---
title: "LLM kullanım günlüğü: kullanıcı ve özellik başına maliyet"
description: "Her LLM API çağrısını token, maliyet, gecikme ve istek kimliğiyle kaydedin, harcamayı kullanıcıya ve özelliğe atayın, PII'yi yazmadan önce maskeleyin. Python kodu."
url: https://broadrouter.com/tr/blog/llm-api-usage-logging/
lang: tr
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

İngilizceden yapay zekâ desteğiyle çevrilmiştir. [İngilizce aslını okuyun](https://broadrouter.com/blog/llm-api-usage-logging/) (güncelleme: 2026-11-14).

# LLM API kullanım günlüğü: kullanıcı ve özellik başına maliyet, PII yok

BroadNet Inference ekibi · 4 dk okuma · Yayımlandı 2026-11-14

Her LLM çağrısını; modeli, özelliği, karma alınmış kullanıcı kimliğini, istem, önbellekli, akıl yürütme ve çıktı token'larını, maliyeti, gecikmeyi, durumu ve sağlayıcının istek kimliğini kaydeden tek bir fonksiyona sarın. Maliyeti faturadan değil, fiyat tablosundan hesaplayın. Varsayılan olarak meta verileri kaydedin; istem metnini saklamanız gerekiyorsa, yazmadan önce maskeleyin ve kısa bir saklama süresi belirleyin.

## Öne çıkanlar

-   Tek sarmalayıcı, çağrı başına tek günlük satırı: model, özellik, karma alınmış kullanıcı, token sayıları, maliyet, gecikme, durum, istek kimliği.
-   Çağrı başına maliyeti usage bloğundan ve bir fiyat tablosundan hesaplayın: yeni girdi, önbellekli girdi ve çıktının fiyatları farklıdır.
-   Kullanıcı kimliklerini anahtarlı bir HMAC ile karma alın; böylece kim olduklarını saklamadan kullanıcıya göre gruplayabilirsiniz.
-   Varsayılan olarak meta verileri kaydedin. Asıl PII riski istem metnidir; sonra değil, yazmadan önce maskeleyin.
-   Regex ve NER tabanlı maskeleme de bazı şeyleri kaçırır. Bunları bir garanti değil, bir katman olarak görün.

**Bu sayfada**

1.  Her LLM çağrısı için ne kaydedilmeli?
2.  Çağrı başına maliyet nasıl hesaplanır?
3.  Günlük sarmalayıcısı nasıl görünür?
4.  Maliyet kullanıcılara ve özelliklere nasıl atanır?
5.  PII, LLM günlüklerinden nasıl uzak tutulur?
6.  BroadNet Inference nereye oturuyor?

Sağlayıcı panelleri ne kadar harcadığınızı söyler. **Hangi özelliğin** veya **hangi müşterinin** harcadığını nadiren söyler ve faturanın salı günü neden fırladığını söyleyemez. Kendi kullanım günlüğünüz söyleyebilir. Bu yazı günlük şemasını, onu dolduran bir sarmalayıcıyı, çağrı başına maliyetin nasıl hesaplanacağını ve kişisel verilerin nasıl dışarıda tutulacağını gösteriyor. Rakamlarla ne yapılacağı başka yazılarda: [kullanıcı başına maliyet ve SaaS fiyatlandırması](https://broadrouter.com/tr/blog/llm-cost-per-user-saas/) ve [bütçeler ve döngü korumaları](https://broadrouter.com/tr/blog/llm-api-spend-control/).

## Her LLM çağrısı için ne kaydedilmeli?

Yeniden denemeler dahil, deneme başına bir satır:

| Alan | Örnek | Neden |
| --- | --- | --- |
| `ts` | 2026-11-14T09:12:03Z | Zaman serileri, olay zaman çizelgeleri |
| `feature` | `support_reply` | Özellik başına maliyet |
| `user_hash` | `hmac:4f1c…` | Kimliği saklamadan kullanıcı başına maliyet |
| `tenant` | `acme` | B2B uygulamalarda müşteri başına maliyet |
| `model` | broadnet/deepseek-v4.1-flash | Fiyat sorgulama, model karşılaştırmaları |
| `prompt_tokens` | 18.240 | Girdi maliyeti |
| `cached_tokens` | 16.384 | Önbellekli girdi daha ucuz; [önbellek oranını](https://broadrouter.com/tr/blog/cached-input-tokens-explained/) izleyin |
| `reasoning_tokens` | 612 | Akıl yürütme modellerinde gizli çıktı maliyeti |
| `completion_tokens` | 1.104 | Çıktı maliyeti (akıl yürütme dahil) |
| `cost_usd` | hesaplanır | Finans ekibinin sorduğu sayı |
| `latency_ms`, `ttft_ms` | 4.210 / 690 | Performans gerilemeleri |
| `status` | 200, 429, 503 | Hata ve yeniden deneme oranları |
| `request_id` | `X-Request-ID` değeri | Destek talepleri ve fatura itirazları |
| `prompt_version` | `support-v14` | Maliyet değişikliklerini istem değişiklikleriyle ilişkilendirir |

İstem metni yok, yanıt metni yok. Onlar daha sonra ve yalnızca maskelemeyle gelir.

