模型消耗统计

---

name: model-usage-stats description: 模型消耗统计技能，用于统计和展示不同会话、不同模型的 token 使用量、成本统计和消耗报告，通过飞书消息卡片进行可视化展示。当用户请求查看模型消耗、token 统计、成本分析或消耗报告时使用。

---

模型消耗统计技能

统计和展示模型（LLM）的使用情况，包括 token 消耗、成本分析和消耗报告。

快速开始

使用此技能时，请按照以下流程操作：

1. 确认查询类型 - 当前会话统计 - 历史会话统计 - 按模型分组统计 - 导出消耗报告

2. 获取会话数据 - 使用 session_status 工具获取当前会话信息 - 使用 sessions_list 和 sessions_history 获取历史会话

3. 计算统计指标 - 输入 Token（input tokens） - 输出 Token（output tokens） - 总 Token 数量 - 成本（如果使用付费模型）

4. 通过飞书展示结果 - 使用 message 工具发送富文本消息卡片 - 使用表格展示数据 - 使用摘要和图表说明

核心指标

Token 消耗

输入 Token（input tokens）: 接收到的文本（系统提示、对话历史、用户消息）

输出 Token（output tokens）: 生成的回复内容

总 Token 数量: input + output

成本计算

根据模型定价计算成本：

zai/glm-4.7-flash: 约 $0.0001/1K input, $0.0003/1K output

stepfun/step-3.5-flash: 约 $0.0000/1K input, $0.0000/1K output（免费）

ollama/gemma4:26b-a4b-it-q4_K_M: 约 $0.0000/1K（本地运行，免费）

成本公式

总成本 = (输入 Token 数量 / 1000) × 输入单价 + (输出 Token 数量 / 1000) × 输出单价

使用流程

1. 查看当前会话消耗

# 获取当前会话状态
session_status(sessionKey="当前会话的 session key")
分析数据
总输入 Token
总输出 Token
总 Token 数量
总成本

2. 查看历史会话消耗

# 列出所有会话
sessions_list(limit=50)
获取会话详情
sessions_history(sessionKey="会话 ID", limit=100)
按时间范围筛选
sessions_list(activeMinutes=1440)  # 最近 24 小时
sessions_list(activeMinutes=10080) # 最近 7 天

3. 按模型分组统计

从历史会话数据中提取模型信息：

zai/glm-4.7-flash

stepfun/step-3.5-flash

ollama/gemma4:26b-a4b-it-q4_K_M

分别统计：

各模型的总 Token 数量

各模型的成本

各模型的使用次数

各模型占总消耗的百分比

4. 导出消耗报告

生成结构化报告，包含：

总体摘要（总 Token、总成本）

按时间范围统计（最近 1 天/7 天/30 天）

按模型分组统计

按会话分组统计（Top 10）

成本趋势分析

飞书消息卡片格式

摘要卡片

## 📊 模型消耗统计
总 Token 数量: {total_tokens}
总成本: ${total_cost}
会话数量: {session_count}
📈 按模型分组
| 模型 | Token 数量 | 成本 | 占比 |
|------|-----------|------|------|
| {model1} | {tokens1} | ${cost1} | {percent1}% |
| {model2} | {tokens2} | ${cost2} | {percent2}% |

历史会话卡片

## 📜 历史会话消耗（最近 {days} 天）
总体摘要
总 Token: {total_tokens}
总成本: ${total_cost}
活跃会话: {session_count}
Top 5 会话
| 排名 | 会话 ID | Token 数量 | 模型 | 成本 |
|------|---------|-----------|------|------|
| 1 | {session1} | {tokens1} | {model1} | ${cost1} |
| 2 | {session2} | {tokens2} | {model2} | ${cost2} |

详细报告卡片

## 📋 消耗报告（{start_date} - {end_date}）
1. 总体统计
{overall_summary}
2. 按模型统计
{by_model}
3. 按会话统计
{by_session}
4. 成本分析
{cost_analysis}

生成时间: {generation_time}
数据来源: OpenClaw 会话记录

常见查询场景

场景 1: "查看当前会话消耗"

## 📊 当前会话消耗统计
会话 ID: {session_id}
运行模型: {model_name}
开始时间: {start_time}
Token 使用情况
输入 Token: {input_tokens}
输出 Token: {output_tokens}
总 Token: {total_tokens}
成本统计
总成本: ${total_cost}
会话统计
消息数量: {message_count}
平均每条消息 Token: {avg_tokens_per_message}

场景 2: "查看最近 7 天的消耗统计"

## 📊 最近 7 天模型消耗统计
统计范围: 2026-04-06 - 2026-04-13
总体摘要
总 Token 数量: {total_tokens}
总成本: ${total_cost}
活跃会话: {session_count}
按模型分组
{model_table}
Top 10 会话
{top_sessions_table}

场景 3: "按模型对比成本"

