选择不同的压缩方式。

例如：

JSON 数据使用结构化压缩
源代码按照 AST 语法结构处理
普通文本使用专门的压缩模型
重复日志、无关字段和冗余搜索结果会被优先精简
原始内容可保存在本地，需要时仍可重新获取

Headroom 默认在本地运行，项目说明中表示，处理的数据可以保留在本机，而不需要额外上传到第三方压缩服务。

实际能节省多少 Token？

Headroom 项目给出了几组真实 Agent 工作负载测试数据：

使用场景	压缩前	压缩后	Token 减少
代码搜索，返回 100 条结果	17,765	1,408	92%
SRE 事故日志排查	65,694	5,118	92%
GitHub Issue 分类	54,174	14,761	73%
大型代码库探索	78,502	41,254	47%

这组数据说明，Headroom 最适合处理大量结构化数据、搜索结果和重复日志。

如果只是几句话的简单问答，压缩空间通常不会特别明显；但在大型代码仓库、持续调试或多 Agent 工作流中，每次节省的 Token 会不断累积。

压缩后会不会影响回答质量？

这是使用上下文压缩工具时最需要关注的问题。

Headroom 项目公开了 GSM8K、TruthfulQA、SQuAD v2 和 BFCL 等测试结果：

测试项目	原始结果	使用 Headroom	变化
GSM8K 数学推理	0.870	0.870	无变化
TruthfulQA 事实问答	0.530	0.560	小幅提升
SQuAD v2 问答	—	97%	19% 压缩率
BFCL 工具调用	—	97%	32% 压缩率

从项目公布的数据看，压缩后没有出现明显的准确率下降，部分测试结果甚至略有提高。

不过需要注意，这些结果主要来自项目方自己的测试环境，并不能代表所有代码库和业务场景。更稳妥的做法，是先在自己的项目中运行一段时间，对比压缩前后的回答质量和 Token 消耗，再决定是否长期启用。

Headroom 支持哪些 AI 编程工具？

Headroom 已经适配多种常见 AI 编程工具，包括：

Claude Code
OpenAI Codex
Cursor
Aider
GitHub Copilot CLI
OpenCode
Cline
Continue
Goose
OpenHands
Grok CLI
Kimi CLI

对于 Claude Code、Codex 和 Aider 等工具，可以直接通过 headroom wrap 启动。

Cursor 目前主要采用手动配置代理地址的方式接入。

此外，Headroom 也支持 Python、TypeScript、LangChain、Agno、LiteLLM、Vercel AI SDK 和 MCP 客户端，适合接入已有的 AI 应用或 Agent 系统。

最简单的安装方法

Headroom 要求 Python 3.10 或以上版本。

推荐使用 uv 进行隔离安装：

`1`	`uv tool install --python 3.13 "headroom-ai[all]"`

也可以直接使用 pip：

`1`	`pip install "headroom-ai[all]"`

安装完成后检查版本：

`1`	`headroom --version`

需要注意，npm 版本只是 TypeScript SDK，并不包含 headroom 命令行工具：

`1`	`npm install headroom-ai`

因此，想直接使用 headroom wrap、代理服务或 MCP 功能，应该优先安装 Python 版本。

在 Claude Code 中使用

安装完成后执行：

`1`	`headroom wrap claude`

Headroom 会启动本地代理，并通过代理启动 Claude Code。

之后，Claude Code 读取代码、运行命令或分析日志时，相关上下文会先经过 Headroom 处理，再发送给模型。

可以使用以下命令检查运行状态：

`1`	`headroom doctor`

查看压缩性能：

`1`	`headroom perf`

打开节省统计面板：

`1`	`headroom dashboard`

在 Codex 中使用

Codex 可以通过下面的命令启动：

`1`	`headroom wrap codex`

如果 Codex 无法识别终端里的 headroom 命令，可以先查询完整路径：

`1`	`command -v headroom`

然后把返回的绝对路径写入 Codex 的 MCP 配置：

1
2
3

[mcp_servers.headroom]
command = "/你的绝对路径/headroom"
args = ["mcp", "serve"]

这种情况通常不是 Headroom 安装失败，而是 Codex 启动时没有继承当前终端的 PATH 环境变量。

跨 Agent 共享记忆

Headroom 不只是压缩工具，还提供跨 Agent 共享上下文的能力。

例如，你可以让 Claude Code 和 Codex 使用同一个本地记忆存储：

1
2

headroom wrap claude --memory
headroom wrap codex --memory

这样，在 Claude Code 中已经分析过的项目内容，可以被压缩、去重后继续提供给 Codex 使用，减少不同 AI 工具重复读取同一批文件。

Headroom 还提供 headroom learn 功能，可以分析失败的历史会话，并把修正经验写入：

CLAUDE.local.md
CLAUDE.md
AGENTS.md
GEMINI.md
GROK.md

这类功能适合长期维护同一个代码库，但自动生成的规则仍然需要人工检查，避免错误经验被持续复用。

Headroom 适合哪些人？

Headroom 更适合以下场景：

经常使用 Claude Code、Codex 或 Cursor
需要分析大量终端日志和报错信息
经常进行大型代码库搜索
使用 API 按 Token 付费
同时使用多个 AI Agent
RAG 检索结果较长且重复内容较多
希望降低上下文成本和请求延迟

下面这些情况则不一定需要安装：

只是偶尔使用网页版 AI 聊天
每次任务都很短，上下文内容很少
使用的环境不允许启动本地代理
已经完全依赖模型厂商自带的上下文压缩
项目涉及敏感业务，但尚未完成安全审查

使用前需要注意什么？

1. 最高 92% 不代表每次都能省 92%

92% 是代码搜索和事故排查等特定测试场景的数据。

根据任务类型不同，实际压缩效果可能只有 20%、40%，也可能在结构化日志中达到更高比例。

2. 先在测试项目中验证

代码上下文可能包含函数签名、错误细节、配置字段和依赖版本。

即使 Headroom 支持可逆压缩，也建议先在非关键项目中测试，确认不会遗漏影响判断的重要信息。

3. 本地运行不等于没有安全风险

Headroom 会位于 AI 工具与模型服务之间，能够接触请求内容。

在公司项目或敏感代码环境中使用前，应检查项目源码、依赖、日志保存方式和代理配置。

4. 定期查看节省数据

可以通过以下命令检查实际收益：

1
2

headroom perf
headroom dashboard

不要只因为项目宣传中的最高数字就长期启用。真正有价值的是，它在你的工作流中能否稳定降低 Token，同时保持结果可靠。

总结

Headroom 解决的不是“提示词写得不够好”，而是 AI Agent 工作过程中产生了太多无效上下文。

代码搜索结果、构建日志、历史对话、RAG 数据和工具返回内容，会不断占用上下文窗口，也会增加 API 成本。

Headroom 在这些内容进入模型前进行结构化压缩，并提供可逆内容检索、跨 Agent 记忆和失败经验学习等功能。对于频繁使用 Claude Code、Codex、Cursor 或其他 AI 编程工具的人，它确实值得测试。

但更准确的说法不是“安装后一定节省 92%”，而是：

在日志、搜索结果和大型代码库等高冗余场景中，Headroom 有机会显著减少 Token；最终效果应以自己的项目测试结果为准。

项目地址

GitHub：https://github.com/headroomlabs-ai/headroom
开源协议：Apache License 2.0
当前 GitHub Stars：约 62.7K，数据会持续变化