AI ایجنٹ کی لاگت کا اندازہ کیسے لگائیں

ایک AI ایجنٹ ایک درخواست نہیں بھیجتا — وہ درجنوں بھیجتا ہے، اور ہر قدم بڑھتی ہوئی گفتگو دوبارہ بھیجتا ہے۔ اسی لیے ایجنٹ کے بلوں میں ان پٹ ٹوکنز کا غلبہ ہوتا ہے، اور اسی لیے چیٹ ایپس کا "فی جواب قیمت" کا اندازہ کام نہیں کرتا۔ یہاں بتایا گیا ہے کہ ایجنٹ چلنے سے پہلے لاگت کا اندازہ کیسے لگایا جائے، اور پیسہ اصل میں کہاں جاتا ہے۔

فارمولا#

ایک درخواست کی لاگت ان پٹ ٹوکنز ضرب ان پٹ قیمت جمع آؤٹ پٹ ٹوکنز ضرب آؤٹ پٹ قیمت ہے۔ قیمتیں فی ملین ٹوکن بتائی جاتی ہیں:

request_cost = input_tokens / 1,000,000 × input_price
             + output_tokens / 1,000,000 × output_price

کسی کام کی لاگت اس کے حل کے دوران ایجنٹ کی تمام درخواستوں کا مجموعہ ہے۔

ایجنٹ ان پٹ سے بھاری کیوں ہوتے ہیں#

ہر قدم پر ایجنٹ ماڈل کو بھیجتا ہے:

• سسٹم پرامپٹ اور ٹول کی تعریفیں؛
• اب تک کی پوری تاریخ — پچھلے پیغامات، ماڈل کے سابقہ جوابات اور ٹول کے نتائج (فائل کے مندرجات، کمانڈ آؤٹ پٹ، تلاش کے نتائج)؛
• نئی ہدایت۔

ماڈل عام طور پر ایک مختصر پیغام یا ٹول کال کے ساتھ جواب دیتا ہے۔ پھر ٹول کا نتیجہ تاریخ میں شامل ہو جاتا ہے اور اگلا قدم سب کچھ دوبارہ بھیجتا ہے۔ اس طرح ہر قدم کا ان پٹ بڑھتا ہے، جبکہ آؤٹ پٹ چھوٹا رہتا ہے۔

ایک حل شدہ مثال#

شرائط (مفروضات — انہیں اپنے ایجنٹ کے اعداد و شمار سے بدلیں):

• سسٹم پرامپٹ اور ٹول کی تعریفیں: 6,000 ٹوکن؛
• ہر قدم تاریخ میں 1,500 ٹوکن ٹول نتائج اور 500 ٹوکن ماڈل آؤٹ پٹ شامل کرتا ہے؛
• کام میں 30 قدم لگتے ہیں؛
• ماڈل: DeepSeek-V4-Flash $0.0221 فی 1M ان پٹ ٹوکن اور $0.10 فی 1M آؤٹ پٹ ٹوکن پر (موجودہ قیمتیں)۔

قدم n کا ان پٹ 6,000 + (n − 1) × 2,000 ٹوکن ہے۔ 30 قدموں میں:

• کل ان پٹ: 30 × 6,000 + 2,000 × (0 + 1 + … + 29) = 180,000 + 870,000 = 1,050,000 ٹوکن؛
• کل آؤٹ پٹ: 30 × 500 = 15,000 ٹوکن؛
• لاگت: 1.05 × $0.0221 + 0.015 × $0.10 ≈ $0.0247 فی کام۔

ان پٹ ٹوکنز کا 98.6% اور تقریباً پوری لاگت ہے۔ ان پٹ کا غلبہ کس حد تک ہوتا ہے یہ منظر نامے پر منحصر ہے: لمبے جوابات، تیار کردہ فائلیں اور استدلال ماڈلز آؤٹ پٹ کا حصہ بڑھاتے ہیں، جبکہ مختصر کی گئی تاریخ اور مختصر ٹول آؤٹ پٹ ان پٹ کا حصہ کم کرتے ہیں۔

