企业官网建设流程全解析

TradingAgents-CN 使用统计与模型定价配置实战指南：从成本计算原理到多维计费分析

【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN

导读

本文聚焦 TradingAgents-CN（基于多智能体 LLM 的中文金融交易框架）内置的使用统计与定价配置能力，完整讲解"为每个大模型配置输入/输出 Token 价格、自动记录每次 API 调用成本、按供应商/模型/日期多维度分析计费"的完整链路。读完本文，你将掌握模型定价字段的含义与配置方法、成本计算公式的底层实现、使用统计服务与 API 端点的调用方式、前端使用统计页面的操作要点，以及成本控制与数据管理的最佳实践，可直接用于日常运维中的 LLM 成本监控与模型选型决策。

功能全景：一个可量化的多智能体成本管理体系

TradingAgents-CN 以多个 LLM 智能体协作完成股票分析任务，每次调用大模型都会产生 Token 消耗与费用。为了让开发者清楚掌握资金流向，项目实现了完整的三层能力（见 功能文档）：

1. 模型定价配置：为每个大模型配置输入/输出 Token 单价；
2. 使用统计：自动记录每次 API 调用的 Token 与成本，并实时聚合；
3. 计费分析：按供应商、模型、日期三个维度分析成本分布。

从实现总结可以看到，这套功能的后端由UsageStatisticsService服务层与usage_statistics路由组成，数据落库 MongoDB 的token_usage集合；前端则由UsageStatistics.vue统计页面与增强后的配置管理页面组成，技术栈为 FastAPI + MongoDB + Pydantic + Vue 3 + Element Plus + ECharts。

整体数据流如下：

用户操作（前端页面 UsageStatistics.vue / ConfigManagement.vue） ↓ API 调用（frontend/src/api/usage.ts） ↓ 后端路由（app/routers/usage_statistics.py，JWT 认证） ↓ 服务层（app/services/usage_statistics_service.py） ↓ MongoDB 数据库（token_usage 集合） ↓ 返回数据 → 前端渲染（概览卡片 / ECharts 图表 / 记录表格）

模型定价配置

数据模型：LLMConfig 的定价字段

定价信息与模型配置一体存储。在 app/models/config.py 中，LLMConfig模型在原有字段基础上扩展了三个定价字段：

class LLMConfig(BaseModel): provider: str = Field(default="openai", description="供应商标识（支持动态添加）") model_name: str = Field(..., description="模型名称/代码") # ... 原有字段（max_tokens、temperature、timeout、enabled 等）... input_price_per_1k: Optional[float] = Field(None, description="输入token价格(每1000个token)") output_price_per_1k: Optional[float] = Field(None, description="输出token价格(每1000个token)") currency: str = Field(default="CNY", description="货币单位(CNY/USD/EUR)")

参数说明：

在 API 请求层，LLMConfigRequest同步携带了这三个定价字段，因此通过配置管理接口创建或更新大模型配置时即可一并写入定价。底层 tradingagents/config/usage_models.py 中的PricingConfig数据类（provider、model_name、input_price_per_1k、output_price_per_1k、currency）则对应配置文件形态的定价记录。

界面操作：模型卡片与编辑对话框

在"配置管理 > 大模型配置"中，每个模型卡片会直接显示定价信息，便于快速核对：

┌─────────────────────────────────────┐ │ 🖥️ qwen-max ✅ 启用 │ ├─────────────────────────────────────┤ │ Token: 4000 │ │ 温度: 0.7 │ │ 超时: 60s │ ├─────────────────────────────────────┤ │ 💰 定价: │ │ 输入: 0.0200 CNY/1K │ │ 输出: 0.0600 CNY/1K │ └─────────────────────────────────────┘

点击"编辑"按钮弹出对话框（对应 LLMConfigDialog.vue），可配置：

• 输入价格（input_price_per_1k）：每 1000 个输入 token 的价格；
• 输出价格（output_price_per_1k）：每 1000 个输出 token 的价格；
• 货币单位（currency）：CNY（人民币）/ USD（美元）/ EUR（欧元）。

卡片展示逻辑位于 ConfigManagement.vue，定价字段未配置时按0.0处理，不会影响其他模型配置的正常保存与启用。

定价配置的落盘与同步机制

定价配置保存后，app/core/config_bridge.py 中的_sync_pricing_config(llm_configs)会将启用的模型定价同步到config/pricing.json，供底层 TradingAgents 核心库读取：

pricing_config = { "provider": llm_config.provider, "model_name": llm_config.model_name, "input_price_per_1k": llm_config.input_price_per_1k or 0.0, "output_price_per_1k": llm_config.output_price_per_1k or 0.0, "currency": llm_config.currency or "CNY" }

