Przejdź do głównej treści
Polski— Wybierz język
Menu

Zaawansowane raporty zużycia

Lekcja 10 z 14 Zaktualizowano 29 lipca 2026 Programista
Na tej stronie
  1. Tworzenie raportów zużycia
  2. Raport porównawczy miesięczny
  3. Wykrywanie anomalii
  4. Podział według modelu
  5. Zautomatyzowany raport tygodniowy
  6. Granularność i wydajność
  7. Kluczowe wnioski

Tworzenie raportów zużycia

Dane dotyczące zużycia, na które nikt nie patrzy, są bezużyteczne. Raport ma sens tylko wtedy, gdy odpowiada na konkretne pytanie. W rzeczywistości są tylko trzy takie pytania: czy zużycie rośnie, czy wydarzyło się coś nienormalnego i gdzie uciekają pieniądze.

Kolejne trzy sekcje odpowiadają na te pytania właśnie w tej kolejności. Każda z nich dostarcza liczby, na podstawie których możesz podjąć działanie – a nie tylko kolejny wykres.

Raport porównawczy miesięczny

Zużycie ma sens tylko w porównaniu. Kwota 400 USD w miesiącu nie jest ani dobra, ani zła sama w sobie: kluczowe jest to, czy następuje po miesiącu z wydatkiem 200 USD, czy 600 USD. Zawsze kontekstualizuj zmiany, odnosząc je do znanej Ci aktywności – wzrost o 40% po uruchomieniu nowej funkcji jest oczekiwany, natomiast ten sam wzrost przy braku nowości wymaga przejścia do następnej sekcji.

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))

Wykrywanie anomalii

Odchylenie standardowe definiuje tutaj pojęcie „anomalii“ bez konieczności ustalania arbitralnego progu: dzień, w którym wynik odbiega o więcej niż dwa odchylenia standardowe od średniej, wykracza poza zwykły wzorzec, niezależnie od Twojej skali działalności. Jest to metoda, która automatycznie adaptuje się wraz ze wzrostem aktywności, podczas gdy próg wyrażony w dolarach staje się przestarzały już w kolejnym miesiącu.

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})")

Podział według modelu

To raport, który przynosi największe korzyści, ponieważ wskazuje konkretne działania do podjęcia. Całkowity koszt nie mówi Ci, co zrobić; podział według modelu – tak. Ujawnia on proste zadania kierowane do najdroższego modelu, co stanowi najłatwiejszy obszar do osiągnięcia oszczędności na fakturze za 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"]
    }
  }'

Ta analiza może ujawnić możliwości optymalizacji: jeśli duża część Twoich żądań wykorzystuje grok-4.20-0309-reasoning do prostych zadań, przełączenie się na grok-4.3 może znacząco obniżyć koszty.

Zautomatyzowany raport tygodniowy

Automatyczna dostawa zmienia charakter całego przedsięwzięcia: raport, który musisz samodzielnie pobierać, jest sprawdzany dopiero po incydencie; raport, który do Ciebie dociera, jest czytany wcześniej. Tydzień to właściwy rytm dla zużycia API – wystarczająco często, aby wychwycić dryf przed otrzymaniem faktury, ale z odpowiednimi odstępami, byś nadal chciał go otwierać.

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

Granularność i wydajność

Wybór odpowiedniej granularności

Przypadek użyciaZalecana granularność
Raport miesięcznyMONTH
Śledzenie dzienneDAY
Analiza skoków zużyciaHOUR lub QUARTER_HOUR
Debugowanie w czasie rzeczywistymMINUTE
Szczegółowa analiza incydentuSECOND

Im drobniejsza granularność, tym większa ilość zwracanych danych: w skali miesiąca granularność SECOND generuje miliony punktów, co przekłada się na czas odpowiedzi i zużycie pamięci. Zasadą kciuka jest dobieranie granularności w oparciu o czas trwania zjawiska, którego szukasz – kilkuminutowy skok jest niewidoczny przy granularności MONTH i ginie w szumie przy granularności SECOND.

Kluczowe wnioski

  • Łącz SUM (suma), COUNT (liczba) i groupBy: ["model"], aby tworzyć kompletne raporty
  • Wykrywanie anomalii za pomocą odchylenia standardowego identyfikuje dni nadmiernego zużycia
  • Podział według modelu ujawnia możliwości optymalizacji kosztów
  • Dostosuj granularność czasową do przypadku użycia: MONTH dla raportów, HOUR dla debugowania
  • Automatyzuj raporty tygodniowe, aby mieć stały контроль nad zużyciem