## Çağrı başına maliyet nasıl hesaplanır?

Usage bloğunu okuyun ve her [token](https://broadrouter.com/tr/glossary/input-and-output-tokens/) türünü ayrı fiyatlandırın. BroadNet, her model için girdi, önbellekli girdi ve çıktının 1M başına fiyatlarını içeren makine tarafından okunabilir fiyatları [pricing.json](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-llm-api-usage-logging&utm_content=body) dosyasında yayımlıyor:

```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
```

Fiyat dosyasını her çağrıda indirmek yerine önbelleğe alın ve günlük yenileyin. İki kolay hata: önbellekli token’ları yeni girdi olarak fiyatlandırmak (maliyeti şişirir) ve akıl yürütme token’larının zaten `completion_tokens` içinde olduğunu unutmak (iki kez eklemeyin).

## Günlük sarmalayıcısı nasıl görünür?

```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})
```

`with_raw_response` size başlıkları verir; böylece `X-Request-ID` değerini saklayabilirsiniz. Akışlı çağrılarda `stream_options={"include_usage": True}` ekleyin ve satırı [SSE akış yazısında](https://broadrouter.com/tr/blog/llm-streaming-sse-explained/) gösterildiği gibi son parçadan doldurun. `HASH_KEY` değerini gizli ve sabit tutun: aynı kullanıcı her zaman aynı karma değere eşlenir, ama karma değer anahtar olmadan geri çevrilemez.

## Maliyet kullanıcılara ve özelliklere nasıl atanır?

Yukarıdaki satırlar herhangi bir SQL deposundaysa, atama tek bir sorgudur:

```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;
```

Müşteri başına maliyet için `feature` yerine `user_hash` veya `tenant` koyun. Üç takip analizi hızla karşılığını verir:

1.  **Maliyete göre kullanıcıların en üst %1’i.** Çoğu zaman tek bir döngü veya bir bot. Düşen bir `cache_rate` diğer erken uyarıdır; [istem önbellekleme hesaplayıcısı](https://broadrouter.com/tools/prompt-caching-calculator/) önbellek oranının her puanının ne kadar değerli olduğunu gösteriyor.
2.  Çağrı başına değil, **başarılı sonuç başına maliyet**: kendi başarı olaylarınızla birleştirin.
3.  **Yeniden deneme payı.** 429 veya 5xx durumlu satırlar başarısızlıklara ne kadar harcadığınızı gösterir; bkz. [429 hatalarını ele alma](https://broadrouter.com/tr/blog/handle-llm-api-429-rate-limits/).

## PII, LLM günlüklerinden nasıl uzak tutulur?

En güvenli günlükte hiç istem metni yoktur. Hata ayıklama veya değerlendirme için metne ihtiyacınız olduğunda bu adımları sırasıyla izleyin:

1.  **Örnekleyin.** Metni her şey için değil, çağrıların küçük bir payı ve başarısız olanlar için tutun.
2.  **Yazmadan önce maskeleyin.** Maskelemeyi günlüğü yazan süreçte çalıştırın. Sonradan maskelemek, ham metnin zaten diskte ve yedeklerde durması demektir.
3.  **Dedektörleri katmanlayın.** Yapılandırılmış veriler için regex, adlar ve adresler için bir NER aracı.
4.  **Ayrı saklayın.** Metni daha sıkı erişimli ve kısa saklama süreli farklı bir tabloya veya bucket’a koyun, `request_id` ile bağlayın.
5.  **Sırları asla kaydetmeyin.** OWASP logging cheat sheet, günlüklerden çıkarılacak veriler arasında erişim token’larını, parolaları ve şifreleme anahtarlarını sayıyor; [API anahtarı](https://broadrouter.com/tr/glossary/api-key/) da bu listeye aittir.

Asgari bir regex katmanı:

```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
```

Bu bariz durumları yakalar; adları, adresleri ve olağandışı her şeyi kaçırır. [Microsoft Presidio](https://github.com/microsoft/presidio) bunlar için varlık tanıma ekliyor ve README dosyası tüm hassas bilgileri bulacağının garantisi olmadığını açıkça söylüyor. Kaçırmaları hesaba katın: biri gözden kaçtığında kısa saklama süresi ve sıkı erişim hasarı sınırlar.

