---
title: "تسجيل استخدام LLM: التكلفة لكل مستخدم وميزة بلا بيانات شخصية"
description: "سجّل كل استدعاء لـ LLM API بالرموز والتكلفة وزمن الاستجابة ومعرّف الطلب، ووزّع الإنفاق على المستخدمين والميزات، واحجب البيانات الشخصية قبل الكتابة. مع شيفرة Python."
url: https://broadrouter.com/ar/blog/llm-api-usage-logging/
lang: ar
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

تُرجمت هذه الصفحة من الإنجليزية بمساعدة الذكاء الاصطناعي. [اقرأ الأصل الإنجليزي](https://broadrouter.com/blog/llm-api-usage-logging/) (حُدّث في 2026-11-14).

# تسجيل استخدام LLM API: التكلفة لكل مستخدم وميزة وحجب البيانات

بقلم فريق BroadNet Inference · قراءة في 4 دقائق · تاريخ النشر 2026-11-14

أحِط كل استدعاء لـ LLM بدالة واحدة تسجّل النموذج، والميزة، ومعرّف المستخدم مُجزّأً، ورموز الأمر والمخزَّنة مؤقتًا والاستدلال المنطقي والإخراج، والتكلفة، وزمن الاستجابة، والحالة، ومعرّف الطلب لدى المزوّد. احسب التكلفة من جدول أسعار، لا من الفاتورة. سجّل البيانات الوصفية افتراضيًا؛ وإن اضطررت للاحتفاظ بنص الأمر، فاحجب بياناته الشخصية قبل الكتابة واجعل مدة الاحتفاظ قصيرة.

## أبرز النقاط

-   دالة إحاطة واحدة، وسطر سجلّ واحد لكل استدعاء: النموذج، والميزة، والمستخدم المُجزّأ، وأعداد الرموز، والتكلفة، وزمن الاستجابة، والحالة، ومعرّف الطلب.
-   احسب تكلفة كل استدعاء من كتلة usage ومن جدول أسعار: فالمدخلات الجديدة والمدخلات المخزَّنة مؤقتًا والمخرجات لها أسعار مختلفة.
-   جزّئ معرّفات المستخدمين بـ HMAC بمفتاح سري، لتجمّع حسب المستخدم دون تخزين هويته.
-   سجّل البيانات الوصفية افتراضيًا. فنص الأمر هو خطر البيانات الشخصية الرئيسي؛ احجبها قبل الكتابة، لا بعدها أبدًا.
-   الحجب بالتعابير النمطية وبالتعرّف على الكيانات المسمّاة (NER) كلاهما يفوّت أشياء. اعتبرهما طبقة، لا ضمانًا.

**في هذه الصفحة**

1.  ماذا تسجّل لكل استدعاء لـ LLM؟
2.  كيف تحسب تكلفة كل استدعاء؟
3.  كيف تبدو دالة الإحاطة للتسجيل؟
4.  كيف توزّع التكلفة على المستخدمين والميزات؟
5.  كيف تُبقي البيانات الشخصية خارج سجلات LLM؟
6.  أين تناسب BroadNet Inference

تخبرك لوحات تحكم المزوّدين بما أنفقته. لكنها نادرًا ما تخبرك **أي ميزة** أو **أي عميل** أنفقه، ولا تستطيع أن تخبرك لماذا قفزت الفاتورة يوم الثلاثاء. أما سجلّ الاستخدام الخاص بك فيستطيع. يعرض هذا المقال مخطط السجل، ودالة إحاطة تملؤه، وكيف تحسب تكلفة كل استدعاء، وكيف تُبقي البيانات الشخصية خارجه. أما ما تفعله بالأرقام فمشروح في مواضع أخرى: [التكلفة لكل مستخدم وتسعير SaaS](https://broadrouter.com/ar/blog/llm-cost-per-user-saas/) و[الميزانيات وحراس الحلقات](https://broadrouter.com/ar/blog/llm-api-spend-control/).

