Разширени отчети за потреблението
На тази страница
Изграждане на отчети за потреблението
Данни за потреблението, които никой не разглежда, са безполезни. Един отчет има смисъл само ако отговаря на конкретен въпрос, а те са само три: нараства ли потреблението, случило ли се е нещо необичайно и къде отиват парите.
Следващите три раздела разглеждат тези въпроси точно в този ред. Всеки от тях генерира число, върху което можете да действате – а не просто поредната диаграма.
Сравнителен месечен отчет
Потреблението има смисъл единствено в сравнение. 400 щатски долара за месец не са нито добри, нито лоши сами по себе си: важното е дали следват месец с 200 долара или такъв с 600 долара. Винаги контекстуализирайте промените спрямо известната Ви активност – ръст от 40% след пускане на нова функция е очакван, докато същият ръст без никакви нови елементи налага отварянето на следващия раздел.
import requests
import json
MANAGEMENT_API = "https://management-api.x.ai"
MGMT_KEY = "xai-mgmt-..."
TEAM_ID = "team-..."
def get_monthly_usage(year, month):
"""Retrieves total consumption for a given month."""
next_month = month + 1 if month < 12 else 1
next_year = year if month < 12 else year + 1
response = requests.post(
f"{MANAGEMENT_API}/v1/billing/teams/{TEAM_ID}/usage",
headers={
"Authorization": f"Bearer {MGMT_KEY}",
"Content-Type": "application/json"
},
json={
"analyticsRequest": {
"timeRange": {
"startTime": f"{year}-{month:02d}-01 00:00:00",
"endTime": f"{next_year}-{next_month:02d}-01 00:00:00",
"timezone": "Europe/Paris"
},
"timeUnit": "MONTH",
"values": [
{"name": "tokens", "aggregation": "SUM"},
{"name": "requests", "aggregation": "COUNT"}
],
"groupBy": ["model"]
}
}
)
return response.json()
# Compare March and April 2026
march = get_monthly_usage(2026, 3)
april = get_monthly_usage(2026, 4)
print("=== Comparative Report March vs April 2026 ===")
print(json.dumps(march, indent=2))
print(json.dumps(april, indent=2))
Откриване на аномалии
Тук стандартното отклонение дефинира понятието „необичайно“, без да е необходимо да задавате произволен праг: ден, който се отклонява с повече от две стандартни отклонения от средната стойност, излиза извън обичайния модел, независимо от обема Ви. Това е методът, който се адаптира автоматично с растежа на активността Ви, докато фиксиран праг в долари остарява още през следващия месец.
import requests
import statistics
MANAGEMENT_API = "https://management-api.x.ai"
MGMT_KEY = "xai-mgmt-..."
TEAM_ID = "team-..."
# Retrieve daily consumption for the month
response = requests.post(
f"{MANAGEMENT_API}/v1/billing/teams/{TEAM_ID}/usage",
headers={
"Authorization": f"Bearer {MGMT_KEY}",
"Content-Type": "application/json"
},
json={
"analyticsRequest": {
"timeRange": {
"startTime": "2026-03-01 00:00:00",
"endTime": "2026-04-01 00:00:00",
"timezone": "Europe/Paris"
},
"timeUnit": "DAY",
"values": [{"name": "tokens", "aggregation": "SUM"}]
}
}
)
data = response.json()
daily_values = [point.get("value", 0) for point in data.get("dataPoints", [])]
if daily_values:
mean = statistics.mean(daily_values)
stdev = statistics.stdev(daily_values) if len(daily_values) > 1 else 0
threshold = mean + 2 * stdev # Threshold at 2 standard deviations
for i, val in enumerate(daily_values):
if val > threshold:
print(f"Day {i+1}: {val} tokens (anomaly, threshold = {threshold:.0f})")
Разбивка по модел
Това е отчетът с най-голяма възвращаемост, защото сочи към конкретни действия. Общата сума не Ви казва какво да правите; разбивката по модел – да. Тя разкрива прости задачи, насочени към най-скъпия модел, което представлява най-лесната възможност за икономия във фактурата за API.
curl -X POST "https://management-api.x.ai/v1/billing/teams/$TEAM_ID/usage" \
-H "Authorization: Bearer $MANAGEMENT_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"analyticsRequest": {
"timeRange": {
"startTime": "2026-03-01 00:00:00",
"endTime": "2026-04-01 00:00:00",
"timezone": "UTC"
},
"timeUnit": "MONTH",
"values": [
{"name": "tokens", "aggregation": "SUM"},
{"name": "cost", "aggregation": "SUM"}
],
"groupBy": ["model"]
}
}'
Този анализ може да разкрие възможности за оптимизация: ако голяма част от заявките Ви използват grok-4.20-0309-reasoning за прости задачи, преминаването към grok-4.3 може значително да намали разходите.
Автоматизиран седмичен отчет
Автоматичната доставка променя същността на упражнението: отчет, който трябва сами да изтеглите, се консултира едва след инцидента, докато отчет, който пристига сам, се чете предварително. Седмичният ритъм е подходящ за потреблението на API – достатъчно чест, за да улови отклонения преди издаването на фактурата, и достатъчно рядък, за да продължите да го отваряте.
import requests
from datetime import datetime, timedelta
MANAGEMENT_API = "https://management-api.x.ai"
MGMT_KEY = "xai-mgmt-..."
TEAM_ID = "team-..."
# Previous week
end = datetime.now().replace(hour=0, minute=0, second=0, microsecond=0)
start = end - timedelta(days=7)
response = requests.post(
f"{MANAGEMENT_API}/v1/billing/teams/{TEAM_ID}/usage",
headers={
"Authorization": f"Bearer {MGMT_KEY}",
"Content-Type": "application/json"
},
json={
"analyticsRequest": {
"timeRange": {
"startTime": start.strftime("%Y-%m-%d %H:%M:%S"),
"endTime": end.strftime("%Y-%m-%d %H:%M:%S"),
"timezone": "Europe/Paris"
},
"timeUnit": "DAY",
"values": [
{"name": "tokens", "aggregation": "SUM"},
{"name": "requests", "aggregation": "COUNT"}
],
"groupBy": ["model"]
}
}
)
report = response.json()
print(f"=== Weekly Report {start.date()} → {end.date()} ===")
# Format report for email/Slack
# ... send via your preferred notification tool
Гранулярност и производителност
Избор на подходяща гранулярност
| Случай на употреба | Препоръчителна гранулярност |
|---|---|
| Месечен отчет | MONTH |
| Ежедневно проследяване | DAY |
| Анализ на пикове | HOUR или QUARTER_HOUR |
| Отстраняване на грешки в реално време | MINUTE |
| Детайлен анализ на инциденти | SECOND |
Колкото по-фина е гранулярността, толкова по-голям е обемът на върнатите данни: за период от един месец гранулярност SECOND генерира милиони точки, което води до съответно увеличение на времето за отговор и потреблението на памет. Основното правило е да избирате гранулярност въз основа на продължителността на явлението, което търсите – пик от няколко минути е невидим при гранулярност MONTH и се губи в шума при гранулярност SECOND.
Ключови изводи
- Комбинирайте
SUM(общо),COUNT(брой) иgroupBy: ["model"]за пълни отчети - Откриването на аномалии чрез стандартно отклонение идентифицира дните с свръхпотребление
- Разбивката по модел разкрива възможности за оптимизация на разходите
- Адаптирайте временната гранулярност към случая на употреба: MONTH за отчети, HOUR за отстраняване на грешки
- Автоматизирайте седмичните отчети, за да следите потреблението