---
title: "LLM usage لاگنگ: صارف اور فیچر کی لاگت، بغیر PII | BroadRouter"
description: "ہر LLM API کال کو ٹوکنز، لاگت، لیٹنسی اور درخواست ID کے ساتھ لاگ کریں، خرچ کو صارفین اور فیچرز سے جوڑیں، اور لکھنے سے پہلے PII ہٹائیں۔ Python کوڈ کے ساتھ۔"
url: https://broadrouter.com/ur/blog/llm-api-usage-logging/
lang: ur
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

یہ صفحہ انگریزی سے AI کی مدد سے ترجمہ کیا گیا ہے۔ [انگریزی اصل پڑھیں](https://broadrouter.com/blog/llm-api-usage-logging/) (اپ ڈیٹ: 2026-11-14).

# LLM API usage لاگنگ: ہر صارف اور فیچر کی لاگت، PII ہٹا کر

BroadNet Inference ٹیم · 4 منٹ کی پڑھائی · شائع شدہ 2026-11-14

ہر LLM کال کو ایک فنکشن میں لپیٹیں جو ماڈل، فیچر، ہیش شدہ صارف ID، prompt، cached، reasoning اور آؤٹ پٹ ٹوکنز، لاگت، لیٹنسی، اسٹیٹس اور فراہم کنندہ کی درخواست ID درج کرے۔ لاگت انوائس سے نہیں، قیمتوں کی ٹیبل سے نکالیں۔ بطور ڈیفالٹ میٹا ڈیٹا لاگ کریں؛ اگر پرامپٹ کا متن رکھنا ہی ہو تو لکھنے سے پہلے اس سے نجی معلومات ہٹائیں اور کم مدت کی ریٹینشن رکھیں۔

## اہم نکات

-   ایک ریپر، ہر کال کی ایک لاگ سطر: ماڈل، فیچر، ہیش شدہ صارف، ٹوکنز کی تعداد، لاگت، لیٹنسی، اسٹیٹس، درخواست ID۔
-   ہر کال کی لاگت usage بلاک اور قیمتوں کی ٹیبل سے نکالیں: نئے ان پٹ، کیش شدہ ان پٹ اور آؤٹ پٹ کی قیمتیں مختلف ہیں۔
-   صارف IDs کو کلید والے HMAC سے ہیش کریں، تاکہ صارف کون ہے یہ محفوظ کیے بغیر آپ صارف کے حساب سے گروپ کر سکیں۔
-   بطور ڈیفالٹ میٹا ڈیٹا لاگ کریں۔ پرامپٹ کا متن PII کا بنیادی خطرہ ہے؛ اسے لکھنے سے پہلے صاف کریں، بعد میں کبھی نہیں۔
-   regex اور NER، دونوں طرح کی ریڈیکشن کچھ چیزیں چھوڑ دیتی ہے۔ انہیں ایک تہہ سمجھیں، ضمانت نہیں۔

**اس صفحے پر**

1.  ہر LLM کال کے لیے کیا لاگ کریں؟
2.  ہر کال کی لاگت کیسے نکالیں؟
3.  لاگنگ ریپر کیسا دکھتا ہے؟
4.  لاگت کو صارفین اور فیچرز سے کیسے جوڑیں؟
5.  LLM لاگز سے PII کو باہر کیسے رکھیں؟
6.  BroadNet Inference کہاں کام آتا ہے

فراہم کنندہ کے ڈیش بورڈز بتاتے ہیں کہ آپ نے کتنا خرچ کیا۔ وہ شاذ و نادر ہی بتاتے ہیں کہ **کس فیچر** یا **کس گاہک** نے خرچ کیا، اور یہ تو بالکل نہیں بتا سکتے کہ منگل کو بل کیوں اچھلا۔ آپ کا اپنا usage لاگ بتا سکتا ہے۔ یہ پوسٹ لاگ کا اسکیما، اسے بھرنے والا ریپر، ہر کال کی لاگت نکالنے کا طریقہ، اور نجی ڈیٹا کو باہر رکھنے کا طریقہ دکھاتی ہے۔ ان اعداد کا کیا کریں، یہ کہیں اور ہے: [ہر صارف کی لاگت اور SaaS قیمتیں](https://broadrouter.com/ur/blog/llm-cost-per-user-saas/) اور [بجٹ اور لوپ گارڈز](https://broadrouter.com/ur/blog/llm-api-spend-control/)۔

