在线AI教程 / AI工具

[Amazon Bedrock] Amazon Bedrock 上 AI 开发工具与生产力工具的成本归因与控制

· 转自:aws.amazon.com

人工智能 Amazon Bedrock 上 AI 开发工具与生产力工具的成本归因与控制 Amazon Bedrock 内置的成本归因无需任何插桩,就能把每次推理调用追溯到发起它的

转载本文转自「aws.amazon.com」,版权归原作者所有,内容已摘录正文、去除外部链接。

人工智能

Amazon Bedrock 上 AI 开发工具与生产力工具的成本归因与控制

Amazon Bedrock 内置的成本归因无需任何插桩,就能把每次推理调用追溯到发起它的 IAM 委托人。身份信息连同组织标签一起流入 AWS Cost and Usage Reports (CUR 2.0) 和 AWS Cost Explorer,同时数据始终留在 AWS 安全边界内。本文将介绍如何用这些能力回答每一位 FinOps 与 AI 平台负责人在 AI 工具采用规模扩大时都会问的三个问题:每位用户的真实成本是多少?哪些团队产生的支出最多,这些支出与他们交付的价值是否相称?明年的预算该如何随人员编制和采用规模调整?

无论发起调用的是哪款 AI 编码或生产力工具,这套做法都完全一样。Claude Code、Claude Desktop、OpenAI Codex、ChatGPT Work 和 OpenCode 都通过两个推理端点之一调用 Amazon Bedrock:bedrock-runtime 或 bedrock-mantle;而 Bedrock 的归因机制运行在端点层,位于任何工具专有逻辑之下。身份传播只需配置一次,之后所有经由 Bedrock 路由推理的工具都会自动获得按用户划分的成本可见性。

读完本文,你将完成:把 AWS IAM Identity Center 与外部身份提供商对接以实现按用户归因;让会话标签(团队、成本中心)流入 CUR 2.0;掌握用于持续成本可见性的 Amazon Athena 查询与仪表板方案;并清楚理解 Bedrock 原生的使用控制如何落实支出上限。

Amazon Bedrock 归因的工作原理

Amazon Bedrock 会记录每个推理调用方的 IAM 身份,你的 API 调用无需任何改动。当用户通过 bedrock-runtime 或 bedrock-mantle 端点调用模型时,Bedrock 会捕获调用方完整的 IAM ARN(包括联合用户的会话名称),并把它发布到 CUR 2.0 的 line_item_iam_principal 列。在计费数据里,用量按每个导出间隔、每个委托人和每个用量类型聚合:按小时导出即每小时一段,按天导出即每天一段。CUR 不包含单次请求的成本。若要逐 prompt 查看明细,请使用模型调用日志或请求元数据标记。

你也可以选择给 IAM 委托人附加标签,或在联合认证时传入会话标签,以补充组织维度。这些标签在 CUR 2.0 中带 iamPrincipal/ 前缀出现,在 Cost Explorer 中则作为可筛选维度。该机制支持四种访问模式:IAM 用户、按应用划分的角色、联合身份,以及代理到 Bedrock 的大型语言模型 (LLM) 网关。四者的对比参见 Amazon Bedrock 细粒度成本归因简介。本文采用联合身份模式——对于每位开发人员或知识工作者都单独认证的 AI 编码与生产力工具来说,这是最自然的选择。

除 IAM 委托人跟踪之外,Amazon Bedrock 还提供其他归因机制,组织可按需叠加使用(对比见附录 A)。借助 Application Inference Profiles,你可以在 bedrock-runtime 端点上按工作负载标记支出;借助 Projects 和 Workspaces,你可以在 bedrock-mantle 端点上隔离并标记支出。对于需要比 CUR 2.0 每个导出间隔按用量类型聚合更细粒度的工作负载,按请求做元数据标记能在模型调用日志里给出逐 prompt、token 级的明细。这些机制可以组合使用,例如用 IAM 委托人归因拿到账单上每位用户的花费,同时用按请求的元数据标签在日志里保留逐 prompt 明细。如何选择取决于目标(参见 跟踪 Amazon Bedrock 的使用量与成本)。

归因问题

开发工具和生产力工具运行在每位用户的机器上,直接调用 Amazon Bedrock,或经由 LLM 网关调用。用户通过代入一个共享 IAM 角色完成认证,因此每次 API 调用在账单里都显示为 assumed-role//。如果所有用户代入角色时都用同一个固定会话名称,或者调用走的是网关自己的角色,CUR 就会把支出汇总到单一委托人上。使用 IAM Identity Center 时,会话名称就是用户的登录名,于是每位用户都有各自的委托人;你还可以用会话标签(团队、成本中心、项目)进一步丰富它。这些字段会流入 CUR 2.0 的 line_item_iam_principal 列以及带 iamPrincipal/ 前缀的成本分配标签,让按用户划分的支出能与具体金额一起被查询,而 Bedrock API 调用无需任何改动。