موجودہ قیمتوں پر ہر ماڈل پر وہی کام، موازنے کے لیے OpenRouter کی حوالہ قیمتوں کے ساتھ:

کوڈ میں اندازہ لگائیں#

وہی حساب بطور فنکشن — مفروضات اور قیمتیں بدلیں:

def estimate(steps, base_tokens, tool_tokens, out_tokens, price_in, price_out):
    """Token totals and cost of one agent task. Prices: $ per 1M tokens."""
    grow = tool_tokens + out_tokens            # what each step adds to the history
    total_in = steps * base_tokens + grow * steps * (steps - 1) // 2
    total_out = steps * out_tokens
    cost = (total_in * price_in + total_out * price_out) / 1_000_000
    return total_in, total_out, round(cost, 5)

# example rates, $ per 1M tokens — put in the current ones from the pricing table below
print(estimate(30, 6_000, 1_500, 500, price_in=0.10, price_out=0.40))
# (1050000, 15000, 0.111)

چوکور اصطلاح پر غور کریں: قدموں کی تعداد دوگنی کرنے سے ان پٹ تقریباً چار گنا ہو جاتا ہے۔ لمبے سیشن مہنگے ہوتے ہیں، کسی ایک قدم کی وجہ سے نہیں، بلکہ اس لیے کہ ہر قدم پوری تاریخ اٹھاتا ہے۔

اندازہ لگانے کے بجائے پیمائش کریں#

ہر جواب میں usage.prompt_tokens (ان پٹ) اور usage.completion_tokens (آؤٹ پٹ) شامل ہوتے ہیں۔ کسی حقیقی کام کے ہر قدم کے لیے انہیں لاگ کریں، موجودہ ریٹ سے ضرب دیں، اور آپ کے پاس اصل لاگت ہوگی۔ ڈیش بورڈ ماڈل اور دن کے لحاظ سے استعمال بھی دکھاتا ہے۔

موجودہ ریٹ — قیمتوں کے صفحے پر موجود وہی ڈیٹا:

لاگت کم کرنے کے سات طریقے#

1. غیر متعلقہ کام کے لیے نیا کام شروع کریں۔ ایک تازہ سیشن پچھلے کی تاریخ نہیں اٹھاتا۔
2. ایجنٹ کو ٹکڑے دیں، پوری فائلیں نہیں۔ 3,000 سطروں والے ماڈیول کے بجائے ایک فنکشن اور اس کے کال کرنے والے۔
3. ٹول آؤٹ پٹ مختصر کریں۔ لمبے لاگز اور کمانڈ آؤٹ پٹ سیشن کے باقی حصے تک تاریخ میں رہتے ہیں — انہیں محدود کریں، مثلاً | tail -n 50 کے ساتھ۔
4. لمبے سیشنوں کا خلاصہ کریں۔ بہت سے ایجنٹ تاریخ کو کمپیکٹ کر سکتے ہیں؛ سیاق و سباق لمبا ہونے سے پہلے اسے استعمال کریں۔
5. جواب کی لمبائی محدود کریں max_tokens کے ساتھ جہاں لمبے جوابات کی ضرورت نہ ہو۔
6. قدم کے لیے صحیح ماڈل استعمال کریں۔ معمولی قدموں کو استدلال ماڈل کی ضرورت نہیں۔
7. پری پیڈ بجٹ رکھیں۔ بیلنس پری پیڈ ہے: ختم ہونے پر، درخواستیں کھلا بل بڑھانے کے بجائے HTTP 402 کے ساتھ رک جاتی ہیں۔

یہ دیکھنے کے لیے کہ وہی کام ماڈلز میں اور OpenRouter کے ساتھ کیسے موازنہ کرتا ہے، ہوم پیج پر لاگت کا موازنہ استعمال کریں۔