Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Avancerede forbrugsrapporter

Lektion 10 af 14 Opdateret 29. juli 2026 Udvikler
På denne side
  1. Oprettelse af forbrugsrapporter
  2. Sammenlignende månedsrapport
  3. Detektering af anomalier
  4. Opdeling efter model
  5. Automatiseret ugerapport
  6. Granularitet og ydeevne
  7. Vigtige pointer

Oprettelse af forbrugsrapporter

Forbrugsdata, som ingen kigger på, er ubrugelige. En rapport er kun nyttig, hvis den besvarer et spørgsmål, du faktisk stiller, og der er kun tre: Stiger forbruget? Er der sket noget unormalt? Og hvor bliver pengene af?

De næste tre afsnit behandler disse spørgsmål i nævnte rækkefølge. Hver af dem producerer et tal, du kan handle på – ikke bare endnu et diagram.

Sammenlignende månedsrapport

Forbrug giver kun mening i en sammenligning. 400 $ på en måned er hverken godt eller dårligt i absolutte tal: Det afgørende er, om det følger efter en måned på 200 $ eller 600 $. Sæt altid ændringer i perspektiv ud fra din viden om aktiviteten – en stigning på 40 % efter lanceringen af en ny funktion er forventet, mens den samme stigning uden nye tiltag kræver, at du dykker ned i næste afsnit.

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))

Detektering af anomalier

Standardafvigelsen definerer her, hvad der er „unormalt”, uden at du behøver fastsætte en vilkårlig tærskel: En dag, der ligger mere end to standardafvigelser fra dit gennemsnit, falder uden for det sædvanlige mønster, uanset dit volumen. Dette er metoden, der automatisk tilpasser sig, efterhånden som din aktivitet vokser, hvor en dollartærskel bliver forældet allerede måneden efter.

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})")

Opdeling efter model

Dette er den rapport, der giver mest værdi, fordi den peger på konkrete handlinger. De samlede omkostninger fortæller dig ikke, hvad du skal gøre; det gør en opdeling efter model til gengæld – den afslører enkle opgaver, der sendes til den dyreste model, hvilket er de letteste besparelser at realisere på en API-regning.

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"]
    }
  }'

Denne analyse kan afsløre muligheder for optimering: Hvis en stor del af dine forespørgsler bruger grok-4.20-0309-reasoning til enkle opgaver, kan et skift til grok-4.3 reducere omkostningerne markant.

Automatiseret ugerapport

Automatisk levering ændrer karakteren af øvelsen: En rapport, du selv skal hente, bliver først konsulteret efter en hændelse, mens en rapport, der kommer af sig selv, bliver læst på forhånd. Ugentlig er den rette frekvens for API-forbrug – hyppig nok til at fange afvigelser, før regningen lander, men med så stort mellemrum, at du fortsat åbner den.

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

Granularitet og ydeevne

Valg af korrekt granularitet

AnvendelsestilfældeAnbefalet granularitet
MånedsrapportMONTH
Daglig sporingDAY
Analyse af toppeHOUR eller QUARTER_HOUR
Real-tids-fejlfindingMINUTE
Detaljeret hændelsesanalyseSECOND

Jo finere granulariteten er, desto større er mængden af returnerede data: Over en måned producerer granulariteten SECOND millioner af datapunkter, med tilsvarende respons tid og hukommelsesforbrug. Tommelfingerreglen er at vælge granularitet baseret på varigheden af det, du leder efter – en top på få minutter er usynlig ved MONTH-granularitet og drukner i støj ved SECOND-granularitet.

Vigtige pointer

  • Kombiner SUM (total), COUNT (antal) og groupBy: ["model"] for komplette rapporter
  • Detektering af anomalier med standardafvigelse identificerer dage med overforbrug
  • Opdeling efter model afslører muligheder for omkostningsoptimering
  • Tilpas den tidsmæssige granularitet til anvendelsestilfældet: MONTH til rapporter, HOUR til fejlfinding
  • Automatiser ugerapporter for at holde øje med forbruget