Claude Platform on AWS 和 Claude for Enterprise 的推理经由 Anthropic 管理的基础设施路由。对于 Claude Platform on AWS,用量可在 Anthropic 管理控制台里按 workspace 和 API key 查看,workspace 标签也会流入 AWS 账单。对于 Claude for Enterprise,按用户划分的用量可在 Anthropic 管理控制台以及 Usage and Cost API 中查看。支出上限由 Anthropic 原生执行。

先决条件

开始之前,请确认你已具备:

一个 AWS 账户,其 IAM 权限可访问你打算使用的 Bedrock 模型。 在管理账户中启用 AWS IAM Identity Center。 一个具备 SCIM 预置能力的外部身份提供商(Okta、Microsoft Entra ID 或 Ping Identity)。 在开发人员机器上配置好的 AWS CLI v2。 已启用并包含 IAM 委托人数据、投递到 S3 存储桶的 AWS Cost and Usage Report (CUR 2.0)。 从管理(付款人)账户激活的成本分配标签。 一个用于查询 CUR 2.0 数据的 Athena 表(可参考 GitHub 示例 上手)。

步骤 1:用外部 IdP 配置 IAM Identity Center

把外部身份提供商配置为 AWS IAM Identity Center 的身份源。依次进入 IAM Identity Center → Settings → Identity source → Change identity source,选择 “External identity provider”,并配置与 IdP 之间的 SAML 2.0 或 SCIM 连接。启用 SCIM 预置,自动同步用户和组,包括团队、部门等组织属性。

为会话标签配置属性映射:进入 Settings → Attributes for access control,把 IdP 的组织属性映射到将流入 CUR 2.0 的会话标签。这些属性会作为会话标签(aws:PrincipalTag/Team、aws:PrincipalTag/CostCenter)随用户发起的每一次 API 调用传播,包括经由 bedrock-runtime 和 bedrock-mantle 两个端点发起的每一次 Bedrock 调用。

步骤 2:创建 Bedrock 访问权限集

在 Identity Center 中创建一个授予 Bedrock 调用权限的权限集。每位用户在该权限集内都有各自的会话,这是按用户归因的基础。具体需要哪些 IAM 操作,取决于工具调用的是哪个 Bedrock 端点。

调用 bedrock-mantle 端点的工具(如 Codex 和 ChatGPT Work)需要 bedrock-mantle:CreateInference 以及作用域限定到 Project 资源的相关操作。调用 bedrock-runtime 端点的工具(如 Claude Code 和 Claude Desktop)需要 bedrock:InvokeModel 和 bedrock:InvokeModelWithResponseStream,作用域限定到相应基础模型或推理配置文件的 ARN。如果组织在两个端点上都用到工具,可以把两者合并进同一个权限集。

{ "Statement": [ { "Sid": "BedrockMantleAccess", "Effect": "Allow", "Action": [ "bedrock-mantle:CreateInference", "bedrock-mantle:CountTokens" ], "Resource": “arn:aws:bedrock-mantle:::project/” }, { "Sid": "BedrockModelAccess", "Effect": "Allow", "Action": [ "bedrock:InvokeModel", "bedrock:InvokeModelWithResponseStream", "bedrock:ListInferenceProfiles", "bedrock:GetInferenceProfile" ], “Resource”: [ “arn:aws:bedrock:::inference-profile/“, “arn:aws:bedrock:::application-inference-profile/“, “arn:aws:bedrock:::foundation-model/” ] } ] }

注意: 这些资源模式只是起点,请收窄到你批准的特定推理配置文件和 Projects。把该权限集分配给从 IdP 同步过来的相关组。策略变更即时且全局生效,审计通过 AWS CloudTrail 按每位用户的身份集中记录,用户也不会拿到长期有效的 AWS 凭证。

步骤 3:配置用户工作站

用户只需配置一次 AWS CLI profile,无需自定义脚本、凭证助手或浏览器自动化。下面这段 ~/.aws/config 配置即可建立 SSO 会话:

[profile bedrock] sso_session = corp sso_account_id = 111122223333 sso_role_name = BedrockDeveloperAccess region = us-east-1

[sso-session corp] sso_start_url = sso_region = us-east-1 sso_registration_scopes = sso:account:access

用户运行 aws sso login --profile bedrock 完成认证:命令会打开浏览器、通过 IdP 认证,并在本地缓存凭证。AWS CLI 和 SDK 会自动刷新访问令牌,直到 IAM Identity Center 会话结束(默认 8 小时)。设置会话时长的核心取舍,是在安全态势与操作便利性之间权衡。

