Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Avancerade förbrukningsrapporter

Lektion 10 av 14 Uppdaterad 29 juli 2026 Utvecklare
På denna sida
  1. Skapa förbrukningsrapporter
  2. Jämförande månadsrapport
  3. Detektering av avvikelser
  4. Fördelning per modell
  5. Automatiserad veckorapport
  6. Granularitet och prestanda
  7. Viktiga punkter

Skapa förbrukningsrapporter

Förbrukningsdata som ingen tittar på är värdelös. En rapport är bara användbar om den svarar på en fråga du faktiskt ställer, och det finns bara tre: ökar den, har något onormalt hänt, och vart tar pengarna vägen?

De nästa tre avsnitten behandlar dessa frågor i den ordningen. Varje avsnitt ger dig ett tal du kan agera på – inte bara ytterligare ett diagram.

Jämförande månadsrapport

Förbrukning ger bara mening i jämförelse. 400 dollar i månaden är varken bra eller dåligt i absoluta termer: det som spelar roll är om det följer en månad på 200 dollar eller en på 600 dollar. Sätt alltid förändringar i kontext till vad du vet om aktiviteten – en ökning på 40 % efter en lansering är förväntad, samma ökning utan något nytt kräver att du öppnar nästa avsnitt.

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))

Detektering av avvikelser

Standardavvikelse definierar här vad som är “onormalt” utan att du behöver sätta en godtycklig tröskel: en dag som ligger mer än två standardavvikelser från ditt medelvärde faller utanför det vanliga mönstret, oavsett din volym. Detta är metoden som anpassar sig automatiskt när din aktivitet växer, där en dollartröskel blir inaktuell redan nästa månad.

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})")

Fördelning per modell

Detta är den rapport som ger mest utdelning, eftersom den pekar på konkreta åtgärder. Totalkostnaden berättar inte vad du ska göra; fördelningen per modell gör det – den avslöjar enkla uppgifter som routas till den dyraste modellen, vilket är de enklaste besparingarna att göra på en API-faktura.

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"]
    }
  }'

Denna analys kan avslöja möjligheter till optimering: om en stor del av dina förfrågningar använder grok-4.20-0309-reasoning för enkla uppgifter, kan en växling till grok-4.3 minska kostnaderna avsevärt.

Automatiserad veckorapport

Automatisk leverans ändrar hela övningens natur: en rapport du måste hämta själv läses först efter incidenten, en rapport som kommer till dig läses i förväg. Veckovis är rätt rytm för API-förbrukning – tillräckligt ofta för att fånga avdrift innan fakturan kommer, men med tillräckligt mellanrum för att du fortsätter öppna den.

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

Granularitet och prestanda

Välja rätt granularitet

AnvändningsfallRekommenderad granularitet
MånadsrapportMONTH
Daglig uppföljningDAY
Analys av topparHOUR eller QUARTER_HOUR
Felsökning i realtidMINUTE
Detaljerad incidentanalysSECOND

Ju finare granularitet, desto större datamängd returneras: över en månad ger granulariteten SECOND miljontals datapunkter, med motsvarande svarstider och minnesanvändning. Tumregeln är att välja granularitet baserat på varaktigheten av det du letar efter – en topp på några minuter är osynlig vid granulariteten MONTH, och drunknar i brus vid granulariteten SECOND.

Viktiga punkter

  • Kombinera SUM (totalt), COUNT (antal) och groupBy: ["model"] för completa rapporter
  • Detektering av avvikelser med standardavvikelse identifierar dagar med överförbrukning
  • Fördelning per modell avslöjar möjligheter till kostnadsoptimering
  • Anpassa tidsmässig granularitet till användningsfallet: MONTH för rapporter, HOUR för felsökning
  • Automatisera veckorapporter för att hålla koll på förbrukningen