## ہر LLM کال کے لیے کیا لاگ کریں؟

ہر کوشش کی ایک قطار، دوبارہ کوششوں سمیت:

| فیلڈ | مثال | کیوں |
| --- | --- | --- |
| `ts` | 2026-11-14T09:12:03Z | ٹائم سیریز، واقعات کی ٹائم لائن |
| `feature` | `support_reply` | ہر فیچر کی لاگت |
| `user_hash` | `hmac:4f1c…` | شناخت محفوظ کیے بغیر ہر صارف کی لاگت |
| `tenant` | `acme` | B2B ایپس میں ہر گاہک کی لاگت |
| `model` | broadnet/deepseek-v4.1-flash | قیمت دیکھنا، ماڈلز کا موازنہ |
| `prompt_tokens` | 18,240 | ان پٹ کی لاگت |
| `cached_tokens` | 16,384 | کیش شدہ ان پٹ سستا ہے؛ [کیش ریٹ](https://broadrouter.com/ur/blog/cached-input-tokens-explained/) ٹریک کریں |
| `reasoning_tokens` | 612 | reasoning ماڈلز پر چھپی آؤٹ پٹ لاگت |
| `completion_tokens` | 1,104 | آؤٹ پٹ کی لاگت (reasoning شامل) |
| `cost_usd` | نکالی گئی | وہ عدد جو فنانس مانگتا ہے |
| `latency_ms`، `ttft_ms` | 4,210 / 690 | کارکردگی میں گراوٹ |
| `status` | 200، 429، 503 | ایرر اور دوبارہ کوشش کی شرحیں |
| `request_id` | `X-Request-ID` کی ویلیو | سپورٹ ٹکٹس اور انوائس کے تنازعات |
| `prompt_version` | `support-v14` | لاگت کی تبدیلیوں کو پرامپٹ کی تبدیلیوں سے جوڑتا ہے |

نہ پرامپٹ کا متن، نہ جواب کا متن۔ وہ بعد میں آتے ہیں، اور صرف ریڈیکشن کے ساتھ۔

## ہر کال کی لاگت کیسے نکالیں؟

usage بلاک پڑھیں اور ہر [ٹوکن](https://broadrouter.com/ur/glossary/input-and-output-tokens/) قسم کی قیمت الگ لگائیں۔ BroadNet [pricing.json](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-llm-api-usage-logging&utm_content=body) میں مشین ریڈایبل قیمتیں شائع کرتا ہے، ہر ماڈل کے ان پٹ، کیش شدہ ان پٹ اور آؤٹ پٹ کی فی دس لاکھ ٹوکن قیمتوں کے ساتھ:

```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
```

قیمتوں کی فائل کو کیش کریں اور ہر کال پر لانے کے بجائے روزانہ ریفریش کریں۔ دو آسان غلطیاں: کیش شدہ ٹوکنز کو نئے ان پٹ کی قیمت پر گننا (لاگت بڑھا کر دکھتی ہے)، اور یہ بھول جانا کہ reasoning ٹوکنز پہلے سے `completion_tokens` کے اندر ہیں (انہیں دو بار نہ جوڑیں)۔

## لاگنگ ریپر کیسا دکھتا ہے؟

```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` آپ کو ہیڈرز دیتا ہے، تاکہ آپ `X-Request-ID` رکھ سکیں۔ اسٹریم والی کالز کے لیے `stream_options={"include_usage": True}` شامل کریں اور قطار آخری چنک سے بھریں، جیسا [SSE اسٹریمنگ والی پوسٹ](https://broadrouter.com/ur/blog/llm-streaming-sse-explained/) میں دکھایا ہے۔ `HASH_KEY` کو خفیہ اور مستقل رکھیں: ایک ہی صارف ہمیشہ ایک ہی ہیش بنتا ہے، مگر کلید کے بغیر ہیش کو الٹا نہیں جا سکتا۔

## لاگت کو صارفین اور فیچرز سے کیسے جوڑیں؟

اوپر کی قطاریں کسی بھی SQL اسٹور میں ہوں تو تقسیم ایک کوئری ہے:

```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;
```

ہر گاہک کی لاگت کے لیے `feature` کی جگہ `user_hash` یا `tenant` لگائیں۔ تین اگلے قدم جلد فائدہ دیتے ہیں:

1.  **لاگت کے حساب سے سرفہرست 1% صارفین۔** اکثر کوئی ایک لوپ یا بوٹ۔ گرتا ہوا `cache_rate` دوسرا ابتدائی انتباہ ہے؛ [پرامپٹ کیشنگ کیلکولیٹر](https://broadrouter.com/tools/prompt-caching-calculator/) دکھاتا ہے کہ کیش ریٹ کا ہر پوائنٹ کتنے کا ہے۔
2.  **ہر کامیاب نتیجے کی لاگت**، ہر کال کی نہیں: اپنے کامیابی والے ایونٹس سے جوڑیں۔
3.  **دوبارہ کوششوں کا حصہ۔** 429 یا 5xx اسٹیٹس والی قطاریں دکھاتی ہیں کہ آپ ناکامیوں پر کتنا خرچ کرتے ہیں؛ دیکھیں [429 ایررز سنبھالنا](https://broadrouter.com/ur/blog/handle-llm-api-429-rate-limits/)۔

## LLM لاگز سے PII کو باہر کیسے رکھیں؟

سب سے محفوظ لاگ وہ ہے جس میں پرامپٹ کا متن بالکل نہ ہو۔ جب ڈیبگنگ یا eval کے لیے متن چاہیے تو یہ قدم اسی ترتیب میں اپنائیں:

1.  **نمونہ لیں۔** متن کالز کے ایک چھوٹے حصے اور ناکامیوں کے لیے رکھیں، سب کے لیے نہیں۔
2.  **لکھنے سے پہلے ریڈیکٹ کریں۔** ریڈیکشن اسی پروسیس میں چلائیں جو لاگ لکھتا ہے۔ بعد میں ریڈیکٹ کرنے کا مطلب ہے کہ خام متن پہلے سے ڈسک پر اور بیک اپس میں ہے۔
3.  **ڈیٹیکٹرز کی تہیں لگائیں۔** اسٹرکچرڈ ڈیٹا کے لیے regex، ناموں اور پتوں کے لیے NER ٹول۔
4.  **الگ محفوظ کریں۔** متن کو سخت رسائی اور کم ریٹینشن والی الگ ٹیبل یا بکٹ میں رکھیں، `request_id` سے جڑا ہوا۔
5.  **سیکرٹس کبھی لاگ نہ کریں۔** OWASP لاگنگ چیٹ شیٹ باہر رکھے جانے والے ڈیٹا میں ایکسیس ٹوکنز، پاس ورڈز اور انکرپشن کلیدیں گنواتی ہے؛ [API کلید](https://broadrouter.com/ur/glossary/api-key/) بھی اسی فہرست میں ہے۔

ایک کم از کم regex تہہ:

```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
```

یہ واضح صورتوں کو پکڑتا ہے اور نام، پتے اور کوئی بھی غیر معمولی چیز چھوڑ دیتا ہے۔ [Microsoft Presidio](https://github.com/microsoft/presidio) ان کے لیے اینٹیٹی ریکگنیشن شامل کرتا ہے، اور اس کا README صاف کہتا ہے کہ اس کی کوئی ضمانت نہیں کہ وہ تمام حساس معلومات ڈھونڈ لے گا۔ چوکوں کے لیے منصوبہ بنائیں: کم ریٹینشن اور سخت رسائی، کسی چوک کے نکل جانے پر نقصان محدود کرتے ہیں۔

## BroadNet Inference کہاں کام آتا ہے

BroadNet Inference، جب ماڈل رپورٹ کرے تب کیش شدہ اور reasoning ٹوکنز کے ساتھ usage بلاک لوٹاتا ہے، ہر ریسپانس پر `X-Request-ID` دیتا ہے، اور ایک پبلک قیمتوں کی فائل رکھتا ہے جسے آپ لاگت نکالنے کے لیے لوڈ کر سکتے ہیں۔ اس کی طرف، پرامپٹس اور جوابات درخواست کے لیے پروسیس ہوتے ہیں اور محفوظ نہیں رکھے جاتے؛ وہ صرف بغیر مواد والے ریکارڈ رکھتا ہے، جیسے اوقات، ٹوکنز کی تعداد اور لاگت ([زیرو ڈیٹا ریٹینشن کیسے کام کرتی ہے](https://broadrouter.com/ur/privacy/))۔ اس سے کسی بھی پرامپٹ متن کی اکیلی کاپی آپ کے اپنے لاگز بن جاتے ہیں، اس لیے اوپر کے ریڈیکشن قواعد ہی آپ کی اصل ریٹینشن طے کرتے ہیں۔ BroadNet کی چیٹ درخواستوں میں ہر صارف کے میٹا ڈیٹا کا کوئی فیلڈ نہیں، اس لیے تقسیم آپ کے ریپر میں ہوتی ہے۔ ہر ٹیم کے الگ بجٹ کے لیے الگ کلیدیں استعمال کریں؛ [کلیدوں کی گائیڈ](https://broadrouter.com/ur/guides/api-keys-ip-allow-lists/) لیبلز اور allow-lists کا احاطہ کرتی ہے۔

اس موضوع کے مفت ٹولز (انگریزی میں)

-   [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.

[مفت ٹولز (انگریزی میں)](https://broadrouter.com/tools/)

## اس مضمون کی اصطلاحات

[ٹوکن (token)](https://broadrouter.com/ur/glossary/token/)

ٹوکن متن کی وہ اکائی ہے جسے لینگویج ماڈل پڑھتا اور لکھتا ہے: کوئی لفظ، لفظ کا حصہ، رموزِ اوقاف کی کوئی علامت یا بائٹس کا سلسلہ، جو ماڈل کا ٹوکنائزر بناتا ہے۔ LLM API استعمال کو ٹوکنز میں گنتے ہیں، انہی میں حدیں لگاتے ہیں اور عموماً بل بھی بناتے ہیں۔

[اسٹریمنگ (streaming)](https://broadrouter.com/ur/glossary/streaming/)

اسٹریمنگ، لینگویج ماڈل کے جواب کو آخر میں ایک ساتھ لوٹانے کے بجائے، بنتے وقت ہی چھوٹے چھوٹے ٹکڑوں (chunks) میں لوٹانے کا طریقہ ہے۔ OpenAI-compatible APIs، درخواست میں stream کو true سیٹ کرنے پر server-sent events کے ذریعے اسٹریم کرتے ہیں۔

[ٹول کالنگ (tool calling)](https://broadrouter.com/ur/glossary/tool-calling/)

ٹول کالنگ، جسے function calling بھی کہتے ہیں، LLM API کی وہ سہولت ہے جس میں ماڈل ڈویلپر کے طے کردہ کسی فنکشن کو چلانے کی ایک منظم درخواست، JSON آرگیومنٹس کے ساتھ، لوٹاتا ہے۔ ایپلیکیشن فنکشن چلا کر نتیجہ واپس بھیجتی ہے؛ ماڈل خود کبھی کوڈ نہیں چلاتا۔

[زیرو ڈیٹا ریٹینشن (zero data retention، ZDR)](https://broadrouter.com/ur/glossary/zero-data-retention/)