步骤 4:把工具指向 Amazon Bedrock

每款 AI 工具只需改一处标准配置,就能把推理路由到 Bedrock。由于 Bedrock 归因运行在端点层,不需要针对具体工具插桩。工具用步骤 3 建立的 AWS 凭证链完成认证,Bedrock 会自动捕获调用方身份。

Claude Desktop 从操作系统原生的托管偏好设置读取第三方推理配置(macOS 上是 /Library/Managed Preferences/com.anthropic.claudefordesktop.plist,Windows 上是 HKLM\SOFTWARE\Policies\Claude)。在应用内窗口(Developer → Configure Third-Party Inference)里编写一次配置,选择 Export 即可为移动设备管理 (MDM) 系统生成 .mobileconfig 或 .reg。要做按用户归因,请使用应用内 AWS 登录:每位用户在应用内对着 IAM Identity Center 认证,设备上无需安装 AWS CLI:

inferenceProvider bedrock inferenceBedrockRegion us-east-1 inferenceBedrockSsoStartUrl inferenceBedrockSsoRegion us-east-1 inferenceBedrockSsoAccountId 111122223333 inferenceBedrockSsoRoleName BedrockDeveloperAccess inferenceModels ["us.anthropic.claude-sonnet-5","us.anthropic.claude-opus-5"]

配置在启动时读取,用户必须退出并重新打开应用。如果开发人员已经在用 AWS CLI v2,改为设置 inferenceBedrockProfile,应用会替他们运行 aws sso login。

Claude Code CLI 读取标准的 AWS SDK 凭证链,包括 SSO profile。如果设置了 AWS_BEARER_TOKEN_BEDROCK,Claude Code 会用该密钥认证而不走凭证链,于是调用被归到该密钥背后的 IAM 用户。需要按用户做 SSO 归因时,请禁用它。

在设置文件中设置 awsAuthRefresh,让凭证过期时自动重新认证:

{ "awsAuthRefresh": "aws sso login --profile bedrock", "env": { "CLAUDE_CODE_USE_BEDROCK": "1", "AWS_PROFILE": "bedrock", "AWS_REGION": "us-east-1" } }

在全量铺开之前固定好模型版本,避免新版本改变用户实际调用的模型:

export ANTHROPIC_DEFAULT_OPUS_MODEL='us.anthropic.claude-opus-5' export ANTHROPIC_DEFAULT_SONNET_MODEL='us.anthropic.claude-sonnet-5'

Codex 和 ChatGPT Work 读取 ~/.codex/config.toml。桌面应用和 CLI 使用同一套配置层。针对 bedrock-mantle 端点:

model_provider = "amazon-bedrock" model = "openai.gpt-5.6-sol"

[model_providers.amazon-bedrock.aws] region = "us-east-1"

针对 bedrock-runtime 端点,请使用推理配置文件 ID:

model_provider = "amazon-bedrock-runtime" model = "us.openai.gpt-5.6-sol" web_search = "disabled"

两个端点都要在环境中设置 AWS_PROFILE。桌面应用请把环境变量放在 ~/.codex/.env 里,因为桌面应用可能不会继承 shell 的环境变量。如果设置了 AWS_BEARER_TOKEN_BEDROCK,Codex 会优先于 SSO profile 使用它,调用便归到该 API key 背后的 IAM 用户。需要按用户做 SSO 归因时,请取消该设置。

步骤 5:在 CUR 2.0 中启用成本归因

在 AWS Billing Console(Billing → Data Exports → Create export)中,配置以 Parquet 格式、按小时或按天的粒度投递到 S3。选择 “Include caller identity (IAM principal) allocation data”,即可填充 line_item_iam_principal 列。Bedrock 的 IAM 委托人成本跟踪对 bedrock-runtime 和 bedrock-mantle 两个端点都适用。

在管理账户中创建导出,可以覆盖所有账户的 Bedrock 用量。如果你在 IAM 委托人归因功能上线之前就创建过 CUR 2.0 数据导出,必须新建一个勾选了调用者身份选项的导出。

等用户登录并至少发起过一次 Bedrock 调用之后,再激活成本分配标签——委托人发起调用之后,标签才会出现在 Billing 里。在管理账户中打开 Billing → Cost allocation tags,按 IAM principal 类型筛选,激活 Team 和 CostCenter:

aws ce update-cost-allocation-tags-status \ --cost-allocation-tags-status TagKey=Team,Status=Active aws ce update-cost-allocation-tags-status \ --cost-allocation-tags-status TagKey=CostCenter,Status=Active

标签最多需要 24 小时才会出现,最多 48 小时才能在 CUR 2.0 和 Cost Explorer 中看到;激活不会追溯生效。Bedrock 对输入、输出、缓存读取和缓存写入 token 分别计量、分别计费。同一个 IAM 委托人下一小时的活动,通常会产生 4 行 CUR 记录。

