Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Haladó fogyasztási jelentések

10. lecke 14 közül Frissítve 2026. július 29. Fejlesztő
Ezen az oldalon
  1. Fogyasztási jelentések készítése
  2. Összehasonlító havi jelentés
  3. Rendellenességek észlelése
  4. Lebontás modell szerint
  5. Automatizált heti jelentés
  6. Szemcseméret és teljesítmény
  7. Főbb megállapítások

Fogyasztási jelentések készítése

Az a fogyasztási adat, amit senki sem néz meg, haszontalan. Egy jelentés csak akkor hasznos, ha választ ad egy konkrét kérdésre, és ebből a szempontból csupán három létezik: növekszik-e, történt-e valami rendellenes, és hová tűnik a pénz.

A következő három szakasz ebben a sorrendben tárgyalja ezeket a kérdéseket. Mindegyik olyan számértéket állít elő, amelyre cselekedni tudsz – nem csupán egy újabb grafikont.

Összehasonlító havi jelentés

A fogyasztás csak összehasonlítva értelmezhető. 400 dollár egy hónapban önmagában sem nem jó, sem nem rossz: ami számít, az az, hogy egy 200 dolláros vagy egy 600 dolláros hónapot követ-e. Mindig kontextusba kell helyezned a változásokat az ismert tevékenységek alapján – egy funkció bevezetése utáni 40%-os növekedés várható, ugyanakkora növekedés újdonság nélkül azonban indokolttá teszi a következő szakasz megnyitását.

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))

Rendellenességek észlelése

Itt a szórás határozza meg a „rendellenes“ fogalmát anélkül, hogy önkényes küszöbértéket kellene beállítanod: egy nap, amely két szórással tér el az átlagodtól, kilóg a szokásos mintából, függetlenül a forgalmad volumenétől. Ez az a módszer, amely automatikusan alkalmazkodik a tevékenységed növekedéséhez, míg egy dollárban meghatározott küszöbérték a következő hónapra már elavulttá válik.

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})")

Lebontás modell szerint

Ez a jelentés hozza a legnagyobb hasznot, mert konkrét cselekvésre irányít. A teljes költség önmagában nem mondja meg, mit tegyél; a modell szerinti lebontás viszont igen – feltárja, ha egyszerű feladatokat a legdrágább modellre irányítanak, ami az API-számlán realizálható legegyszerűbb megtakarítás.

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"]
    }
  }'

Ez az elemzés optimalizálási lehetőségeket tárhat fel: ha a kéréseid nagy része egyszerű feladatokhoz a grok-4.20-0309-reasoning modellt használja, a grok-4.3-ra való váltás jelentősen csökkentheti a költségeket.

Automatizált heti jelentés

Az automatikus kézbesítés megváltoztatja a gyakorlat jellegét: egy jelentést, amit neked kell lekérned, csak az incidens után konzultálsz; egy jelentést, ami megérkezik hozzád, előtte elolvasol. A heti gyakoriság a megfelelő ritmus az API-fogyasztás követésére – elég gyakori ahhoz, hogy még a számla előtt észleld az elcsúszást, de elég ritka ahhoz, hogy továbbra is megnyisd.

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

Szemcseméret és teljesítmény

A megfelelő szemcseméret kiválasztása

Használati esetAjánlott szemcseméret
Havi jelentésMONTH
Napi követésDAY
Csúcsok elemzéseHOUR vagy QUARTER_HOUR
Valós idejű hibakeresésMINUTE
Részletes incidenselemzésSECOND

Minél finomabb a szemcseméret, annál nagyobb a visszakapott adatmennyiség: egy hónap alatt a SECOND szemcseméret milliónyi pontot eredményez, a hozzá tartozó válaszidővel és memóriafogyasztással együtt. Az általános szabály az, hogy a keresett jelenség időtartama alapján válaszd ki a szemcseméretet – egy néhány perces csúcs láthatatlan MONTH szemcseméret mellett, és elvész a zajban SECOND szemcseméret esetén.

Főbb megállapítások

  • Kombináld a SUM (összeg), COUNT (darabszám) és a groupBy: ["model"] paramétereket a teljes körű jelentésekhez
  • A szórás alapú rendellenesség-észlelés azonosítja a túlfogyasztási napokat
  • A modell szerinti lebontás feltárja a költségoptimalizálási lehetőségeket
  • Igazítsd az időbeli szemcseméretet a használathoz: MONTH a jelentésekhez, HOUR a hibakereséshez
  • Automatizáld a heti jelentéseket, hogy folyamatosan szemmel tartsd a fogyasztást