Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Pokročilé reporty o spotřebě

Lekce 10 z 14 Aktualizováno 29. července 2026 Vývojář
Na této stránce
  1. Tvorba reportů o spotřebě
  2. Srovnávací měsíční report
  3. Detekce anomálií
  4. Rozpis podle modelu
  5. Automatizovaný týdenní report
  6. Granularita a výkon
  7. Klíčové poznatky

Tvorba reportů o spotřebě

Data o spotřebě, na která se nikdo nepodívá, jsou k ničemu. Report má smysl pouze tehdy, pokud odpovídá na otázku, kterou si skutečně položíš. Takových otázek jsou jen tři: roste spotřeba, stalo se něco neobvyklého a kam míří peníze.

Následující tři sekce se těmito otázkami zabývají přesně v tomto pořadí. Každá z nich ti poskytne číslo, na jehož základě můžeš jednat – nejen další graf.

Srovnávací měsíční report

Spotřeba dává smysl pouze v porovnání. 400 $ za měsíc není samo o sobě ani dobré, ani špatné: podstatné je, zda tomu předcházel měsíc za 200 $, nebo za 600 $. Změny vždy kontextualizuj tím, co víš o aktivitě – nárůst o 40 % po spuštění nové funkce je očekávaný, zatímco stejný nárůst bez jakýchkoli novinek vyžaduje, abys přešel k další sekci.

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))

Detekce anomálií

Směrodatná odchylka zde definuje „neobvyklé“ chování bez nutnosti nastavovat libovolný práh: den, který se od průměru liší o více než dvě směrodatné odchylky, vypadává z obvyklého vzorce bez ohledu na váš objem. Toto je metoda, která se automaticky přizpůsobuje růstu vaší aktivity, zatímco peněžní práh se již následující měsíc stane zastaralým.

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})")

Rozpis podle modelu

Toto je report, který se nejvíce vyplatí, protože ukazuje na konkrétní kroky. Celkové náklady ti neřeknou, co dělat; rozpis podle modelu ano – odhalí jednoduché úkoly směrované na nejdražší model, což jsou nejjednodušší úspory, kterých lze na faktuře za API dosáhnout.

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"]
    }
  }'

Tato analýza může odhalit příležitosti k optimalizaci: pokud velká část vašich požadavků využívá grok-4.20-0309-reasoning pro jednoduché úkoly, přechod na grok-4.3 by mohl náklady výrazně snížit.

Automatizovaný týdenní report

Automatické doručování mění povahu celé věci: report, který si musíš sám stáhnout, si přečteš až po incidentu, zatímco report, který ti přijde, si přečteš předem. Týdenní frekvence je pro spotřebu API ta pravá – dostatečně častá na to, aby zachytila odklon před vyúčtováním, ale dostatečně rozložená, aby sis report stále otevíral.

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

Granularita a výkon

Výběr správné granularity

Případ použitíDoporučená granularita
Měsíční reportMONTH
Denní sledováníDAY
Analýza špičekHOUR nebo QUARTER_HOUR
Ladění v reálném časeMINUTE
Podrobná analýza incidentuSECOND

Čím jemnější granularita, tím větší objem vrácených dat: při měsíčním období generuje granularita SECOND miliony bodů s odpovídající dobou odezvy a spotřebou paměti. Obecným pravidlem je volit granularitu podle délky jevu, který hledáš – několikaminutová špička je při granularitě MONTH neviditelná a při granularitě SECOND se utopí v šumu.

Klíčové poznatky

  • Pro úplné reporty kombinuj SUM (celkem), COUNT (počet) a groupBy: ["model"]
  • Detekce anomálií pomocí směrodatné odchylky identifikuje dny s nadměrnou spotřebou
  • Rozpis podle modelu odhaluje příležitosti k optimalizaci nákladů
  • Přizpůsob časovou granularitu případu použití: MONTH pro reporty, HOUR pro ladění
  • Automatizuj týdenní reporty, abys měl spotřebu pod kontrolou