浏览文档

指南更新于 2026年8月8日由 Telemetry 编辑团队和产品团队审核阅读约需 7 分钟

一分钟内即可查看您的 OpenAI 成本仪表板

查看完整的工作流程，然后创建一个包含示例使用事件和可立即运行的成本查询的工作区。

查看 OpenAI 成本工作流程构建我的 OpenAI 成本仪表板

本页内容

一分钟内即可查看 OpenAI 成本仪表板
先决条件
1. 安装并初始化SDK
2. 将定价置于仪器之外
3. 检测响应 API 请求
4. 将重试计入成本
5. 将支出与成果联系起来
6.按功能、型号查询每日费用
7. 将估算与发票进行核对
需要警惕什么
后续步骤

按模型和功能跟踪 OpenAI API 成本

要跟踪 OpenAI API 成本，记录令牌使用情况、型号、延迟、重试和估计请求成本以及引发呼叫的产品功能和客户。这会将无法解释的提供商发票转换为您可以按模型、功能、团队和结果查询的支出。

示例 OpenAI 成本仪表板，其中包含支出、每个请求的成本、按模型划分的每日成本以及昂贵的提示异常值 — 请求级遥测将成本趋势与导致成本趋势的模型和工作负载联系起来。

最有用的事件将提供商的使用情况与产品上下文结合起来。代币数量解释了消费情况； feature、team_id、status 和 accepted 等字段说明请求是否产生值。

一分钟内即可查看 OpenAI 成本仪表板

从免费样品 OpenAI 使用活动开始。该快速入门会创建一个明确标记的事件，打开一个准备运行的成本查询，并将结果保留在您的入门仪表板上。您可以在更改应用程序代码之前检查工作流程。

生成的样本使用最小有用成本形状：

{
  "provider": "openai",
  "model": "gpt-5",
  "input_tokens": 1250,
  "output_tokens": 340,
  "cost_usd": 0.0184,
  "latency_ms": 842,
  "status": "ok",
  "sample": true
}

立即针对生成的 telemetry_quickstart 表运行此命令：

SELECT
  model,
  COUNT(*) AS requests,
  SUM(input_tokens) AS input_tokens,
  SUM(output_tokens) AS output_tokens,
  ROUND(SUM(cost_usd), 4) AS total_cost_usd,
  ROUND(AVG(latency_ms), 0) AS average_latency_ms
FROM telemetry_quickstart
WHERE provider = 'openai'
GROUP BY model
ORDER BY total_cost_usd DESC;

先决条件

Telemetry API 钥匙
OpenAI API 钥匙
Node.js 和官方的 OpenAI JavaScript SDK

1. 安装并初始化SDK

npm install openai telemetry-sh

import OpenAI from "openai";
import telemetry from "telemetry-sh";

const openai = new OpenAI();
telemetry.init(process.env.TELEMETRY_API_KEY);

将两个 API 密钥保留在服务器端环境变量中。不要将它们放入源代码管理或浏览器代码中。

2. 将定价置于仪器之外

OpenAI 定价和型号可用性可能会发生变化。从 OpenAI 官方定价页面读取当前费率并存储您在配置中使用的费率。

此示例使用每百万代币的美元：

OPENAI_MODEL="YOUR_MODEL"
OPENAI_INPUT_USD_PER_MILLION="YOUR_CURRENT_INPUT_RATE"
OPENAI_CACHED_INPUT_USD_PER_MILLION="YOUR_CURRENT_CACHED_INPUT_RATE"
OPENAI_CACHE_WRITE_USD_PER_MILLION="YOUR_CURRENT_CACHE_WRITE_RATE"
OPENAI_OUTPUT_USD_PER_MILLION="YOUR_CURRENT_OUTPUT_RATE"
OPENAI_PRICING_VERSION="provider-price-sheet-reviewed-YYYY-MM-DD"

const pricing = {
  inputUsdPerMillion: Number(process.env.OPENAI_INPUT_USD_PER_MILLION),
  cachedInputUsdPerMillion: Number(
    process.env.OPENAI_CACHED_INPUT_USD_PER_MILLION
  ),
  cacheWriteUsdPerMillion: Number(
    process.env.OPENAI_CACHE_WRITE_USD_PER_MILLION
  ),
  outputUsdPerMillion: Number(process.env.OPENAI_OUTPUT_USD_PER_MILLION),
};

function estimateCostUsd({
  inputTokens,
  cachedInputTokens,
  cacheWriteTokens,
  outputTokens,
}) {
  const uncachedInputTokens = Math.max(
    0,
    inputTokens - cachedInputTokens - cacheWriteTokens
  );

  return (
    (uncachedInputTokens * pricing.inputUsdPerMillion +
      cachedInputTokens * pricing.cachedInputUsdPerMillion +
      cacheWriteTokens * pricing.cacheWriteUsdPerMillion +
      outputTokens * pricing.outputUsdPerMillion) /
    1_000_000
  );
}

