用途：使用 Langfuse 内置的 token 与成本追踪、Metrics API、模型路由和预算告警，跟踪、分析并优化 LLM 调用成本。
主要能力：Langfuse 在捕获 token 用量后会自动为支持的模型（OpenAI、Anthropic、Google）计算成本；自定义模型可在 Settings > Model Definitions 配置价格。成本追踪作用于 generation 和 embedding 类型的 observation。UI 提供成本仪表盘、延迟仪表盘、自定义仪表盘与多级定价（缓存 token、音频 token、按模型分层）。
使用方式：自动追踪可用 observeOpenAI 包装客户端；手动追踪需在 generation observation 中提供 model 与 usage（promptTokens、completionTokens、totalTokens），可选 costInUsd 覆盖推断成本。Metrics API 需安装 @langfuse/client，通过 LangfuseClient 的 traces.list 与 observations.list 拉取数据并按模型聚合成本。模型路由可按任务复杂度与输入长度选择更便宜的模型。预算告警脚本可作为 cron 任务运行，按日成本阈值触发告警。
适用场景：跟踪 LLM 支出、识别成本异常、实施降本（模型降级、提示优化、响应缓存、批处理、token 限制）。
限制：需先完成 Langfuse tracing 并捕获 token 用量；Metrics API 需安装 @langfuse/client；需了解 LLM 定价模型。缺失成本数据通常因未提供 usage；成本计算错误多因模型名不匹配；自定义模型需手动配置价格，且价格变动后需更新模型定义。具体收费、价格与效果资料未提供。