Pārskati par izmantošanu paplašinātā līmenī
Šajā lapā
Izstrādes pārskati par izmantošanu
Izmantošanas dati, kurus neviens neskatās, ir bezjēdzīgi. Pārskats ir noderīgs tikai tad, ja tas atbild uz konkrētu jautājumu, un šādu jautājumu ir tikai trīs: vai apjoms pieaug, vai ir noticis kaut kas neparasts un kur tieši tiek tērēta nauda.
Nākamajās trīs sadaļās šie jautājumi tiek aplūkoti tieši šādā secībā. Katra no tām ģenerē skaitli, uz kura pamata vari rīkoties, nevis vienkārši vēl vienu grafiku.
Salīdzinošais mēneša pārskats
Izmantošanai ir jēga tikai salīdzinājumā. 400 USD mēnesī nav ne labs, ne slikts rādītājs absolūtā izteiksmē: svarīgi ir tas, vai tam priekšā bija 200 USD mēnesis vai 600 USD mēnesis. Vienmēr kontekstualizē izmaiņas, ņemot vērā tev zināmo aktivitāti – 40 % pieaugums pēc jaunas funkcijas laišanas klajā ir gaidāms, taču tāds pats pieaugums bez jauninājumiem liek pāriet pie nākamās sadaļas.
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))
Anomāliju noteikšana
Šeit standarta novirze definē jēdzienu „neparasts”, neprasa patvaļīga sliekšņa noteikšanu: diena, kas atrodas vairāk nekā divu standarta noviržu attālumā no tava vidējā rādītāja, izkrīt no ierastā modeļa neatkarīgi no tava apjoma. Šī ir metode, kas automātiski pielāgojas, pieaugot tavai aktivitātei, turpretī dolāros izteikts slieksnis jau nākamajā mēnesī kļūst par novecojušu.
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})")
Sadalījums pa modeļiem
Šis ir pārskats, kas nes vislielāko labumu, jo norāda uz konkrētām darbībām. Kopējās izmaksas nepasaka, ko darīt; sadalījums pa modeļiem gan – tas atklāj vienkāršus uzdevumus, kas novirzīti uz dārgāko modeli, un tie ir vieglāk realizējamie ietaupījumi API rēķinā.
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"]
}
}'
Šī analīze var atklāt optimizācijas iespējas: ja liela daļa tava pieprasījumu izmanto grok-4.20-0309-reasoning vienkāršiem uzdevumiem, pāreja uz grok-4.3 varētu ievērojami samazināt izmaksas.
Automatizēts nedēļas pārskats
Automātiska piegāde maina visa procesa būtību: pārskatu, kas jāmeklē pašam, skata tikai pēc incidenta, savukārt pārskatu, kas pienāk pats, izlasa laicīgi. Nedēļa ir pareizais ritms API izmantošanai – pietiekami bieži, lai pamanītu novirzes pirms rēķina saņemšanas, un pietiekami reti, lai turpinātu to atvērt.
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
Granularitāte un veiktspēja
Pareizās granularitātes izvēle
| Lietojumgadījums | Ieteicamā granularitāte |
|---|---|
| Mēneša pārskats | MONTH |
| Dienas izsekošana | DAY |
| Pīķu analīze | HOUR vai QUARTER_HOUR |
| Reāllaika atkļūdošana | MINUTE |
| Detalizēta incidentu analīze | SECOND |
Jo smalkāka ir granularitāte, jo lielāks ir atgriezto datu apjoms: mēneša periodā SECOND granularitāte ģenerē miljoniem datu punktu, kas attiecīgi palielina atbildes laiku un atmiņas patēriņu. Pamatlikums ir izvēlēties granularitāti atbilstoši tam, cik ilgu laika posmu analizē – dažu minūšu pīķis nav saskatāms MONTH granularitātē, bet SECOND granularitātē tas pazūd trokšņos.
Galvenās atziņas
- Apvieno
SUM(kopsumma),COUNT(skaits) ungroupBy: ["model"], lai iegūtu pilnīgus pārskatus - Anomāliju noteikšana, izmantojot standarta novirzi, identificē dienas ar pārmērīgu patēriņu
- Sadalījums pa modeļiem atklāj izmaksu optimizācijas iespējas
- Pielāgo laika granularitāti konkrētajam lietojumam: MONTH pārskatiem, HOUR atkļūdošanai
- Automatizē nedēļas pārskatus, lai pastāvīgi uzraudzītu patēriņu