使用您的提供商发票作为计费的真实来源。缓存输入、推理令牌、批处理、工具、图像、音频或其他模型功能可能需要额外的字段和定价规则。

当缓存读取或缓存写入速率未知。将估计标记为不完整，直到当前供应商价格表已经过审查。提供商的关键定价配置，模型、服务层级和有效时间，而不是就地覆盖它。

3. 检测响应 API 请求

当前的 OpenAI JavaScript SDK 通过 client.responses.create 公开响应 API。完整的响应包括 usage 对象以及 input_tokens、output_tokens 和 total_tokens。

async function createDraftReply({ input, teamId, userId, attempt = 1 }) {
  const model = process.env.OPENAI_MODEL;
  const startedAt = Date.now();

  try {
    const response = await openai.responses.create({
      model,
      input,
    });

    const inputTokens = response.usage?.input_tokens ?? 0;
    const outputTokens = response.usage?.output_tokens ?? 0;
    const cachedInputTokens =
      response.usage?.input_tokens_details?.cached_tokens ?? 0;
    const cacheWriteTokens =
      response.usage?.input_tokens_details?.cache_write_tokens ?? 0;
    const reasoningTokens =
      response.usage?.output_tokens_details?.reasoning_tokens ?? 0;
    const estimatedCostUsd = estimateCostUsd({
      inputTokens,
      cachedInputTokens,
      cacheWriteTokens,
      outputTokens,
    });

    await telemetry.log("llm_request_completed", {
      response_id: response.id,
      provider: "openai",
      model: response.model ?? model,
      feature: "draft_reply",
      team_id: teamId,
      user_id: userId,
      status: "success",
      attempt,
      input_tokens: inputTokens,
      cached_input_tokens: cachedInputTokens,
      cache_write_tokens: cacheWriteTokens,
      output_tokens: outputTokens,
      reasoning_tokens: reasoningTokens,
      total_tokens: response.usage?.total_tokens ?? inputTokens + outputTokens,
      estimated_cost_usd: estimatedCostUsd,
      latency_ms: Date.now() - startedAt,
      service_tier: response.service_tier ?? "not_reported",
      pricing_version: process.env.OPENAI_PRICING_VERSION,
    });

    return response.output_text;
  } catch (error) {
    await telemetry.log("llm_request_failed", {
      provider: "openai",
      model,
      feature: "draft_reply",
      team_id: teamId,
      user_id: userId,
      status: "error",
      attempt,
      error_type: error?.constructor?.name ?? "unknown_error",
      latency_ms: Date.now() - startedAt,
    });

    throw error;
  }
}

默认情况下，不记录原始提示、完成情况、工具参数、凭据或私人客户内容。优先选择安全类别，例如 feature、workflow、input_category、output_category 和 error_type。

OpenAI当前提示缓存指导文档cached_tokens下 usage.input_tokens_details 用于回复 API 结果和文档 cache_write_tokens 适用于报告缓存写入的模型系列。它还显示输出令牌详细信息下的 reasoning_tokens。参见官方提示缓存要求。

推理令牌是响应的输出令牌会计中的详细信息；做在估算代币总数时，不要再次将它们添加到 output_tokens 中。保留单独的字段，因为它可以解释成本、延迟或行为。

4. 将重试计入成本

即使用户看到，应用程序级重试也是一个新的计费请求一项产品行动。在尝试和增量中携带稳定的 operation_id attempt。单独记录终端应用程序结果。

await telemetry.log("ai_operation_completed", {
  operation_id: operationId,
  response_id: response.id,
  team_id: teamId,
  feature: "draft_reply",
  attempts: attempt,
  outcome: "accepted",
  accepted: true,
});

这支持每个逻辑操作的成本、每个接受的输出的成本以及重试放大。不要仅仅因为请求成本事件共享而对它们进行重复数据删除 operation_id；每个提供商的请求都会产生成本。

