Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Pažangios vartojimo ataskaitos

Paskaita 10 iš 14 Atnaujinta 2026 m. liepos 29 d. Kūrėjas
Šiame puslapyje
  1. Vartojimo ataskaitų kūrimas
  2. Lyginamoji mėnesio ataskaita
  3. Anomalijų aptikimas
  4. Suskirstymas pagal modelį
  5. Automatizuota savaitinė ataskaita
  6. Granuliarumas ir našumas
  7. Svarbiausi punktai

Vartojimo ataskaitų kūrimas

Vartojimo duomenys, į kuriuos niekas nežiūri, yra nenaudingi. Ataskaita turi prasmę tik tada, kai atsako į konkrečius klausimus, o jų tėra trys: ar vartojimas didėja, ar įvyko kažkas neįprasto ir kur dingsta pinigai.

Kituose trijuose skyriuose šie klausimai nagrinėjami būtent tokia tvarka. Kiekvienas jų pateikia skaičių, pagal kurį gali imtis veiksmų, o ne tiesiog dar vieną grafiką.

Lyginamoji mėnesio ataskaita

Vartojimas įprasmėja tik lyginant. 400 USD per mėnesį savaime nėra nei gerai, nei blogai: svarbu tai, ar tai sekė po 200 USD mėnesio, ar po 600 USD mėnesio. Visada kontekstualizuok pokyčius remdamasis žiniomis apie veiklą – 40 % padidėjimas paleidus naują funkciją yra lauktas, tačiau toks pat padidėjimas nieko naujo neįdiegus reiškia, kad metas pereiti prie kito skyriaus.

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))

Anomalijų aptikimas

Standartinis nuokrypis čia apibrėžia „neįprastumą“ nereikalaujant nustatyti savavališkos ribos: diena, nukrypstanti daugiau nei dviem standartiniais nuokrypiais nuo vidurkio, iškrenta iš įprasto modelio, nepaisant tavo apimčių. Tai metodas, kuris automatiškai prisitaiko augant tavo veiklai, tuo tarpu piniginė riba kitą mėnesį tampa nebeaktuali.

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})")

Suskirstymas pagal modelį

Tai ataskaita, kuri atneša daugiausia naudos, nes nukreipia į konkrečius veiksmus. Bendra kaina nepasako, ką daryti, o suskirstymas pagal modelį – taip: jis atskleidžia paprastas užduotis, nukreiptas į brangiausią modelį, o tai yra lengviausiai realizuojama sąskaitos už API optimizavimo galimybė.

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"]
    }
  }'

Ši analizė gali atskleisti optimizavimo galimybes: jei didelė dalis tavo užklausų paprastoms užduotims naudoja grok-4.20-0309-reasoning, perėjimas prie grok-4.3 gali žymiai sumažinti išlaidas.

Automatizuota savaitinė ataskaita

Automatinis pristatymas pakeičia viso proceso pobūdį: ataskaitą, kurią tenka pačiam ieškoti, peržiūri tik po incidento, o ataskaitą, kuri atkeliauja pati, perskaitai iš anksto. Savaitinis dažnumas API vartojimui yra tinkamiausias ritmas – pakankamai dažnas, kad pastebėtum nukrypimus prieš gaunant sąskaitą, ir pakankamai retas, kad ir toliau norėtum ją atidaryti.

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

Granuliarumas ir našumas

Tinkamo granuliarumo pasirinkimas

Naudojimo atvejisRekomenduojamas granuliarumas
Mėnesio ataskaitaMONTH
Dienos stebėsenaDAY
Šuolių analizėHOUR arba QUARTER_HOUR
Derinimas realiuoju laikuMINUTE
Išsami incidentų analizėSECOND

Kuo smulkesnis granuliarumas, tuo didesnis grąžinamų duomenų kiekis: per mėnesį SECOND granuliarumas sugeneruoja milijonus taškų, o tai atitinkamai didina atsako laiką ir suvartojamą atmintį. Taisyklė paprasta: granuliarumą rinkis pagal tai, kokios trukmės reiškinių ieškai – kelių minučių šuolis nematomas naudojant MONTH granuliarumą, o naudojant SECOND granuliarumą jis paskęsta triukšme.

Svarbiausi punktai

  • Derink SUM (suma), COUNT (skaičius) ir groupBy: ["model"], kad gautum išsamias ataskaitas
  • Anomalijų aptikimas naudojant standartinį nuokrypį padeda identifikuoti per didelio vartojimo dienas
  • Suskirstymas pagal modelį atskleidžia išlaidų optimizavimo galimybes
  • Pritaikyk laikinį granuliarumą pagal naudojimo atvejį: MONTH ataskaitoms, HOUR derinimui
  • Automatizuok savaitines ataskaitas, kad nuolat stebėtum vartojimą