## ماذا تسجّل لكل استدعاء لـ LLM؟

صف واحد لكل محاولة، بما في ذلك إعادة المحاولات:

| الحقل | مثال | السبب |
| --- | --- | --- |
| `ts` | 2026-11-14T09:12:03Z | السلاسل الزمنية، والجداول الزمنية للحوادث |
| `feature` | `support_reply` | التكلفة لكل ميزة |
| `user_hash` | `hmac:4f1c…` | التكلفة لكل مستخدم دون تخزين هويته |
| `tenant` | `acme` | التكلفة لكل عميل في تطبيقات B2B |
| `model` | broadnet/deepseek-v4.1-flash | البحث عن السعر، والمقارنة بين النماذج |
| `prompt_tokens` | 18,240 | تكلفة المدخلات |
| `cached_tokens` | 16,384 | المدخلات المخزَّنة مؤقتًا أرخص؛ تتبّع [نسبة التخزين المؤقت](https://broadrouter.com/ar/blog/cached-input-tokens-explained/) |
| `reasoning_tokens` | 612 | تكلفة مخرجات مخفية في نماذج الاستدلال المنطقي |
| `completion_tokens` | 1,104 | تكلفة المخرجات (تشمل الاستدلال المنطقي) |
| `cost_usd` | محسوبة | الرقم الذي يطلبه قسم المالية |
| `latency_ms`، `ttft_ms` | 4,210 / 690 | تراجعات الأداء |
| `status` | 200، 429، 503 | معدلات الأخطاء وإعادة المحاولة |
| `request_id` | قيمة `X-Request-ID` | تذاكر الدعم ونزاعات الفواتير |
| `prompt_version` | `support-v14` | يربط تغيّرات التكلفة بتغيّرات الأمر |

لا نص للأمر، ولا نص للإجابة. فهذان يأتيان لاحقًا، ومع الحجب فقط.

## كيف تحسب تكلفة كل استدعاء؟

اقرأ كتلة usage وسعّر كل نوع من [الرموز](https://broadrouter.com/ar/glossary/input-and-output-tokens/) على حدة. تنشر BroadNet أسعارًا مقروءة آليًا في [pricing.json](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-llm-api-usage-logging&utm_content=body)، بأسعار لكل مليون رمز للمدخلات والمدخلات المخزَّنة مؤقتًا والمخرجات لكل نموذج:

```python
import json, urllib.request

PRICES = {m["id"]: m for m in json.load(urllib.request.urlopen("https://inference.broadnet.ai/pricing.json"))["models"]}

def call_cost(model: str, usage) -> float:
    p = PRICES[model]
    details = getattr(usage, "prompt_tokens_details", None)
    cached = (getattr(details, "cached_tokens", 0) or 0) if details else 0
    new_input = usage.prompt_tokens - cached
    return (
        new_input * (p.get("input_per_m") or 0)
        + cached * (p.get("cached_input_per_m") or p.get("input_per_m") or 0)
        + usage.completion_tokens * (p.get("output_per_m") or 0)
    ) / 1_000_000
```

خزّن ملف الأسعار مؤقتًا وحدّثه يوميًا بدلًا من جلبه مع كل استدعاء. وهناك خطآن سهلا الوقوع: تسعير الرموز المخزَّنة مؤقتًا كمدخلات جديدة (يضخّم التكلفة)، ونسيان أن رموز الاستدلال المنطقي مضمّنة أصلًا في `completion_tokens` (فلا تضفها مرتين).