该函数只同步enabled=True的模型，且通过or 0.0兜底，保证未定价的模型写入0.0而不是null；同时提供sync_pricing_config_now()在配置更新后异步实时同步。这一机制保证了"数据库中的模型配置"与"底层核心库使用的 pricing.json"始终一致，是成本计算能够生效的前提。

使用统计界面

访问入口

使用统计页面挂载在设置模块下，路由定义见 frontend/src/router/index.ts（path: 'usage'，requiresAuth: true）。访问方式有两种：

1. 通过导航菜单：登录系统 → 点击"设置" → 选择"使用统计"；
2. 直接访问前端地址：http://localhost:5173/settings/usage（前端开发服务器默认端口）。

对应页面组件为 frontend/src/views/Settings/UsageStatistics.vue，顶部提供时间范围选择（最近 7 / 30 / 90 天）与刷新按钮。

统计概览：四个关键指标

页面顶部以卡片形式展示（UsageStatistics.vue）：

• 总请求数；
• 总输入 Token；
• 总输出 Token；
• 总成本（按货币分组显示，例如0.0200 ¥，支持多货币并存）。

其中总成本不再只依赖单一的total_cost字段，而是遍历cost_by_currency按货币符号分别展示，这对应后端统计模型中的"按货币统计成本"设计。

图表分析：三个维度

页面中部使用 ECharts 渲染三张图表：

1. 按供应商统计（饼图）：展示各供应商的成本占比，快速识别主要成本来源；
2. 按模型统计（柱状图）：展示成本排名前 10 的模型，便于横向对比不同模型的使用成本；
3. 每日成本趋势（折线图）：展示每日成本变化曲线，用于分析成本随时间的走势与异常波动。

使用记录表格

页面底部为详细的使用记录表格，逐条列出每次 API 调用：时间、供应商、模型、输入/输出 Token、成本、分析类型、会话 ID。支持分页加载（limit默认 100，最大 1000）与"清理旧记录"操作，避免历史数据无限膨胀。

后端技术实现：服务、API 与数据模型

使用统计服务（UsageStatisticsService）

核心服务实现位于 app/services/usage_statistics_service.py，类方法清单如下：

class UsageStatisticsService: async def add_usage_record(record: UsageRecord) -> bool # 添加使用记录 async def get_usage_records(provider, model_name, start_date, end_date, limit=100) -> List[UsageRecord] async def get_usage_statistics(days=7, provider, model_name) -> UsageStatistics async def get_cost_by_provider(days=7) -> Dict[str, float] # 按供应商统计成本 async def get_cost_by_model(days=7) -> Dict[str, float] # 按模型统计成本 async def get_daily_cost(days=7) -> Dict[str, float] # 每日成本统计 async def delete_old_records(days=90) -> int # 删除旧记录

实现要点（可从源码确认）：

• 集合与存储：服务统一使用 MongoDB 的token_usage集合，与 TradingAgents 核心库保持一致的命名；add_usage_record通过record.model_dump(exclude={"id"})序列化后写入。
• 多维聚合逻辑：get_usage_statistics在内存中通过defaultdict同时维护by_provider、by_model、by_date三套聚合（每套含requests、input_tokens、output_tokens、cost及按货币细分的cost_by_currency）；by_model的键采用"{provider}/{model_name}"格式，避免不同供应商的同名模型混淆；by_date通过截取时间戳前 10 位（YYYY-MM-DD）实现按天分组。
• 查询过滤：get_usage_records与get_usage_statistics均支持按provider、model_name过滤，统计接口还支持按days限定时间窗口，记录查询按timestamp倒序返回。
• 数据保留：delete_old_records(days=90)删除早于now - days的记录，用于定期清理历史数据。

API 端点一览

路由定义见 app/routers/usage_statistics.py，全部挂载在/api/usage前缀下，并在 app/main.py 中通过app.include_router(usage_statistics.router, tags=["usage-statistics"])注册进 FastAPI 应用：

安全细节：所有端点都通过Depends(get_current_user)要求 JWT 登录认证（auth_db）；days被约束在 1-365，limit被约束在 1-1000，DELETE /records/old的保留天数被约束在 30-365，从参数层面防止越权或误操作。

数据模型：UsageRecord 与 UsageStatistics

使用记录模型 UsageRecord：

class UsageRecord(BaseModel): """使用记录""" id: Optional[str] = Field(None, description="记录ID") timestamp: str = Field(..., description="时间戳") provider: str = Field(..., description="供应商") model_name: str = Field(..., description="模型名称") input_tokens: int = Field(..., description="输入token数") output_tokens: int = Field(..., description="输出token数") cost: float = Field(..., description="成本") currency: str = Field(default="CNY", description="货币单位") session_id: str = Field(..., description="会话ID") analysis_type: str = Field(default="stock_analysis", description="分析类型") stock_code: Optional[str] = Field(None, description="股票代码")

