Frugon — это бесплатный локальный инструмент для анализа расходов на LLM. Он считает, сколько вы платите за каждый вызов и какие модели можно использовать дешевле без потери качества. Всё работает на вашей машине: данные никуда не уходят, ключи API идут напрямую к вашим провайдерам.
Frugon читает логи в формате JSONL — том же, что возвращает OpenAI. Есть два способа их собрать. Первый — поставить прокси-прослойку frugon capture. Она сидит между вашим приложением и провайдером, пропускает запросы без изменений и параллельно пишет лог. Прокси не добавляет задержек на localhost и не звонит никуда, кроме вашего API. Второй способ — писать JSONL самостоятельно через middleware или SDK.
После этого запускаете frugon analyze ./logs.jsonl. Инструмент локально токенизирует запросы, подставляет цены из своего реестра (синхронизируются через frugon update) и выдаёт расклад: сколько тратите сейчас, сколько сэкономите, если часть лёгких вызовов перенаправить на более дешёвые модели.
Пример из статьи: на демо-наборе из 56 100 вызовов с базовой моделью gpt-5.5 (расход $549.46/мес) Frugon предлагает отправить 64.4% лёгких запросов на deepseek-v4-flash, а остальные оставить на gpt-5.5. Итоговая экономия — $205.55/мес (37.4%). Если бы все вызовы переключили на deepseek-v4-flash, сохранили бы 98.1%, но качество бы упало.
Для проверки качества есть флаг --measure: он прогоняет реальные промпты через кандидатов с вашими собственными ключами — данные снова не уходят к разработчикам Frugon.
Ещё можно сгенерировать красивый отчёт: --report savings.html (или .md) — готово для Slack, PR или бюджетного совещания.
Frugon состоит из шести команд: analyze, capture, models, update, pricing, quality. Никаких веб-интерфейсов, многопользовательских аккаунтов или живых прокси — только локальный анализ и рекомендации.
Инструмент написан Rodiun, распространяется под лицензией MIT.