步骤 6:用 Amazon Athena 查询成本数据

CUR 2.0 投递到 S3、Athena 表也配好之后,就能按需要的粒度查询用量与成本。下面的查询提取每位用户的成本:

SELECT regexp_extract(line_item_iam_principal, 'assumed-role/[^/]+/(.+)

, 1) AS user_name, line_item_usage_type, SUM(line_item_unblended_cost) AS total_cost_usd, SUM(line_item_usage_amount) AS usage_units FROM cur_table WHERE line_item_product_code IN ('AmazonBedrock', 'AmazonBedrockService') AND line_item_iam_principal IS NOT NULL AND line_item_line_item_type = 'Usage' AND billing_period = '2026-09' GROUP BY 1, 2 ORDER BY total_cost_usd DESC;

按成本中心查看每日支出趋势:

SELECT DATE(line_item_usage_start_date) AS usage_date, element_at(tags, 'iamPrincipal/CostCenter') AS cost_center, SUM(line_item_unblended_cost) AS daily_cost_usd FROM cur_table WHERE line_item_product_code IN ('AmazonBedrock', 'AmazonBedrockService') AND line_item_iam_principal IS NOT NULL AND line_item_line_item_type = 'Usage' AND billing_period = '2026-09' GROUP BY 1, 2 ORDER BY 1, daily_cost_usd DESC;

Athena 按扫描的数据量计费。列式 Parquet 加上 billing_period 过滤,能让查询保持低成本。

步骤 7:可视化

AWS Cost Explorer 无需任何配置,标签激活后按标签分组即可。AWS Quick Sight 连接 Athena 提供交互式仪表板,并带有异常检测,可对意外的支出尖峰报警。你还可以集成 CUDOS dashboard——一个开源的 Cloud Intelligence Dashboards (CID) 框架,提供细致的成本洞察。装上 Athena 插件的 Grafana 能把 CUR 数据作为时间序列,与现有基础设施指标并排呈现。

实施按用户的使用控制

借 CUR 2.0 中的 IAM 委托人归因建立起按用户的成本可见性之后,组织还需要执行机制来防止费用失控累积。目前有多种做法,各自在执行延迟与运维复杂度之间做取舍。

AWS Budgets 配合预算操作是最轻量的方案,不需要自建基础设施。设置一个按 IAM 委托人标签筛选的预算阈值,再挂上一个在突破阈值时触发的操作(例如应用 deny 策略)。代价是:AWS Budgets 每天最多更新三次,而 Bedrock 费用最多要 24 小时才会出现在账单数据里,因此高频用户可能在限制生效前就超支最多一整天。

Amazon CloudWatch 告警与 AWS Lambda 借助 Bedrock 原生的 CloudWatch 指标(InputTokenCount、OutputTokenCount、Invocations)实现近实时管控,可按模型 ID 或推理配置文件筛选。执行延迟降到 1–5 分钟。要用这种方案拿到用户级粒度,可以配合 Application Inference Profiles 或按用户划分的角色。

基于 Amazon DynamoDB 的配额跟踪在认证层执行限制。Lambda 函数在 DynamoDB 里递增按用户统计的 token 计数器,一旦超限就暂不发放凭证。限制在下一次凭证刷新时生效,而非作用于单次 API 调用,但这样消除了基于预算的方案固有的账单数据滞后。

LLM 网关代理能在 Bedrock 模型和 SDK 工作负载上做到逐次调用拦截,代价是运维复杂度最高,且每次请求都增加延迟。参见 Multi-Provider Generative AI Gateway。

组织通常会把这些方案叠加使用:CUR 2.0 用于报表,网关或基于 DynamoDB 的执行用于实时控制,AWS Budgets 兜底。完整参考见 如何限制 Amazon Bedrock 的用量与成本。

结论

Amazon Bedrock 的 IAM 委托人归因,能为每一款经由 Bedrock 路由推理的 AI 开发工具与生产力工具提供按用户的成本跟踪,无需自定义凭证脚本、按用户划分的 IAM 角色或额外基础设施。用户用 aws sso login 认证——与其他 AWS 访问用的是同一套流程——每次 Bedrock 调用都会自动把身份带进账单数据。

每个组件都可以逐步引入。先把 IdP 接到 Identity Center、分配一个 Bedrock 权限集,立刻就能在 CloudTrail 里拿到会话级归因;再激活成本分配标签,让这些数据在 CUR 2.0 中显现;随着报表需求增长,补上 Athena 查询和仪表板;最后按组织对执行延迟的容忍度,叠加从 AWS Budgets 到实时网关管控的使用控制。

无论组织今天采用、明天新增哪款 AI 工具,本文讲的归因与控制机制都运行在 Bedrock 平台层。配置一次,所有调用 Bedrock 的工具都会继承这套治理能力。

关于作者

← 返回教程列表