统计模型 UsageStatistics：

class UsageStatistics(BaseModel): """使用统计""" total_requests: int = Field(default=0, description="总请求数") total_input_tokens: int = Field(default=0, description="总输入token数") total_output_tokens: int = Field(default=0, description="总输出token数") total_cost: float = Field(default=0.0, description="总成本（已废弃，使用 cost_by_currency）") cost_by_currency: Dict[str, float] = Field(default_factory=dict, description="按货币统计的成本") by_provider: Dict[str, Any] = Field(default_factory=dict, description="按供应商统计") by_model: Dict[str, Any] = Field(default_factory=dict, description="按模型统计") by_date: Dict[str, Any] = Field(default_factory=dict, description="按日期统计")

注意total_cost字段已标注"已废弃"，取而代之的是cost_by_currency——当系统内同时存在 CNY 与 USD 定价的模型时，成本会按货币分别累加，避免把不同币种直接相加造成错误。这是阅读统计响应时需要留意的关键差异。

成本计算原理与自动记录链路

成本计算公式

按 功能文档 中的说明与 analysis_service.py 的实现：

成本 = (输入 tokens / 1000) × 输入价格 + (输出 tokens / 1000) × 输出价格

即：输入与输出 Token 分别按各自单价折算为"每 1K Token"的费用后求和。示例：若某次调用消耗输入 2000 tokens、输出 1000 tokens，模型定价为输入 0.02 CNY/1K、输出 0.06 CNY/1K，则成本为(2000/1000)×0.02 + (1000/1000)×0.06 = 0.10元。

自动记录：分析完成后的埋点

每次股票分析完成后，analysis_service.py 的_record_token_usage会自动完成"取数 → 定价 → 计算 → 入库"的完整链路：

# 1. 从分析结果提取 token 使用量（无数据时按分析类型估算） input_tokens = result.tokens_used // 2 if result.tokens_used > 0 else 0 output_tokens = result.tokens_used - input_tokens if result.tokens_used > 0 else 0 if result.tokens_used == 0: input_tokens, output_tokens = 2000, 1000 # 默认估算 # 2. 查找对应 LLM 配置，取定价字段 cost = (input_tokens / 1000 * input_price) + (output_tokens / 1000 * output_price) # 3. 组装 UsageRecord 并写入 MongoDB usage_record = UsageRecord( timestamp=datetime.now().isoformat(), provider=provider, model_name=model_name, input_tokens=input_tokens, output_tokens=output_tokens, cost=cost, currency=currency, session_id=task.task_id, analysis_type="stock_analysis", stock_code=task.symbol ) await self.usage_service.add_usage_record(usage_record)

几点需要说明的事实与限制：

• Token 来源：当前实现优先从 LLM 响应中提取实际 token 使用量（result.tokens_used）；若拿不到，则使用估算值（输入 2000 / 输出 1000）。因此统计数字在部分场景下是估算结果，仅供参考，不代表供应商账单的精确值。
• 无定价时的行为：若模型中未配置input_price_per_1k/output_price_per_1k，价格按0.0参与计算，该次调用成本记为0，不影响整体流程。
• 货币单位：成本记录携带currency字段，默认 CNY，统计时按货币分组展示。
• 数据延迟：统计基于 MongoDB 中的历史记录实时聚合，数据写入与查询之间存在几秒延迟，属于正常现象。

成本计算的测试验证

仓库提供了成本计算正确性的验证用例 tests/test_deepseek_cost_calculation.py，以 DeepSeek（输入 0.0014/1K、输出 0.0028/1K）为例，断言计算误差小于0.000001：

expected_cost = (input_tokens / 1000) * 0.0014 + (output_tokens / 1000) * 0.0028 # cost == expected_cost（误差 < 1e-6）

其中一组用例直接采用真实分析场景的 token 数（输入 2617 / 输出 312），说明该公式已用真实调用数据校准过。此外 examples/token_tracking_demo.py 提供display_pricing_info()演示函数，可按供应商分组打印当前定价配置（输入/输出单价），适合在配置完成后快速核对。

