splitrail 딥다이브
— 여러 AI 코딩 CLI의 토큰·비용을 한 번에 추적하는 Rust 도구

1프로젝트 한줄 요약

이 레포가 무엇을 하는 물건인가.

요즘은 코딩할 때 AI 도구를 하나만 쓰지 않는다. 어떤 작업은 Claude Code로, 어떤 건 Gemini CLI로, VS Code 안에서는 Copilot이나 Cline으로… 이렇게 쓰다 보면 각 도구가 토큰을 얼마나 먹었는지, 한 달에 돈이 얼마 나가는지 도무지 한눈에 안 들어온다. splitrail은 이 도구들이 각자 컴퓨터에 남겨 놓은 대화 로그 파일을 직접 읽어 하나의 표·그래프로 합쳐 보여준다.

핵심은 "추가 설정 없이 그냥 돈다"는 점이다. 도구에 별도 플러그인을 심을 필요 없이, 이미 디스크에 쌓여 있는 로그를 분석할 뿐이다. splitrail 한 번이면 터미널 대시보드가 뜨고, 파일이 바뀌면 실시간으로 숫자가 갱신된다.

2왜 주목받는가

트렌딩 이유 · 경쟁 대비 장점.

AI 코딩 도구 사용량을 보는 도구로는 ccusage(Claude Code 전용, Node.js)가 먼저 유명했다. splitrail이 끌리는 이유는 세 가지다. 첫째, 한 도구가 아니라 십수 개를 동시에 본다. 둘째, Rust로 만든 단일 실행 파일이라 런타임 설치 없이 바로 돈다. 셋째, 터미널 대시보드만이 아니라 MCP 서버·VS Code 확장·클라우드 동기화까지 한 묶음으로 준다.

3기술 스택 전체 지도

"빠른 단일 바이너리"를 떠받치는 크레이트들.

splitrail은 100% Rust 백엔드(코어)에 얇은 TypeScript VS Code 확장이 얹힌 구조다. Rust 생태계의 라이브러리(크레이트)를 성능 위주로 골라 썼다.

4아키텍처 심화 분석

로그 파일이 어디서 어떻게 화면까지 흐르는가.

splitrail의 일은 다섯 단계로 흐른다: ① 발견 → ② 파싱 → ③ 중복제거 → ④ 집계 → ⑤ 출력(TUI·업로드·MCP). 먼저 전체 그림 한 장:

여기서 핵심 설계는 Analyzer 트레이트다. 도구가 14개라고 코드가 14벌인 게 아니라, "분석기라면 이런 일을 할 줄 알아야 한다"는 인터페이스(트레이트) 하나를 정해 두고, 각 도구는 그 빈칸만 채운다.

pub trait Analyzer {
    // 화면에 보일 이름 (예: "Claude Code")
    fn display_name(&self) -> &str;
    // 로그 파일이 어디 있는지 찾는다
    fn discover_data_sources(&self) -> Vec<DataSource>;
    // 파일 하나를 읽어 공통 메시지로 변환
    fn parse_source(&self, src: &DataSource) -> Vec<ConversationMessage>;
    // 실시간 감시할 폴더
    fn get_watch_directories(&self) -> Vec<PathBuf>;
}

모든 분석기는 결국 ConversationMessage라는 똑같은 구조체로 결과를 토해 낸다. 그래서 그 뒤의 중복제거·집계·화면 코드는 도구가 뭐였는지 신경 쓸 필요가 없다.

pub struct ConversationMessage {
    pub application: Application,   // 어느 도구? (enum)
    pub date: DateTime<Utc>,
    pub model: Option<String>,     // 어떤 모델
    pub stats: Stats,              // 토큰·비용·파일작업…
    pub local_hash: Option<String>, // 도구 내 중복제거(xxh3)
    pub global_hash: String,        // 기기 간 중복제거(SHA-256)
}

흐름 한 줄기 따라가기 — "Claude Code 파일이 바뀌면"

이 레포에서 가장 똑똑한 부분은 실시간 증분 갱신이다. 보통은 파일이 하나 바뀌면 전체를 다시 읽어야 하는데, splitrail은 그러지 않는다.

① watcher.rs가 notify 크레이트로 ~/.claude/projects 폴더를 감시한다. ② 파일 하나가 바뀌면, 그 파일 하나만 다시 파싱한다. ③ 캐시에 저장해 둔 그 파일의 예전 기여분(contribution)을 현재 합계에서 빼고, 새로 파싱한 값을 더한다. ④ 전체를 다시 스캔하지 않으니 거의 즉시(O(1)) 숫자가 갱신된다.

5디렉토리 구조 해부

어떤 폴더가 무슨 일을 하나.

6학습 포인트 (기술별)

이 레포에서 배울 만한 것 + 어디를 보면 되는지.

# MCP 서버로 실행
splitrail mcp
# 노출되는 도구 예: get_daily_stats,
#   get_cost_breakdown, compare_tools …

7시스템 요구사항

그냥 쓰려면 / 직접 빌드하려면 무엇이 필요한가.

8직접 해볼 수 있는 실습 과제

난이도별로 손에 익히는 단계.

# 받은 바이너리를 그냥 실행
splitrail
# 표만 빠르게 보고 싶으면(JSON 출력)
splitrail stats

# ~/.splitrail.toml
[formatting]
number_comma = true
decimal_places = 2
locale = "ko"

git clone https://github.com/Piebald-AI/splitrail
cd splitrail
cargo run   # nightly 도구체인 자동 적용

9관련 기술 심화 학습 로드맵

한 주씩 따라가는 계획.

10핵심 키워드 사전

본문에 나온 용어 빠른 참조.

11참고 링크

• GitHub: Piebald-AI/splitrail
• 공식 사이트(클라우드): splitrail.dev
• 제작사 Piebald: piebald.ai
• ratatui(TUI 프레임워크): ratatui.rs
• MCP 명세: modelcontextprotocol.io