用途：分析 AI 可观测性中费用最高的用户，不仅排序，还结合用量、模型、token、缓存、错误率与代表调用链解释其成本来源。适用于询问高花费用户、单用户费用构成或成本异常排查的场景。
主要能力：按生成调用成本对用户排名；建立项目基准（人均成本、p50/p90/p99、错误率）；按模型与 token 经济学拆分成本；对比用户与全局差异；找出该用户最贵的 trace 并读取；借助 read-data-schema 发现自定义维度（如 feature、tenant_id、workflow_name）后再分组，避免猜测。
使用方式：先限定时间范围（未指定则默认最近 30 天并说明），从 $ai_generation 的 per-user 花费查询起步，需要全量花费时纳入 $ai_embedding 并注明事件集变化；对已识别用户排除 distinct_id 等于 $ai_trace_id 的默认值并标注未归属花费；只投影明确标签列（如 email、name），不要选原始 person.properties。基准查询中外层聚合列名需与 CTE 列名区分，否则会因聚合嵌套报错；若基准仍失败，只报告绝对成本与占比，不得编造分位数。用 posthog:query-llm-trace 读取代表 trace，可用 posthog:generate-app-url 生成 UI 链接，不硬编码 host。
限制：资料未提供价格、收费或效果数据。如自定义维度未发现则无法按该维度归因；基准不可用时无法给出“高于中位数多少倍”的结论。避免通用建议，只有数据支持才给出降价模型、减少上下文、限制输出、改善缓存或修复重试等杠杆。