Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Erweiterte Verbrauchsberichte

Lektion 10 von 14 Aktualisiert am 29. Juli 2026 Entwickler
Auf dieser Seite
  1. Aufbau von Verbrauchsberichten
  2. Vergleichsbericht für Monatsdaten
  3. Anomalieerkennung
  4. Aufschlüsselung nach Modell
  5. Automatisierter wöchentlicher Bericht
  6. Granularität und Leistung
  7. Kernaussagen

Aufbau von Verbrauchsberichten

Verbrauchsdaten, die niemand betrachtet, sind nutzlos. Ein Bericht ist nur dann nützlich, wenn er eine Frage beantwortet, die Sie tatsächlich stellen. Es gibt nur drei solcher Fragen: Steigt der Verbrauch, ist etwas Abnormes passiert, und wohin fließt das Geld?

Die folgenden drei Abschnitte befassen sich mit diesen Fragen in dieser Reihenfolge. Jeder Abschnitt liefert eine Zahl, auf die Sie reagieren können – nicht nur ein weiteres Diagramm.

Vergleichsbericht für Monatsdaten

Verbrauch macht nur Sinn im Vergleich. 400 USD in einem Monat sind absolut betrachtet weder gut noch schlecht: Entscheidend ist, ob der Verbrauch einem Monat mit 200 USD oder einem mit 600 USD folgt. Kontextualisieren Sie Änderungen stets mit dem, was Sie über die Aktivität wissen: Ein Anstieg um 40 % nach dem Launch einer Funktion ist zu erwarten; derselbe Anstieg ohne neue Aktivitäten rechtfertigt die Öffnung des nächsten Abschnitts.

import requests
import json

MANAGEMENT_API = "https://management-api.x.ai"
MGMT_KEY = "xai-mgmt-..."
TEAM_ID = "team-..."

def get_monthly_usage(year, month):
    """Ruft den gesamten Verbrauch für einen bestimmten Monat ab."""
    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()

# Vergleich März und April 2026
march = get_monthly_usage(2026, 3)
april = get_monthly_usage(2026, 4)

print("=== Vergleichsbericht März vs. April 2026 ===")
print(json.dumps(march, indent=2))
print(json.dumps(april, indent=2))

Anomalieerkennung

Die Standardabweichung definiert hier „abnorm” ohne die Notwendigkeit, einen willkürlichen Schwellenwert festzulegen: Ein Tag, der mehr als zwei Standardabweichungen vom Durchschnitt entfernt liegt, fällt außerhalb des üblichen Musters, unabhängig von Ihrem Volumen. Dies ist die Methode, die sich automatisch anpasst, wenn Ihre Aktivität wächst, wo ein Geldbetrag als Schwellenwert im folgenden Monat obsolet wird.

import requests
import statistics

MANAGEMENT_API = "https://management-api.x.ai"
MGMT_KEY = "xai-mgmt-..."
TEAM_ID = "team-..."

# Rufen Sie den täglichen Verbrauch für den Monat ab
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  # Schwellenwert bei 2 Standardabweichungen

    for i, val in enumerate(daily_values):
        if val > threshold:
            print(f"Tag {i+1}: {val} Tokens (Anomalie, Schwellenwert = {threshold:.0f})")

Aufschlüsselung nach Modell

Dies ist der Bericht, der die meisten Vorteile bringt, da er zu konkreten Maßnahmen führt. Die Gesamtkosten sagen Ihnen nicht, was Sie tun sollen; die Aufschlüsselung nach Modell tut dies – sie zeigt einfache Aufgaben auf, die dem teuersten Modell zugeordnet wurden, und diese sind die einfachsten Einsparungen auf einer API-Rechnung.

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"]
    }
  }'

Diese Analyse kann Optimierungsmöglichkeiten aufdecken: Wenn ein großer Teil Ihrer Anfragen grok-4.20-0309-reasoning für einfache Aufgaben verwendet, könnte die Umstellung auf grok-4.3 die Kosten erheblich senken.

Automatisierter wöchentlicher Bericht

Die automatische Lieferung verändert die Natur der Übung: Ein Bericht, den Sie abrufen müssen, wird nur nach dem Vorfall konsultiert; ein Bericht, der ankommt, wird im Voraus gelesen. Wöchentlich ist der richtige Rhythmus für API-Verbrauch: häufig genug, um Drifts vor der Rechnung zu erkennen, und ausreichend selten, damit Sie ihn weiterhin öffnen.

import requests
from datetime import datetime, timedelta

MANAGEMENT_API = "https://management-api.x.ai"
MGMT_KEY = "xai-mgmt-..."
TEAM_ID = "team-..."

# Vorherige Woche
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"=== Wöchentlicher Bericht {start.date()} → {end.date()} ===")

# Bericht für E-Mail/Slack formatieren
# ... senden Sie ihn über Ihr bevorzugtes Benachrichtigungstool

Granularität und Leistung

Wahl der richtigen Granularität

AnwendungsfallEmpfohlene Granularität
MonatsberichtMONTH
Tägliche ÜberwachungDAY
SpitzenantalyseHOUR oder QUARTER_HOUR
Echtzeit-DebuggingMINUTE
Detaillierte VorfallanalyseSECOND

Je feiner die Granularität, desto größer ist die Menge der zurückgegebenen Daten: Über einen Monat hinweg erzeugt eine Granularität von SECOND Millionen von Punkten, mit entsprechender Antwortzeit und Speicherverbrauch. Die Faustregel lautet, die Granularität basierend auf der Dauer des Gesuchten zu wählen: Ein Spitzengipfel von wenigen Minuten ist bei MONTH-Granularität unsichtbar und bei SECOND-Granularität im Rauschen untergegangen.

Kernaussagen

  • Kombinieren Sie SUM (Gesamtsumme), COUNT (Anzahl) und groupBy: ["model"] für vollständige Berichte.
  • Die Anomalieerkennung mit Standardabweichung identifiziert Tage mit übermäßigem Verbrauch.
  • Die Aufschlüsselung nach Modell offenbart Möglichkeiten zur Kostensenkung.
  • Passen Sie die zeitliche Granularität dem Anwendungsfall an: MONTH für Berichte, HOUR für Debugging.
  • Automatisieren Sie wöchentliche Berichte, um den Verbrauch im Auge zu behalten.