Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Napredna poročila o porabi

Lekcija 10 od 14 Posodobljeno 29. julij 2026 Razvijalec
Na tej strani
  1. Izdelava poročil o porabi
  2. Primerjalno mesečno poročilo
  3. Zaznavanje anomalij
  4. Razčlenitev po modelu
  5. Avtomatizirano tedensko poročilo
  6. Granularnost in zmogljivost
  7. Ključne ugotovitve

Izdelava poročil o porabi

Podatki o porabi, ki jih nihče ne gleda, so neuporabni. Poročilo je koristno le, če odgovori na vprašanje, ki si ga dejansko zastaviš. Takšnih vprašanj so samo tri: ali poraba narašča, ali se je zgodilo kaj nenormalnega in kam gre denar.

Naslednji trije razdelki obravnavajo ta vprašanja v tem vrstnem redu. Vsak od njih proizvede številko, na podlagi katere lahko ukrepaš – ne le še enega grafa.

Primerjalno mesečno poročilo

Poraba ima smisel le v primerjavi. 400 $ v mesecu ni niti dobro niti slabo samo po sebi: pomembno je, ali sledi mesecu z 200 $ ali mesecu s 600 $. Spremembe vedno postavi v kontekst dejavnosti – 40-odstotno povečanje po uvedbi nove funkcije je pričakovano, enako povečanje brez novosti pa zahteva, da odpreš naslednji razdelek.

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))

Zaznavanje anomalij

Standardni odklon tu opredeljuje „nenormalno” brez potrebe po določanju poljubnega praga: dan, ki odstopa za več kot dva standardna odklona od tvoje povprečne vrednosti, izstopa iz običajnega vzorca, ne glede na tvoj obseg. To je metoda, ki se samodejno prilagaja rasti tvoje dejavnosti, medtem ko prag v dolarjih naslednji mesec zastara.

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})")

Razčlenitev po modelu

To je poročilo, ki se najbolj izplača, ker kaže na konkretna dejanja. Skupni strošek ti ne pove, kaj storiti; razčlenitev po modelu pa da – razkrije preproste naloge, usmerjene v najdražji model, kar so najlažji prihranki na računu 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 lahko razkrije priložnosti za optimizacijo: če velik del tvojih zahtevkov uporablja grok-4.20-0309-reasoning za preproste naloge, lahko preklop na grok-4.3 bistveno zmanjša stroške.

Avtomatizirano tedensko poročilo

Avtomatska dostava spremeni naravo vaj: poročilo, ki ga moraš poiskati, si ogledaš šele po incidentu, poročilo, ki prispe, pa prebereš vnaprej. Tedenski ritem je pravi za porabo API-ja – dovolj pogost, da zaznaš odmik pred računom, dovolj redek, da ga še vedno odpiraš.

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

Granularnost in zmogljivost

Izbira ustrezne granularnosti

Primer uporabePriporočena granularnost
Mesečno poročiloMONTH
Dnevno sledenjeDAY
Analiza konicHOUR ali QUARTER_HOUR
Odpravljanje napak v realnem časuMINUTE
Podrobna analiza incidentovSECOND

Bolj ko je granularnost fina, večja je količina vrnjenih podatkov: v enem mesecu granularnost SECOND proizvede milijone točk, kar ustrezno podaljša čas odziva in porabo pomnilnika. Zlati pravilo je izbrati granularnost glede na trajanje pojava, ki ga iščeš – nekajminutna konica je pri granularnosti MONTH nevidna, pri granularnosti SECOND pa utonjena v šumu.

Ključne ugotovitve

  • Združi SUM (vsota), COUNT (število) in groupBy: ["model"] za celovita poročila
  • Zaznavanje anomalij s standardnim odklonom identificira dneve prekomerne porabe
  • Razčlenitev po modelu razkrije priložnosti za optimizacijo stroškov
  • Prilagodi časovno granularnost primeru uporabe: MONTH za poročila, HOUR za odpravljanje napak
  • Avtomatiziraj tedenska poročila, da boš imel porabo stalno pod nadzorom