前端调用与 API 使用示例

前端 API 封装

前端封装位于 frontend/src/api/usage.ts，提供了与后端一一对应的 6 个函数：

// 获取使用统计 export function getUsageStatistics(params?: { days?: number provider?: string model_name?: string }): Promise<ApiResponse<UsageStatistics>> { return ApiClient.get<UsageStatistics>('/api/usage/statistics', params) } // 按供应商统计成本 export function getCostByProvider(days: number = 7) { /* GET /api/usage/cost/by-provider */ } // 按模型统计成本 export function getCostByModel(days: number = 7) { /* GET /api/usage/cost/by-model */ } // 每日成本统计 export function getDailyCost(days: number = 7) { /* GET /api/usage/cost/daily */ } // 获取使用记录（支持 provider/model_name/start_date/end_date/limit） export function getUsageRecords(params?) { /* GET /api/usage/records */ } // 删除旧记录 export function deleteOldRecords(days: number = 90) { /* DELETE /api/usage/records/old */ }

通过 API 配置模型定价

按 功能文档 的示例，可通过配置服务更新模型定价（对应LLMConfigRequest中的定价字段）：

# 通过 API 更新模型配置（定价字段与模型配置一起提交） llm_config = { "provider": "dashscope", "model_name": "qwen-max", "input_price_per_1k": 0.02, # 2分/1K tokens "output_price_per_1k": 0.06, # 6分/1K tokens "currency": "CNY" } await config_service.update_llm_config(llm_config)

查询使用统计

# 获取最近 7 天的统计 stats = await usage_statistics_service.get_usage_statistics(days=7) print(f"总请求数: {stats.total_requests}") print(f"总成本: ¥{stats.total_cost:.4f}") # 按供应商统计 for provider, data in stats.by_provider.items(): print(f"{provider}: ¥{data['cost']:.4f}")

注意：当存在多币种记录时，应优先遍历stats.cost_by_currency查看各币种成本，而不是依赖已废弃的total_cost。

前端调用示例

// 获取使用统计（前端组件内部调用） import { getUsageStatistics } from '@/api/usage' const stats = await getUsageStatistics({ days: 7 }) console.log('总成本:', stats.data.data.total_cost)

最佳实践与运维建议

定价配置建议

• 及时更新：供应商调整价格后及时更新对应模型的定价配置，避免统计失真；
• 统一货币：建议统一使用人民币（CNY）便于汇总统计；若必须混用多币种，请利用cost_by_currency分组查看；
• 精确配置：价格精确到小数点后 4 位（如0.0200），前端卡片按 4 位小数展示。

成本控制

• 定期查看：每周查看使用统计（7 / 30 / 90 天时间范围一键切换），了解成本趋势；
• 识别高成本：通过"按模型统计"柱状图快速定位成本最高的模型，通过"按供应商统计"饼图判断成本来源；
• 优化选择：结合分析质量与成本，在低价模型与高价模型之间做取舍（可参考配置中的模型能力分级字段辅助决策）。

数据管理

• 定期清理：通过DELETE /api/usage/records/old?days=90清理 90 天前的旧记录，或直接在统计页面点击"清理旧记录"（保留天数下限 30 天）；
• 导出备份：重要数据可调用GET /api/usage/records分批导出备份；
• 监控异常：关注每日成本趋势折线图，发现成本异常增长时及时排查（如某供应商配额耗尽导致的频繁重试）。

安全与注意事项

安全说明

• 使用记录存储在 MongoDB 的token_usage集合中；
• 所有统计与记录接口均要求登录认证（JWT），只有登录用户可查看统计数据；
• 定价信息与模型配置一体存储于 MongoDB，随配置权限体系受控；
• 支持按用户权限控制访问，接口层统一走get_current_user依赖校验。

注意事项

1. 自动记录：TradingAgents 核心库与分析服务会自动记录每次 API 调用，无需手动埋点；
2. 成本计算：成本 = (输入 tokens / 1000) × 输入价格 + (输出 tokens / 1000) × 输出价格，与测试用例中的公式一致；
3. 货币转换：系统不自动转换货币，请手动配置统一货币；多币种并存时按货币分组统计；
4. 数据延迟：统计数据可能存在几秒延迟，实时性敏感场景需自行权衡；
5. Token 估算：在拿不到 LLM 响应中的实际 token 数时，系统使用默认估算值（输入 2000 / 输出 1000），此时成本仅供参考。

未来计划

从 功能文档 与实现总结看，该模块规划中的增强方向包括：成本预警功能、成本预算管理、更多图表类型、导出统计报表（Excel/PDF）、自定义时间范围、成本优化建议、多用户成本分摊、实时成本监控。

延伸阅读

• 功能文档：使用统计与定价配置
• 实现总结：使用统计与定价配置功能
• 使用统计前端访问指南
• 使用统计快速测试说明
• 模型定价指南
• Token 跟踪指南
• 货币单位配置指南

【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN