必须依赖云监控2.0工作空间与sls project共同采集数据，单独查看单次调用token无法反映真实成本；需开启agent轨迹采集并确保状态正常，否则用量数据完全缺失且不可补录。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
要在 Agent Space 中准确统计模型消耗，必须依赖其绑定的云监控 2.0 工作空间与 SLS 日志服务 Project，二者共同构成用量数据的采集与聚合基础。单独查看某次对话或某次调用的 Token 数，无法反映真实成本结构，因为 Agent 的消耗是多节点、多轮次、含工具调用与缓存复用的复合过程。
确认 Agent Space 已启用用量采集
登录 AgentLoop 控制台 → 进入目标 AgentSpace → 查看「监控配置」页签。确保「Agent 轨迹」处于已开启状态，且关联的云监控 2.0 工作空间状态为“正常运行”。【若此处为关闭状态，所有后续用量数据将完全缺失，且不可补录】
该配置在创建空间时默认勾选，但若早期空间未开启轨迹采集，则需手动编辑空间设置并重启 Agent 执行链路，否则历史用量无法回溯。
从 SLS 日志中提取原始用量事件
进入对应 SLS Project → 选择日志库 agentloop-trace-raw → 执行如下查询语句：
* | select time, trace_id, span_name, json_extract_scalar(attributes, '$.llm.usage.prompt_tokens') as prompt, json_extract_scalar(attributes, '$.llm.usage.completion_tokens') as completion, json_extract_scalar(attributes, '$.llm.model') as model where span_name like '%chatModel.Generate%' and time >= '2026-09-01 00:00:00'
注意：SLS 中用量字段嵌套在 attributes 字段的 JSON 结构内，直接查 usage 字段会返回空；必须用 json_extract_scalar 解析。Span 名称含 chatModel.Generate 的记录，才代表一次有效模型调用。
这一步操作起来很简单，直接把查询语句粘贴进 SLS 查询框即可执行。
按维度聚合统计用量
方法一：按模型类型汇总（适合评估模型选型成本）
在 SLS 查询界面，点击「分析」页签 → 输入：
* | select model, sum(cast(prompt as bigint)) as total_prompt, sum(cast(completion as bigint)) as total_completion, count(*) as call_count group by model order by total_prompt + total_completion desc
方法二：按时间窗口滚动统计（用于识别突增或周期性峰值）
使用 time_series 函数生成每小时用量曲线：
* | select time_series(time, '1h') as hour, sum(cast(prompt as bigint) + cast(completion as bigint)) as tokens_per_hour group by hour order by hour limit 72
方法三：按 Agent 节点定位高消耗环节（排查优化点）
第一步：定位高 Token 消耗 trace_id
* | select trace_id, sum(cast(prompt as bigint) + cast(completion as bigint)) as total_tokens group by trace_id order by total_tokens desc limit 5
第二步：用 trace_id 查看完整调用链
trace_id = 'tr-8a3f2e9d' | select span_name, json_extract_scalar(attributes, '$.llm.model') as model, cast(json_extract_scalar(attributes, '$.llm.usage.total_tokens') as bigint) as tokens, duration_ms order by start_time
第三步：比对 span_name 与 tokens，识别是否由规划节点（plan_node）、工具调用后推理（tool_refine）、或多轮重试（retry_loop）导致 Token 堆积。