زیرو ڈیٹا ریٹینشن (ZDR) ڈیٹا سنبھالنے کی ایک پالیسی ہے، جس میں AI فراہم کنندہ پرامپٹس اور آؤٹ پٹ صرف درخواست پوری کرنے کے لیے پروسیس کرتا ہے اور بعد میں وہ مواد لاگز، کیش یا تربیتی ڈیٹا میں محفوظ نہیں کرتا۔ ٹوکن گنتی اور اوقات جیسے بغیر مواد کے ریکارڈ عموماً پھر بھی رکھے جاتے ہیں۔

[کیش شدہ ان پٹ ٹوکن (cached input tokens)](https://broadrouter.com/ur/glossary/cached-input-tokens/)

کیش شدہ ان پٹ ٹوکن وہ پرامپٹ ٹوکن ہیں جنہیں LLM فراہم کنندہ نے حال ہی میں پروسیس کیا ہو اور دوبارہ حساب کرنے کے بجائے کیش سے پھر استعمال کر سکے، عموماً سسٹم پرامپٹ یا دستاویز جیسا دہرایا گیا پریفکس۔ فراہم کنندگان ان کا بل نئے ان پٹ ٹوکنز سے کم شرح پر بناتے ہیں۔

[نیمڈ اینٹیٹی ریکگنیشن (NER)](https://broadrouter.com/ur/glossary/named-entity-recognition/)

Named entity recognition (NER) متن میں نام تلاش کرنے اور ہر نام کو شخص، ادارہ یا مقام جیسی کسی قسم کا لیبل دینے کا کام ہے۔ روایتی سسٹم ہر ٹوکن کو ٹیگ کرتے ہیں؛ LLMs سے اکثر entities کی فہرست JSON میں مانگی جاتی ہے، جسے پھر ماخذ متن سے ملا کر جانچا جاتا ہے۔

[API کلید (API key)](https://broadrouter.com/ur/glossary/api-key/)

API کلید ایک خفیہ اسٹرنگ ہے جو API کال کرنے والے کلائنٹ کی شناخت کرتی اور اسے اجازت دیتی ہے۔ LLM API عموماً اسے Authorization: Bearer ہیڈر میں چاہتے ہیں، اور جس کے پاس بھی یہ کلید ہو وہ ایسی درخواستیں کر سکتا ہے جن کا بل کلید والے اکاؤنٹ پر بنتا ہے۔

[Eval (LLM ایویلیوایشن)](https://broadrouter.com/ur/glossary/eval/)

Eval (evaluation کا مخفف) کسی لینگویج ماڈل یا پرامپٹ کا دہرایا جا سکنے والا ٹیسٹ ہے: ان پٹس کا ایک مقررہ سیٹ، اچھے آؤٹ پٹ کی وضاحت، اور ایک گریڈر (کوڈ، انسان یا دوسرا ماڈل) جو ہر آؤٹ پٹ کو اسکور کرتا ہے، تاکہ مختلف ورژنز کا موازنہ ہو سکے۔

## عام سوالات

### ہر صارف کی LLM API لاگت کیسے ٹریک کروں؟

ہر کال پر صارف کا شناخت کنندہ لگائیں، ریسپانس سے usage بلاک پڑھیں، ٹوکنز کی تعداد کو اپنی قیمتوں کی ٹیبل سے ضرب دیں، اور ہر کال کی ایک لاگ قطار لکھیں۔ صارف ٹیگ سے گروپ کریں۔ ای میل کے بجائے ہیش شدہ ID استعمال کریں۔

### کیا پورے پرامپٹس اور جوابات لاگ کروں؟

بطور ڈیفالٹ نہیں۔ نجی ڈیٹا وہیں ہوتا ہے۔ ہر کال کے ٹوکنز اور میٹا ڈیٹا لاگ کریں، اور پورا متن صرف نمونے کے طور پر چنی گئی یا ناکام کالز کا رکھیں، ریڈیکشن کے بعد، کم ریٹینشن مدت کے ساتھ۔

### میری نکالی گئی لاگت فراہم کنندہ کی انوائس سے مختلف کیوں ہے؟

عام طور پر اس لیے کہ کیش شدہ ٹوکنز کو نئے ان پٹ کی قیمت پر گنا گیا، reasoning ٹوکنز آؤٹ پٹ سے چھوٹ گئے، یا دوبارہ کوششیں لاگ نہیں ہوئیں۔ ہر کوشش لاگ کریں، ان ناکام کوششوں سمیت جنہوں نے usage لوٹایا۔

### اسٹریمنگ ریسپانس سے ٹوکن usage کیسے ملے گا؟

stream\_options میں include\_usage کو true سیٹ کریں۔ تب آخری چنک میں خالی choices فہرست کے ساتھ usage بلاک آتا ہے۔