5. 将支出与成果联系起来

每个请求的成本并不能告诉您输出是否有用。当用户接受、复制、保存、重新生成或丢弃结果时记录单独的结果事件。

await telemetry.log("ai_output_reviewed", {
  response_id: responseId,
  team_id: teamId,
  user_id: userId,
  feature: "draft_reply",
  outcome: "accepted",
  accepted: true,
});

稳定的 response_id 可让您将使用情况和结果结合起来，而无需存储模型输出本身。

6.按功能、型号查询每日费用

Telemetry 自动添加 timestamp_utc，因此应用程序不需要发送自己的时间戳字段。

SELECT
  date_trunc('day', timestamp_utc) AS day,
  feature,
  model,
  COUNT(*) AS requests,
  SUM(input_tokens) AS input_tokens,
  SUM(cached_input_tokens) AS cached_input_tokens,
  SUM(cache_write_tokens) AS cache_write_tokens,
  SUM(output_tokens) AS output_tokens,
  SUM(reasoning_tokens) AS reasoning_tokens,
  ROUND(SUM(estimated_cost_usd), 4) AS estimated_cost_usd,
  ROUND(AVG(latency_ms), 0) AS avg_latency_ms
FROM llm_request_completed
WHERE timestamp_utc >= now() - INTERVAL '30 days'
GROUP BY day, feature, model
ORDER BY day ASC, estimated_cost_usd DESC;

将 estimated_cost_usd 可视化为由 feature 或 model 分割的堆积折线图或面积图。将其与请求量和接受输出率配对，以便可以根据上下文解释成本增加。

7. 将估算与发票进行核对

请求遥测答案支出来自何处。提供商发票答案计费内容是什么。在共享粒度（例如提供商项目）上协调两者，型号、服务等级、货币和 UTC 计费日。

SELECT
  date_trunc('day', timestamp_utc) AS day,
  model,
  service_tier,
  pricing_version,
  COUNT(*) AS requests,
  ROUND(SUM(estimated_cost_usd), 4) AS estimated_cost_usd
FROM llm_request_completed
WHERE timestamp_utc >= now() - INTERVAL '30 days'
GROUP BY
  date_trunc('day', timestamp_utc),
  model,
  service_tier,
  pricing_version
ORDER BY day ASC, model ASC, service_tier ASC;

将发票总额存储在单独的财务控制数据集中，然后进行比较类似的时期。差异可能来自价格变化，不完整事件、积分、批量或优先处理、非代币工具、图像、音频、货币转换，或应用程序遥测中缺少提供商项目。不要仅仅为了强迫达成一致而“修复”事件历史；记录对账解释。

需要警惕什么

有用的告警包括：

每日预计支出高于预期预算；
高于测试阈值的每个接受输出的成本；
一种模型或功能的重试或失败次数增加；
提示或工具模式更改后缓存输入份额下降；
缓存写入增加，但没有相应的未来缓存读取优势；
一个提示版本或工作流程的推理令牌份额发生变化；
p95 延迟增加，而接受输出率保持平稳或下降；
使用事件到达时未识别 pricing_version。

后续步骤

使用完整的按功能划分的 LLM 成本 SQL 配方检查示例结果和仪表板设计。然后添加接受的人工智能产出每美元配方将产品价值与预计支出进行比较。

如需完整的实施路径，请继续了解 OpenAI 代理集成、LLM 成本跟踪模板和 AI代理遥测产品指南。这些页面将请求级成本数据与代理运行、工具调用、仪表板和保留的产品结果连接起来。

对于基础 API 形状，请参阅 OpenAI 开发者快速入门和回复 API 参考。

用你自己的事件试一试

跟踪您的第一个真实的 OpenAI 请求

向您的编码代理提供集中提示，运行一个真实模型请求，然后在 Telemetry 中验证其令牌、成本、延迟和结果。

构建我的 OpenAI 成本仪表板查看 OpenAI 成本跟踪设置

无需信用卡。自动创建明确标记的示例事件和准备运行的查询，因此不需要生产数据来评估工作流程。

1. 创建一个标记明确的示例事件
2. 打开准备运行的查询
3. 将结果保存到您的仪表板

页面作者和参考资料

Telemetry 编辑团队负责维护本文；产品团队审核功能行为、示例和适用范围。

我们如何审核文档

OpenTelemetry 生成式 AI 约定