## 🆚 模型成本对比
成本汇总
| 模型 | 使用次数 | 总 Token | 总成本 |
|------|---------|---------|--------|
| zai/glm-4.7-flash | {count1} | {tokens1} | ${cost1} |
| stepfun/step-3.5-flash | {count2} | {tokens2} | ${cost2} |
| ollama/gemma4:26b | {count3} | {tokens3} | ${cost3} |
成本占比
{cost_pie_chart}
推荐使用
根据成本和性能，推荐：
成本敏感: ollama/gemma4:26b（本地运行，免费）
高性能: zai/glm-4.7-flash（速度快，成本合理）
快速原型: stepfun/step-3.5-flash（免费，快速）

场景 4: "导出消耗报告"

生成文本文件，包含完整数据：

模型消耗统计报告
================
生成时间: 2026-04-13 10:52:00
统计范围: 2026-04-06 - 2026-04-13
1. 总体统计
   总 Token: {total_tokens}
   总成本: ${total_cost}
   会话数量: {session_count}
2. 按模型统计
   zai/glm-4.7-flash:
     - 使用次数: {count1}
     - 总 Token: {tokens1}
     - 总成本: ${cost1}
3. 按会话统计（Top 10）
   {session_list}
4. 成本趋势
   {cost_trend}

成本定价参考

云端模型

| 模型 | 输入单价 | 输出单价 | 备注 | |------|---------|---------|------| | zai/glm-4.7-flash | $0.0001/1K | $0.0003/1K | 快速响应 | | stepfun/step-3.5-flash | $0.0000/1K | $0.0000/1K | 免费 |

本地模型

| 模型 | 成本 | 备注 | |------|------|------| | ollama/gemma4:26b-a4b-it-q4_K_M | $0.0000 | 本地运行，免费 | | ollama/qwen3.5:27b-q4_K_M | $0.0000 | 本地运行，免费 | | ollama/qwen3.5:9b-q4_K_M | $0.0000 | 本地运行，免费 |

注意事项

1. Token 计算准确性: 使用 session_status 工具获取准确的 token 数据 2. 成本估算: 根据实际使用的模型定价计算成本 3. 数据范围: 明确查询的时间范围（最近 1 天/7 天/30 天/全部） 4. 飞书格式: 使用富文本表格和格式化，确保展示清晰 5. 隐私保护: 不泄露敏感信息，只展示统计数据

示例输出

## 📊 模型消耗统计（最近 7 天）
统计范围: 2026-04-06 - 2026-04-13
总 Token: 1,523,450
总成本: $0.457
活跃会话: 23
按模型分组
| 模型 | Token 数量 | 成本 | 占比 |
|------|-----------|------|------|
| zai/glm-4.7-flash | 1,200,000 | $0.360 | 78.8% |
| stepfun/step-3.5-flash | 200,000 | $0.000 | 13.1% |
| ollama/gemma4:26b | 123,450 | $0.000 | 8.1% |
Top 5 会话
| 排名 | 会话 ID | Token 数量 | 模型 | 成本 |
|------|---------|-----------|------|------|
| 1 | 91e404e8-2ebf-4abb-b0e9-2bbb8d14d61f | 450,000 | zai/glm-4.7-flash | $0.135 |
| 2 | 6af34b70-9b36-43f8-b7a6-d632d3f0a3f9 | 300,000 | zai/glm-4.7-flash | $0.090 |
| 3 | 116d1d76-ead4-41a9-857e-57899eb58386 | 250,000 | zai/glm-4.7-flash | $0.075 |
| 4 | b738c0e4-e3e0-46ab-987a-182a1b93be5e | 150,000 | zai/glm-4.7-flash | $0.045 |
| 5 | 27be1e65-5959-4843-8077-4bd55f12b525 | 173,450 | zai/glm-4.7-flash | $0.052 |

生成时间: 2026-04-13 10:52:00

辅助函数

计算成本

def calculate_cost(input_tokens, output_tokens, model):
    # 根据模型定价计算成本
    if model == "zai/glm-4.7-flash":
        input_cost = input_tokens / 1000 * 0.0001
        output_cost = output_tokens / 1000 * 0.0003
    elif model == "stepfun/step-3.5-flash":
        return 0  # 免费
    elif model.startswith("ollama"):
        return 0  # 本地运行，免费
    else:
        return 0
    return input_cost + output_cost

格式化数字

def format_number(num):
    # 格式化为千分位
    return "{:,}".format(int(num))

生成成本占比饼图

使用飞书消息卡片，可以手动绘制简单的饼图或使用文本表示：

zai/glm-4.7-flash: ████░░░░░░░░░░░░░░░░░░ 78.8%
stepfun/step-3.5-flash: ██░░░░░░░░░░░░░░░░░░ 13.1%
ollama/gemma4:26b: █░░░░░░░░░░░░░░░░░░░░░ 8.1%