## BroadNet Inference nereye oturuyor?

BroadNet Inference, model bildirdiğinde önbellekli ve akıl yürütme token’larını içeren usage bloğunu, her yanıtta bir `X-Request-ID` değerini ve maliyet hesabı için yükleyebileceğiniz herkese açık bir fiyat dosyasını döndürüyor. Kendi tarafında istemler ve yanıtlar istek için işlenir ve saklanmaz; yalnızca süreler, token sayıları ve maliyet gibi içerik barındırmayan kayıtları tutar ([sıfır veri saklama nasıl çalışır](https://broadrouter.com/tr/privacy/)). Bu da herhangi bir istem metninin tek kopyasını sizin günlüklerinizde bırakır; dolayısıyla gerçek saklama sürenizi yukarıdaki maskeleme kuralları belirler. BroadNet’in sohbet isteklerinde kullanıcı başına bir meta veri alanı yok; atama sizin sarmalayıcınızda yaşar. Ekip başına ayrı bütçeler için ayrı anahtarlar kullanın; etiketleri ve izin listelerini [anahtarlar rehberi](https://broadrouter.com/tr/guides/api-keys-ip-allow-lists/) anlatıyor.

Bu konu için ücretsiz araçlar (İngilizce)

-   [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.

[Ücretsiz araçlar (İngilizce)](https://broadrouter.com/tools/)

## Bu yazıdaki terimler

[Token](https://broadrouter.com/tr/glossary/token/)

Token, bir dil modelinin okuduğu ve yazdığı metin birimidir: modelin tokenizer'ının ürettiği bir kelime, kelime parçası, noktalama işareti veya bayt dizisi. LLM API'leri kullanımı token cinsinden sayar, sınırlar ve genellikle faturalandırır.

[Akıl yürütme token'ları (reasoning tokens)](https://broadrouter.com/tr/glossary/reasoning-tokens/)

Akıl yürütme token'ları, bir akıl yürütme modelinin görünür yanıtını yazmadan önce problemi çözmek için ürettiği token'lardır. Genellikle çıktı token'ı olarak faturalandırılır, çıktı sınırına ve bağlam penceresine sayılır; API tarafından gizlenebilir veya özetlenebilir.

[Akış (streaming)](https://broadrouter.com/tr/glossary/streaming/)

Akış (streaming), bir dil modeli yanıtını sonda tek parça halinde değil, hâlâ üretilirken küçük parçalar halinde döndürme yöntemidir. OpenAI uyumlu API'ler, istekte stream değeri true olduğunda server-sent events (SSE) üzerinden akış yapar.

[API anahtarı (API key)](https://broadrouter.com/tr/glossary/api-key/)

API anahtarı, bir API'yi çağıran istemciyi tanımlayan ve yetkilendiren gizli bir dizedir. LLM API'leri genellikle anahtarı Authorization: Bearer başlığında bekler; anahtarı elinde tutan herkes, sahibi olan hesaba faturalandırılan istekler yapabilir.

[Araç çağırma (tool calling)](https://broadrouter.com/tr/glossary/tool-calling/)

Araç çağırma (tool calling), fonksiyon çağırma (function calling) olarak da bilinir; modelin, geliştiricinin tanımladığı bir fonksiyonu çalıştırmak için JSON argümanlı yapılandırılmış bir istek döndürdüğü bir LLM API özelliğidir. Fonksiyonu uygulama çalıştırır ve sonucu geri gönderir; model hiçbir zaman kodu kendisi çalıştırmaz.

[Önbellekli girdi token'ları (cached input tokens)](https://broadrouter.com/tr/glossary/cached-input-tokens/)

Önbellekli girdi token'ları, bir LLM sağlayıcısının kısa süre önce işlediği ve yeniden hesaplamak yerine önbellekten kullanabildiği istem token'larıdır; genellikle sistem istemi veya belge gibi tekrarlanan bir önektir. Sağlayıcılar bunları yeni girdi token'larından daha düşük ücretle faturalandırır.

[PII (kişisel olarak tanımlanabilir bilgi)](https://broadrouter.com/tr/glossary/pii/)

PII (kişisel olarak tanımlanabilir bilgi), bir kişinin kimliğini ayırt etmek veya izini sürmek için kullanılabilen ad, kimlik numarası veya biyometrik kayıt gibi bilgilerle, o kişiye bağlı ya da bağlanabilir diğer bilgilerdir. GDPR'daki daha geniş terim kişisel veridir. LLM çalışmalarında PII maskeleme, bu bilgileri istemler sistemlerinizden çıkmadan önce kaldırır.

[Server-sent events (SSE, sunucu gönderimli olaylar)](https://broadrouter.com/tr/glossary/sse/)

Server-sent events (SSE), bir sunucunun text/event-stream içerik türüne sahip, uzun süre açık kalan tek bir HTTP yanıtı üzerinden istemciye metin olayları akışı göndermesini sağlayan bir web standardıdır. Her olay, data: gibi bir veya daha fazla alan satırından oluşur ve boş bir satırla biter.

