Analysiere die Kosten einzelner LLM-Prompts auf Basis von Systemprompt, Nutzereingabe, zusätzlichem Kontext und erwarteter Antwortlänge. So erkennst du, welche Promptbestandteile die laufenden Modellkosten treiben und was eine Optimierung pro 1.000 Aufrufe bewirkt.
Das Hauptergebnis zeigt die Gesamtkosten des Prompt-Designs. Die Inputkosten machen sichtbar, wie stark langer System- oder Kontexttext ins Gewicht fällt.
Tokenzahlen unterscheiden sich je Modell und Tokenizer. Verwende für genaue Planung Messwerte aus deinem tatsächlichen Modellstack.
25.000 Aufrufe mit 2.000 Input-Tokens und 400 Output-Tokens kosten bei 2 € und 8 € je Million Tokens insgesamt 180,00 €.
Die Systemprompt-Tokens werden bei jedem Aufruf als Input berücksichtigt und skalieren daher direkt mit der Anzahl der Aufrufe.
Trage die durchschnittlich zusätzlich eingeblendeten Kontext-Tokens in das Feld Kontext-Tokens ein.
Die Ersparnis entspricht 500 Tokens × Aufrufe × Inputpreis ÷ 1.000.000.
Verwende einen realistischen Durchschnitt der Nutzereingabe-Tokens aus Logs oder Stichproben.
Ja. Berechne jede Version mit ihren jeweiligen Tokenmengen und vergleiche Gesamtkosten sowie Kosten je Aufruf.
| Kennzahl | Bedeutung |
|---|---|
| Hauptergebnis | Geschätzte Gesamtkosten für die eingegebenen Annahmen |
| Nebenresultate | Treiber, Stückkosten oder Teilkosten zur besseren Einordnung |