## كيف تبدو دالة الإحاطة للتسجيل؟

```python
import hashlib, hmac, os, time, logging
from openai import OpenAI

log = logging.getLogger("llm.usage")
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
HASH_KEY = os.environ["USAGE_HASH_KEY"].encode()

def user_hash(user_id: str) -> str:
    return "hmac:" + hmac.new(HASH_KEY, user_id.encode(), hashlib.sha256).hexdigest()[:16]

def chat(*, feature: str, user_id: str, prompt_version: str, **kwargs):
    t0 = time.perf_counter()
    row = {"feature": feature, "user_hash": user_hash(user_id),
           "model": kwargs["model"], "prompt_version": prompt_version}
    try:
        raw = client.chat.completions.with_raw_response.create(**kwargs)
        resp = raw.parse()
        u = resp.usage
        d = getattr(u, "completion_tokens_details", None)
        row.update(
            status=200,
            request_id=raw.headers.get("x-request-id"),
            prompt_tokens=u.prompt_tokens,
            cached_tokens=getattr(getattr(u, "prompt_tokens_details", None), "cached_tokens", 0) or 0,
            reasoning_tokens=(getattr(d, "reasoning_tokens", 0) or 0) if d else 0,
            completion_tokens=u.completion_tokens,
            cost_usd=round(call_cost(kwargs["model"], u), 6),
        )
        return resp
    except Exception as e:
        row.update(status=getattr(e, "status_code", "error"),
                   request_id=getattr(getattr(e, "response", None), "headers", {}).get("x-request-id"))
        raise
    finally:
        row["latency_ms"] = int((time.perf_counter() - t0) * 1000)
        log.info("llm_call", extra={"llm": row})
```

يمنحك `with_raw_response` الترويسات، فتحتفظ بـ `X-Request-ID`. وللاستدعاءات المتدفقة، أضف `stream_options={"include_usage": True}` واملأ الصف من الجزء الأخير، كما يبيّن [مقال التدفق عبر SSE](https://broadrouter.com/ar/blog/llm-streaming-sse-explained/). واحفظ `HASH_KEY` سريًا وثابتًا: فالمستخدم نفسه يُحوَّل دائمًا إلى القيمة المُجزّأة نفسها، لكن لا يمكن عكسها دون المفتاح.

## كيف توزّع التكلفة على المستخدمين والميزات؟

مع الصفوف السابقة في أي مخزن SQL، يصبح التوزيع استعلامًا واحدًا:

```sql
SELECT feature, model,
       count(*)                          AS calls,
       sum(cost_usd)                     AS cost,
       sum(cached_tokens)::float / nullif(sum(prompt_tokens), 0) AS cache_rate,
       avg(completion_tokens)            AS avg_out
FROM llm_calls
WHERE ts >= now() - interval '7 days'
GROUP BY feature, model
ORDER BY cost DESC;
```

استبدل `feature` بـ `user_hash` أو `tenant` لحساب التكلفة لكل عميل. وثلاث متابعات تؤتي ثمارها سريعًا:

1.  **أعلى 1% من المستخدمين تكلفةً.** غالبًا حلقة واحدة أو روبوت. وانخفاض `cache_rate` هو الإنذار المبكر الآخر؛ وتُظهر [حاسبة التخزين المؤقت للأوامر](https://broadrouter.com/tools/prompt-caching-calculator/) قيمة كل نقطة من نسبة التخزين المؤقت.
2.  **التكلفة لكل نتيجة ناجحة**، لا لكل استدعاء: اربطها بأحداث النجاح لديك.
3.  **حصة إعادة المحاولات.** تُظهر الصفوف ذات الحالة 429 أو 5xx كم تنفق على الإخفاقات؛ راجع [التعامل مع أخطاء 429](https://broadrouter.com/ar/blog/handle-llm-api-429-rate-limits/).

