向大模型发送的每一次请求都在烧钱，但你真的清楚那些Token流向了哪里吗？我通过OpenTelemetry为现有的Go AI服务注入可观测能力，追踪每一个Token消耗，再借助MCP深入分析遥测数据，终于揭开了背后隐藏的惊人真相。 不监控AI服务的Token用量到底有多危险？一家科技公司最近因为无人跟踪内部Token消耗，仅一个月就收到高达5亿美元的Claude AI账单。复杂的自动化工作流和日益频繁的日常提示，正在财务报表察觉之前悄悄耗尽你的预算。 提到监控，很多人第一反应是使用Datadog，但这条路对AI应用来说代价高昂。每个模型、用户和提示都会增加海量数据，庞大的文本日志让存储成本直线上升，而专有工具链又会形成供应商锁定，未来迁移不仅代码工作量大，费用也难以估量。这就是为什么我们选择OpenTelemetry——它能避免因自定义指标数量爆炸而产生的“Datadog税”，解除对dd-trace-go等专有插桩的依赖，并在自托管方案下让你完全掌控AI数据摄入，防止大负载日志索引成本失控。 本篇文章重点聚焦于如何监控那些正在生成的数据，而非插桩本身。如果你还没有完成基础插桩设置，可以参考相关Go语言监控的入门资源，或者干脆让AI助手帮你快速上手。在观测平台的选择上，我们采用了开源且支持自托管的SigNoz，它既保持了灵活的扩展性，又从根本上控制了观测成本。通过这套组合拳，你不仅能看清每一分花销的去向，更可以在预算失控前及时堵住AI服务的吞金黑洞。

打开网易新闻 查看精彩图片