Billeáil agus Bainistíocht Costais
Ar an leathanach seo
Tuiscint a fháil ar an méid atá á íoc agat
Tá mionsonra tábhachtach billeála ag baint leis an Responses API: i gcomhrá slabhráilte, gearrtar muirear ort as an stair iomlán, fiú mura ndéanann tú í a athsheoladh go sainráite. Tá sé ríthábhachtach an mheicníocht seo a thuiscint chun do chostais a rialú i dtimpeallacht táirgthe.
An Paiste Staire Carnaithí
Le previous_response_id, athchruthaíonn an freastalaí an comhthéacs iomlán go huathoibríoch. Tá sé seo áisiúil don fhorbróir, ach ciallaíonn sé go gcarnaítear tokenanna:
| Casadh | Do theachtaireacht | Tokenanna billithe (ionchur) |
|---|---|---|
| 1 | 50 token | 50 |
| 2 | 30 token + stair chasadh 1 | 130 |
| 3 | 40 token + stair chasadh 1–2 | 350 |
| 4 | 25 token + stair chasadh 1–3 | 725 |
Tá an fás cearnach. Faoin 10ú casadh i gcomhrá, is féidir go mbeidh tokenanna ionchuir 10 go 50 uair níos airde ná do theachtaireacht tosaigh.
Costais a léamh sa Fhreagra
Áirítear oibiacht usage i ngach freagra leis an gcostas cruinn:
{
"usage": {
"input_tokens": 450,
"output_tokens": 280,
"total_tokens": 730,
"output_tokens_details": {
"reasoning_tokens": 200
},
"cost_in_nano_usd": 1500000
}
}
cost_in_nano_usd
Tugann an réimse cost_in_nano_usd an costas i nano-dollar:
1,000,000,000 nano-USD = 1 USD
Chun tiontú:
cost_usd = response.usage.cost_in_nano_usd / 1_000_000_000
print(f"Cost of this request: ${cost_usd:.6f}")
Tokenanna Réasúnaíochta
Gearrtar muirear ar na reasoning_tokens in output_tokens_details ag an ráta token aschuir. Is féidir leo idir 50% agus 80% de thokenanna aschuir a chur san áireamh ar mhúnlaí réasúnaíochta.
Straitéisí Optamaithe
Teorainn a chur le Fad an Chomhrá
In ionad slabhrú gan teorainn, déan achoimre go tréimhsiúil:
# Tar éis N casadh, déan achoimre agus tosú arís
if turn_count > 5:
summary = client.responses.create(
model="grok-4.20-0309-reasoning",
input="Summarize this conversation in 3 key points.",
previous_response_id=last_id
)
# Tosú arís leis an achoimre mar an comhthéacs nua
new_start = client.responses.create(
model="grok-4.20-0309-reasoning",
instructions=f"Previous context: {summary.output[0].content[0].text}",
input=user_message
)
Roghnaigh an Múnla Ceart
Ní chosnaíonn gach múnla an méid céanna. Do thascanna simplí, úsáid múnla nach bhfuil chomh cumhachtach (agus níos saoire). Coinnigh múnlaí réasúnaíochta do fhadhbanna casta.
Rialaigh max_output_tokens
Cuir teorainn leis an aschur nuair nach bhfuil gá le freagraí fada:
{
"model": "grok-4.20-0309-reasoning",
"input": "Answer in one sentence: what is the capital of Japan?",
"max_output_tokens": 100
}
Úsáid store: false Nuair is Féidir
Ní choinnítear freagraí gan stóráil ar an bhfreastalaí. Ní laghdaíonn sé seo an costas díreach, ach seachnaíonn sé carnadh sonraí nach bhfuil gá leo.
Costais a Rianú i dTáirgeadh
Cuir rianú córasach i bhfeidhm:
import json
from datetime import datetime
def log_usage(response, user_id, feature):
log_entry = {
"timestamp": datetime.now().isoformat(),
"user_id": user_id,
"feature": feature,
"response_id": response.id,
"model": response.model,
"input_tokens": response.usage.input_tokens,
"output_tokens": response.usage.output_tokens,
"reasoning_tokens": response.usage.output_tokens_details.reasoning_tokens,
"cost_nano_usd": response.usage.cost_in_nano_usd,
"cost_usd": response.usage.cost_in_nano_usd / 1e9
}
# Sábháil i do chóras logála
save_to_db(log_entry)
Foláirimh Costais
Socraigh tairseacha foláirimh:
MAX_COST_PER_REQUEST = 0.05 # 5 cent USD
cost = response.usage.cost_in_nano_usd / 1e9
if cost > MAX_COST_PER_REQUEST:
alert(f"Expensive request detected: ${cost:.4f} (user: {user_id})")
Príomhphointí
- Gearrtar muirear ar chomhráite slabhráilte as an stair iomlán gach casadh—fás cearnach
cost_in_nano_usd/ 1 billiún = costas in USD- Gearrtar muirear ar thokenanna réasúnaíochta ach tá siad dofheicthe sa fhreagra
- Déan achoimre ar chomhráite fada chun costais a choinneáil faoi smacht
- Cuir rianú córasach costais i bhfeidhm in aghaidh an úsáideora agus in aghaidh na gné