## كيف تُبقي البيانات الشخصية خارج سجلات LLM؟

أكثر السجلات أمانًا هو الذي لا يحوي نص الأمر إطلاقًا. وحين تحتاج إلى النص، للتصحيح أو للتقييم، فاتبع هذه الخطوات بالترتيب:

1.  **خذ عيّنة.** احتفظ بالنص لنسبة صغيرة من الاستدعاءات وللإخفاقات، لا لكل شيء.
2.  **احجب قبل الكتابة.** شغّل الحجب في العملية التي تكتب السجل. فالحجب لاحقًا يعني أن النص الخام موجود أصلًا على القرص وفي النسخ الاحتياطية.
3.  **ادمج طبقات من أدوات الكشف.** التعابير النمطية للبيانات المنظَّمة، وأداة للتعرّف على الكيانات المسمّاة للأسماء والعناوين.
4.  **خزّنها منفصلة.** ضع النص في جدول أو حاوية تخزين مختلفة بصلاحيات وصول أشد ومدة احتفاظ قصيرة، مربوطة بـ `request_id`.
5.  **لا تسجّل الأسرار أبدًا.** تُدرج OWASP Logging Cheat Sheet رموز الوصول وكلمات المرور ومفاتيح التشفير ضمن البيانات التي يجب استبعادها؛ و[مفتاح API](https://broadrouter.com/ar/glossary/api-key/) ينتمي إلى تلك القائمة.

طبقة تعابير نمطية بسيطة:

```python
import re
PATTERNS = [
    (re.compile(r"[\w.+-]+@[\w-]+\.[\w.-]+"), "[EMAIL]"),
    (re.compile(r"\+?\d[\d\s().-]{7,}\d"), "[PHONE]"),
    (re.compile(r"\b(?:\d[ -]?){13,19}\b"), "[CARD]"),
    (re.compile(r"\b(sk|key|bearer)[-_ ]?[A-Za-z0-9]{16,}\b", re.I), "[SECRET]"),
]
def redact(text: str) -> str:
    for pat, label in PATTERNS:
        text = pat.sub(label, text)
    return text
```

تلتقط هذه الطبقة الحالات الواضحة وتفوّت الأسماء والعناوين وأي شيء غير مألوف. ويضيف [Microsoft Presidio](https://github.com/microsoft/presidio) التعرّف على الكيانات لهذه الحالات، ويقول ملف README الخاص به صراحة إنه لا ضمان بأنه سيجد كل المعلومات الحساسة. فخطّط للحالات الفائتة: مدة الاحتفاظ القصيرة والصلاحيات المحكمة تحدّان من الضرر حين يتسرّب شيء.

## أين تناسب BroadNet Inference

تعيد BroadNet Inference كتلة usage مع الرموز المخزَّنة مؤقتًا ورموز الاستدلال المنطقي حين يُبلغ النموذج عنها، و`X-Request-ID` في كل استجابة، وملف أسعار عامًا يمكنك تحميله لحساب التكلفة. ومن جهتها، تُعالَج الأوامر والإجابات لأجل الطلب ولا يُحتفظ بها؛ ولا تحتفظ إلا بسجلات خالية من المحتوى مثل التوقيتات وأعداد الرموز والتكلفة ([كيف يعمل عدم الاحتفاظ بالبيانات](https://broadrouter.com/ar/privacy/)). وهذا يجعل سجلاتك أنت النسخة الوحيدة من أي نص أمر، فقواعد الحجب السابقة هي التي تحدّد مدة احتفاظك الفعلية. ولا تحوي طلبات المحادثة في BroadNet حقلًا للبيانات الوصفية لكل مستخدم، فالتوزيع يتم في دالة الإحاطة لديك. وللميزانيات المنفصلة لكل فريق، استخدم مفاتيح منفصلة؛ ويتناول [دليل المفاتيح](https://broadrouter.com/ar/guides/api-keys-ip-allow-lists/) التسميات وقوائم السماح.

أدوات مجانية لهذا الموضوع (بالإنجليزية)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[أدوات مجانية (بالإنجليزية)](https://broadrouter.com/tools/)

## مصطلحات في هذا المقال

[الرمز (التوكن، Token)](https://broadrouter.com/ar/glossary/token/)

الرمز (التوكن) هو وحدة النص التي يقرؤها نموذج اللغة ويكتبها: كلمة، أو جزء من كلمة، أو علامة ترقيم، أو تسلسل بايتات ينتجه مجزّئ النموذج (tokenizer). وتَعُدّ واجهات LLM API الاستهلاك بالرموز، وتضع حدودها بها، وتحتسب تكلفتها بها عادةً.

