Điểm nổi bật
- Định vị rõ ràng: đọc transcript cục bộ từ nhiều AI coding tools để tính usage thật thay vì chỉ tin dashboard từng app.
- Cam kết quyền riêng tư: 100% offline, zero network, chỉ đọc metadata như token, timestamp, model name.
- Bề mặt giá trị: tổng chi phí ước tính, token processed, thời gian tập trung, calendar hoạt động, persona sử dụng và share card.
- Kiến trúc thực thi: parser và aggregation nằm ở Rust, giao diện Tauri v2 với binary nhẹ, không dùng Electron.
Biểu đồ
Tóm tắt
HashMeterAi đáng chú ý vì nó không phải thêm một coding agent hay model wrapper nữa. Nó là một lớp đo lường usage cho thời đại AI coding đa công cụ, nơi cùng một người dùng có thể xen kẽ Claude Code, Codex, Kimi, Qwen CLI hay các app local-first khác mà không có một bảng tổng kết thống nhất nào.
Giá trị thực của dự án nằm ở chỗ nó đứng đúng phía người dùng: mọi tính toán diễn ra trên máy, chỉ đọc dữ liệu cục bộ, không chạm prompt hay code, và cố gom “bức tranh tiêu thụ AI” thành một dashboard dễ hiểu hơn. Với các team hoặc cá nhân bắt đầu quan tâm tới AI spend và thói quen làm việc cùng agent, đây là một repo hữu dụng hơn vẻ ngoài khá vui nhộn của nó.
Chi tiết
Điều hay của HashMeterAi là nó nhìn thấy một lỗ hổng ngày càng rõ trong hệ sinh thái AI coding. Mỗi công cụ có một kiểu báo usage khác nhau: có tool chỉ cho biết token trong phiên hiện tại, có tool bỏ sót những ngày không mở dashboard, có tool gom toàn bộ mọi thứ vào một con số khó diễn giải, còn có tool không cho xem gì nếu bạn dùng gói subscription. README của HashMeterAi giải quyết đúng bài toán đó bằng cách đọc transcript cục bộ mà công cụ đã ghi sẵn, rồi chuẩn hóa lại thành một lớp thống kê chung.
Các metric mà dự án chọn cũng khá khôn ngoan. Nó không dừng ở “bạn đã dùng bao nhiêu token”, mà đưa thêm processed tokens, ước tính chi phí ở mức list price công khai, average focus time, lịch hoạt động ngày, thậm chí một “persona” sử dụng AI được rút từ pattern thật. Với người dùng cá nhân, đây là gamification dễ chia sẻ. Nhưng với người làm sản phẩm hay quản trị kỹ thuật, nó là một cách để theo dõi mức lệ thuộc vào AI tools mà không cần đẩy dữ liệu lên server thứ ba.
Điểm đáng giá hơn nữa là triết lý privacy-by-architecture. README nhấn rất mạnh bốn điều: không network, không telemetry, chỉ đọc metadata, và tuyệt đối không đụng secrets. Trong bối cảnh nhiều công cụ “AI productivity” tự nhận local-first nhưng vẫn gọi home vì analytics, lựa chọn này có giá trị chiến lược. Nó khiến dự án phù hợp hơn cho cả developer cá nhân lẫn các nhóm nhạy cảm với dữ liệu nội bộ.
Về kỹ thuật, việc dùng Tauri v2 cộng Rust cho parser cho thấy tác giả ưu tiên footprint và tốc độ hơn hào nhoáng giao diện. Dự án còn thiết kế theo adapter để thêm tool mới bằng từng source file riêng. Điều đó mở ra khả năng repo phát triển thành một “meter layer” chung cho cả hệ sinh thái AI coding. Nếu điều này xảy ra, lớp giá trị sẽ không còn là UI share card, mà là khả năng trở thành chuẩn đo usage local-first khi doanh nghiệp bắt đầu hỏi nghiêm túc: chúng ta đang đốt bao nhiêu token, ở công cụ nào, và thực ra nhân sự dùng AI ra sao.