## Sık sorulan sorular

### LLM API maliyetini kullanıcı başına nasıl takip ederim?

Her çağrıyı bir kullanıcı tanımlayıcısıyla etiketleyin, yanıttaki usage bloğunu okuyun, token sayılarını fiyat tablonuzla çarpın ve çağrı başına bir günlük satırı yazın. Kullanıcı etiketine göre gruplayın. E-posta yerine karma alınmış bir kimlik kullanın.

### İstemlerin ve yanıtların tamamını kaydetmeli miyim?

Varsayılan olarak hayır. Kişisel veriler tam orada bulunur. Her çağrı için token sayılarını ve meta verileri kaydedin; tam metni yalnızca örneklenen veya başarısız çağrılar için, maskelemeden sonra ve kısa bir saklama süresiyle tutun.

### Hesapladığım maliyet neden sağlayıcının faturasından farklı?

Genellikle önbellekli token'lar yeni girdi olarak fiyatlandırıldığı, akıl yürütme token'ları çıktıya dahil edilmediği veya yeniden denemeler kaydedilmediği için. Usage döndüren başarısız denemeler dahil her denemeyi kaydedin.

### Akışlı bir yanıttan token kullanımını nasıl alırım?

stream\_options içinde include\_usage değerini true yapın. Son parça, boş bir choices listesiyle birlikte usage bloğunu taşır.

### LLM günlükleri için hangi PII maskeleme aracını kullanmalıyım?

E-posta, telefon numarası ve kart numarası gibi yapılandırılmış veriler için regex ile başlayın; adlar ve adresler için Microsoft Presidio gibi NER tabanlı bir araç ekleyin. Presidio'nun kendi README dosyası her şeyi bulacağını garanti edemeyeceğini söylüyor.

## Okumaya devam edin

-   [Sıfır veri saklama (ZDR) LLM API: 10 soruluk kontrol listesi](https://broadrouter.com/tr/blog/zero-data-retention-llm-api-checklist/)
-   [Önbellekli girdi tokenları: LLM API faturası nasıl düşürülür](https://broadrouter.com/tr/blog/cached-input-tokens-explained/)
-   [LLM API 429 hatası nasıl çözülür: geri çekilme, jitter, sınırlayıcılar](https://broadrouter.com/tr/blog/handle-llm-api-429-rate-limits/)
-   [LLM akışı (streaming): SSE parçaları, delta, usage ve iptal](https://broadrouter.com/tr/blog/llm-streaming-sse-explained/)
-   [LLM API yanıtlarını önbelleğe alıp maliyeti düşürün: Python örneği](https://broadrouter.com/tr/blog/cache-llm-responses-cut-cost/)
-   [BroadNet'in GPU donanımı ve sunum yaklaşımı, BroadNet'in anlatımıyla](https://broadrouter.com/tr/blog/broadnet-gpu-fleet-and-serving/)
-   [Belge yapay zekâsı iş akışınıza insan incelemesini ekleyin](https://broadrouter.com/tr/blog/document-review-queues/)
-   [Rehber: OpenAI Python SDK'yı BroadNet Inference ile kullanın](https://broadrouter.com/tr/guides/openai-python-sdk/)
-   [Rehber: Chat completions akışı ve kopan bağlantıları ele alma](https://broadrouter.com/tr/guides/streaming-chat-completions/)
-   [Rehber: API anahtarlarını IP izin listeleriyle sunucularınıza kilitleyin](https://broadrouter.com/tr/guides/api-keys-ip-allow-lists/)

Gerçek iş yükünüzle deneyin. Yeni hesaplar şunlar için US$5 kredi ile başlar: Gemma ve transkripsiyon. Bakiye yüklemesi gerekenler: DeepSeek, GLM ve Qwen3.8.

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

**Kaynaklar**

-   [BroadNet Inference API başvurusu, usage alanları, istek kimlikleri ve saklama (İngilizce)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-llm-api-usage-logging&utm_content=sources)
-   [BroadNet Inference makine tarafından okunabilir fiyatlar (pricing.json) (İngilizce)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-llm-api-usage-logging&utm_content=sources)
-   [OWASP Logging Cheat Sheet, günlüklerden çıkarılacak veriler](https://cheatsheetseries.owasp.org/cheatsheets/Logging_Cheat_Sheet.html)
-   [Microsoft Presidio README, PII tespiti ve sınırları (2026-11-14 tarihinde erişildi)](https://github.com/microsoft/presidio)
-   [openai-python README, with\_raw\_response ile yanıt başlıklarını okuma](https://github.com/openai/openai-python)