[معلومات التعريف الشخصية (PII)](https://broadrouter.com/ar/glossary/pii/)

معلومات التعريف الشخصية (PII) هي معلومات يمكن استخدامها لتمييز هوية شخص أو تتبّعها، مثل الاسم أو رقم الهوية أو السجل البيومتري، إضافةً إلى معلومات أخرى مرتبطة بذلك الشخص أو قابلة للربط به. ومصطلح GDPR الأوسع هو البيانات الشخصية. وفي أعمال LLM يزيل حجب PII هذه المعلومات من الأوامر قبل أن تغادر أنظمتك.

[استدعاء الأدوات (Tool calling)](https://broadrouter.com/ar/glossary/tool-calling/)

استدعاء الأدوات، ويُسمّى أيضًا استدعاء الدوال (function calling)، ميزة في واجهات LLM API يُرجع فيها النموذج طلبًا منظَّمًا لتشغيل دالة عرّفها المطوّر، مع معاملات بصيغة JSON. ويشغّل التطبيق الدالة ويعيد النتيجة؛ فالنموذج لا يشغّل الشيفرة بنفسه أبدًا.

[الأحداث التي يرسلها الخادم (SSE)](https://broadrouter.com/ar/glossary/sse/)

الأحداث التي يرسلها الخادم (server-sent events أو SSE) معيار ويب يتيح للخادم دفع تدفق من الأحداث النصية إلى العميل عبر استجابة HTTP واحدة طويلة الأمد بنوع المحتوى text/event-stream. وكل حدث سطر حقل أو أكثر، مثل data:، ينتهي بسطر فارغ.

[رموز الإدخال المخزّنة مؤقتًا (Cached input tokens)](https://broadrouter.com/ar/glossary/cached-input-tokens/)

رموز الإدخال المخزّنة مؤقتًا هي رموز من الأمر (prompt) عالجها مزوّد نماذج اللغة مؤخرًا ويستطيع إعادة استخدامها من ذاكرة مؤقتة بدل حسابها من جديد، وهي عادةً بادئة متكررة مثل أمر النظام أو مستند. ويحتسبها المزوّدون بسعر أقل من رموز الإدخال الجديدة.

[مفتاح API (API key)](https://broadrouter.com/ar/glossary/api-key/)

مفتاح API هو سلسلة نصية سرية تعرّف العميل الذي يستدعي الواجهة وتخوّله. تتوقعه واجهات LLM API عادةً في الترويسة Authorization: Bearer، وكل من يملك المفتاح يستطيع إرسال طلبات تُحتسب تكلفتها على الحساب المالك له.

## أسئلة شائعة

### كيف أتتبّع تكلفة LLM API لكل مستخدم؟

وسِّم كل استدعاء بمعرّف للمستخدم، واقرأ كتلة usage من الاستجابة، واضرب أعداد الرموز في جدول أسعارك، واكتب صفًا واحدًا في السجل لكل استدعاء. ثم جمّع حسب وسم المستخدم. واستخدم معرّفًا مُجزّأً بدلًا من البريد الإلكتروني.

### هل أسجّل الأوامر والإجابات كاملة؟

ليس افتراضيًا. فهي حيث تقيم البيانات الشخصية. سجّل أعداد الرموز والبيانات الوصفية لكل استدعاء، واحتفظ بالنص الكامل فقط لعيّنة من الاستدعاءات أو للاستدعاءات الفاشلة، بعد الحجب، ولمدة احتفاظ قصيرة.

### لماذا تختلف التكلفة التي أحسبها عن فاتورة المزوّد؟

غالبًا لأن الرموز المخزَّنة مؤقتًا سُعّرت كمدخلات جديدة، أو لأن رموز الاستدلال المنطقي أُغفلت من المخرجات، أو لأن إعادة المحاولات لم تُسجَّل. سجّل كل محاولة، بما فيها المحاولات الفاشلة التي أعادت usage.

