Προηγμένες αναφορές κατανάλωσης
Σε αυτήν τη σελίδα
Δημιουργία αναφορών κατανάλωσης
Τα δεδομένα κατανάλωσης που κανείς δεν εξετάζει είναι άχρηστα. Μια αναφορά έχει αξία μόνο αν απαντά σε ένα ερώτημα που πραγματικά θέτετε, και αυτά είναι μόλις τρία: αυξάνεται η κατανάλωση, συνέβη κάτι ασυνήθιστο και πού πάνε τα χρήματα.
Οι επόμενες τρεις ενότητες αντιμετωπίζουν αυτά τα ερωτήματα με τη σειρά που αναφέρθηκαν. Κάθε μία παράγει έναν αριθμό στον οποίο μπορείτε να βασιστείτε για δράση—όχι απλώς ένα ακόμη γράφημα.
Συγκριτική μηνιαία αναφορά
Η κατανάλωση αποκτά νόημα μόνο μέσω της σύγκρισης. Τα 400 $ σε έναν μήνα δεν είναι ούτε καλά ούτε κακά από μόνα τους: το σημαντικό είναι αν ακολουθούν έναν μήνα με 200 $ ή έναν με 600 $. Πλαισιώνετε πάντα τις αλλαγές με βάση τη δραστηριότητά σας—μια αύξηση 40% μετά την κυκλοφορία μιας νέας λειτουργίας είναι αναμενόμενη, ενώ η ίδια αύξηση χωρίς καμία καινοτομία δικαιολογεί τη μελέτη της επόμενης ενότητας.
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))
Εντοπισμός ανωμαλιών
Η τυπική απόκλιση ορίζει εδώ το «ασυνήθιστο» χωρίς την ανάγκη καθορισμού ενός αυθαίρετου ορίου: μια ημέρα που ξεπερνά τις δύο τυπικές αποκλίσεις από τον μέσο όρο σας βρίσκεται εκτός του συνηθισμένου μοτίβου, ανεξάρτητα από τον όγκο σας. Αυτή είναι η μέθοδος που προσαρμόζεται αυτόματα καθώς η δραστηριότητά σας αυξάνεται, ενώ ένα χρηματικό όριο καθίσταται ξεπερασμένο τον επόμενο μήνα.
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})")
Ανάλυση ανά μοντέλο
Αυτή είναι η αναφορά με τη μεγαλύτερη απόδοση, καθώς υποδεικνύει συγκεκριμένες ενέργειες. Το συνολικό κόστος δεν σας λέει τι να κάνετε· η ανάλυση ανά μοντέλο, όμως, αποκαλύπτει απλές εργασίες που δρομολογούνται στο ακριβότερο μοντέλο, οι οποίες αποτελούν τις ευκολότερες εξοικονομήσεις στον λογαριασμό του 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"]
}
}'
Αυτή η ανάλυση μπορεί να αποκαλύψει ευκαιρίες βελτιστοποίησης: εάν μεγάλο μέρος των αιτημάτων σας χρησιμοποιεί το grok-4.20-0309-reasoning για απλές εργασίες, η μετάβαση στο grok-4.3 θα μπορούσε να μειώσει σημαντικά το κόστος.
Αυτοματοποιημένη εβδομαδιαία αναφορά
Η αυτόματη παράδοση αλλάζει τη φύση της διαδικασίας: μια αναφορά που πρέπει να αναζητήσετε εσείς συμβουλεύεστε μόνο μετά το περιστατικό, ενώ μια αναφορά που φτάνει σε εσάς διαβάζεται εκ των προτέρων. Η εβδομαδιαία συχνότητα είναι η κατάλληλη για την κατανάλωση API—αρκετά συχνή για να εντοπίσετε αποκλίσεις πριν τον λογαριασμό, αλλά με αρκετή απόσταση ώστε να συνεχίσετε να την ανοίγετε.
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
Κοκκομετρία και απόδοση
Επιλογή της κατάλληλης κοκκομετρίας
| Περίπτωση χρήσης | Προτεινόμενη κοκκομετρία |
|---|---|
| Μηνιαία αναφορά | MONTH |
| Καθημερινή παρακολούθηση | DAY |
| Ανάλυση αιχμών | HOUR ή QUARTER_HOUR |
| Debug σε πραγματικό χρόνο | MINUTE |
| Λεπτομερής ανάλυση περιστατικών | SECOND |
Όσο finer είναι η κοκκομετρία, τόσο μεγαλύτερος είναι ο όγκος των δεδομένων που επιστρέφονται: σε διάστημα ενός μήνα, η κοκκομετρία SECOND παράγει εκατομμύρια σημεία, με αντίστοιχες επιπτώσεις στον χρόνο απόκρισης και την κατανάλωση μνήμης. Ο γενικός κανόνας είναι να επιλέγετε την κοκκομετρία με βάση τη διάρκεια του φαινομένου που αναζητάτε—μια αιχμή λίγων λεπτών είναι αόρατη σε κοκκομετρία MONTH και χάνεται στον θόρυβο σε κοκκομετρία SECOND.
Βασικά σημεία
- Συνδυάστε
SUM(σύνολο),COUNT(πλήθος) καιgroupBy: ["model"]για πλήρεις αναφορές - Ο εντοπισμός ανωμαλιών μέσω τυπικής απόκλισης αναγνωρίζει ημέρες υπερκατανάλωσης
- Η ανάλυση ανά μοντέλο αποκαλύπτει ευκαιρίες βελτιστοποίησης κόστους
- Προσαρμόστε τη χρονική κοκκομετρία στην περίπτωση χρήσης: MONTH για αναφορές, HOUR για debug
- Αυτοματοποιήστε τις εβδομαδιαίες αναφορές για να παρακολουθείτε την κατανάλωση