### LLM لاگز کے لیے کون سا PII ریڈیکشن ٹول استعمال کروں؟

ای میلز، فون نمبرز اور کارڈ نمبرز جیسے اسٹرکچرڈ ڈیٹا کے لیے regex سے شروع کریں، اور ناموں اور پتوں کے لیے Microsoft Presidio جیسا NER پر مبنی ٹول شامل کریں۔ Presidio کا اپنا README کہتا ہے کہ وہ سب کچھ ڈھونڈنے کی ضمانت نہیں دے سکتا۔

## مزید پڑھیں

-   [زیرو ڈیٹا ریٹینشن والا LLM API: 10 سوالوں کی چیک لسٹ](https://broadrouter.com/ur/blog/zero-data-retention-llm-api-checklist/)
-   [کیش شدہ ان پٹ ٹوکن کیا ہیں: LLM API کا بل کیسے کم کریں](https://broadrouter.com/ur/blog/cached-input-tokens-explained/)
-   [LLM API میں 429 ایرر سے کیسے نمٹیں: بیک آف، جِٹر اور لمٹرز](https://broadrouter.com/ur/blog/handle-llm-api-429-rate-limits/)
-   [LLM اسٹریمنگ کی وضاحت: SSE چنکس، ڈیلٹا، usage اور منسوخی](https://broadrouter.com/ur/blog/llm-streaming-sse-explained/)
-   [LLM API جوابات کیش کر کے لاگت کم کریں: Python میں ایگزیکٹ میچ کیش](https://broadrouter.com/ur/blog/cache-llm-responses-cut-cost/)
-   [BroadNet کا GPU ہارڈویئر اور سروِنگ کا طریقہ، BroadNet کی زبانی](https://broadrouter.com/ur/blog/broadnet-gpu-fleet-and-serving/)
-   [دستاویزی AI ورک فلو میں انسانی جائزے کو شامل کریں](https://broadrouter.com/ur/blog/document-review-queues/)
-   [گائیڈ: BroadNet Inference کے ساتھ OpenAI Python SDK استعمال کریں](https://broadrouter.com/ur/guides/openai-python-sdk/)
-   [گائیڈ: chat completions اسٹریم کریں اور ٹوٹے کنکشن سنبھالیں](https://broadrouter.com/ur/guides/streaming-chat-completions/)
-   [گائیڈ: IP allow-list سے API کلید کو اپنے سرورز تک محدود کریں](https://broadrouter.com/ur/guides/api-keys-ip-allow-lists/)

اسے اپنے اصل کام پر آزمائیں۔ نئے اکاؤنٹس Gemma اور ٹرانسکرپشن کے لیے US$5 کے کریڈٹ سے شروع ہوتے ہیں۔ DeepSeek، GLM، اور Qwen3.8 کے لیے ٹاپ اپ ضروری ہے۔

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

**ذرائع**

-   [BroadNet Inference API ریفرنس، usage فیلڈز، درخواست IDs اور ریٹینشن (انگریزی میں)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-llm-api-usage-logging&utm_content=sources)
-   [BroadNet Inference کی مشین ریڈایبل قیمتیں (pricing.json) (انگریزی میں)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-llm-api-usage-logging&utm_content=sources)
-   [OWASP Logging Cheat Sheet، لاگز سے باہر رکھنے والا ڈیٹا](https://cheatsheetseries.owasp.org/cheatsheets/Logging_Cheat_Sheet.html)
-   [Microsoft Presidio README، PII کی شناخت اور اس کی حدیں (حاصل کیا گیا 2026-11-14)](https://github.com/microsoft/presidio)
-   [openai-python README، with\_raw\_response سے ریسپانس ہیڈرز پڑھنا](https://github.com/openai/openai-python)