### كيف أحصل على استهلاك الرموز من استجابة متدفقة؟

اضبط include\_usage في stream\_options على true. وعندها يحمل الجزء الأخير كتلة usage مع قائمة choices فارغة.

### ما أداة حجب البيانات الشخصية التي أستخدمها لسجلات LLM؟

ابدأ بالتعابير النمطية للبيانات المنظَّمة مثل البريد الإلكتروني وأرقام الهواتف وأرقام البطاقات، وأضف أداة قائمة على التعرّف على الكيانات المسمّاة مثل Microsoft Presidio للأسماء والعناوين. ويقول ملف README الخاص بـ Presidio نفسه إنه لا يضمن العثور على كل شيء.

## تابع القراءة

-   [عدم الاحتفاظ بالبيانات في LLM API: قائمة تحقق من 10 أسئلة](https://broadrouter.com/ar/blog/zero-data-retention-llm-api-checklist/)
-   [رموز الإدخال المخزّنة مؤقتًا: كيف تخفّض فاتورة LLM API](https://broadrouter.com/ar/blog/cached-input-tokens-explained/)
-   [كيف تعالج الخطأ 429 في LLM API: الانتظار المتزايد والتذبذب والمحدِّدات](https://broadrouter.com/ar/blog/handle-llm-api-429-rate-limits/)
-   [شرح البث في LLM: مقاطع SSE والفروقات (delta) والاستخدام والإلغاء](https://broadrouter.com/ar/blog/llm-streaming-sse-explained/)
-   [تخزين استجابات LLM API مؤقتًا لخفض التكلفة: تطابق تام بـ Python](https://broadrouter.com/ar/blog/cache-llm-responses-cut-cost/)
-   [عتاد GPU لدى BroadNet وطريقة تقديم النماذج، كما تصفها BroadNet](https://broadrouter.com/ar/blog/broadnet-gpu-fleet-and-serving/)
-   [المراجعة البشرية جزء من سير عمل الذكاء الاصطناعي للمستندات](https://broadrouter.com/ar/blog/document-review-queues/)
-   [دليل: استخدام OpenAI Python SDK مع BroadNet Inference](https://broadrouter.com/ar/guides/openai-python-sdk/)
-   [دليل: البث المتدفق لإكمال المحادثات والتعامل مع انقطاع الاتصال](https://broadrouter.com/ar/guides/streaming-chat-completions/)
-   [دليل: اربط مفاتيح API بخوادمك عبر قوائم عناوين IP المسموح بها](https://broadrouter.com/ar/guides/api-keys-ip-allow-lists/)

جرّبه على مهامك الفعلية. تبدأ الحسابات الجديدة برصيد قدره $5 لاستخدام Gemma والتفريغ الصوتي. أما DeepSeek وGLM وQwen3.8 فتتطلب شحن الرصيد.

[ابدأ الآن](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-llm-api-usage-logging&utm_content=page-cta) ·

**المصادر**

-   [المرجع التقني لواجهة BroadNet Inference، حقول usage ومعرّفات الطلبات والاحتفاظ بالبيانات (بالإنجليزية)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-llm-api-usage-logging&utm_content=sources)
-   [أسعار BroadNet Inference بصيغة مقروءة آليًا (pricing.json) (بالإنجليزية)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-llm-api-usage-logging&utm_content=sources)
-   [OWASP Logging Cheat Sheet، البيانات التي يجب استبعادها من السجلات](https://cheatsheetseries.owasp.org/cheatsheets/Logging_Cheat_Sheet.html)
-   [ملف README لـ Microsoft Presidio، كشف البيانات الشخصية وحدوده (تاريخ الاطلاع 2026-11-14)](https://github.com/microsoft/presidio)
-   [ملف README لـ openai-python، قراءة ترويسات الاستجابة باستخدام with\_raw\_response](https://github.com/openai/openai-python)
