क्रेडिट

EKB में क्रेडिट कैसे खर्च होते हैं, इसे समझें

महत्वपूर्ण सूचना: हमारे अन्य Automation Anywhere उत्पादों के साथ समानता बनाए रखने के लिए, हमने गणना किए गए क्रेडिट के UI प्रतिनिधित्व को 10 गुना बढ़ा दिया है। आगे चलकर, UI में क्रेडिट k इकाइयों (हज़ार) में दिखाए जाएंगे, जैसे 1,000 क्रेडिट के लिए 1k क्रेडिट। यह अपडेट वर्तमान में टीम दर टीम क्रमिक रूप से लागू हो रहा है। पावर उपयोगकर्ताओं के लिए अतिरिक्त ऐड-ऑन क्रेडिट असाइन करने सहित सुगम संक्रमण के लिए Sales, Orders और Deal Desk टीमें पहले ही संपर्क कर चुकी हो सकती हैं। प्रश्नों या चर्चा के लिए [e-mail] पर संपर्क करें, हम सहायता करने में प्रसन्न होंगे।

EKB उपयोग क्रेडिट में बिल किया जाता है, जो AI-संचालित वर्कफ़्लो चलाने की अंतर्निहित लागतों को अमूर्त करने वाली एकीकृत मुद्रा है। क्रेडिट दो प्रकार की गतिविधि को कवर करते हैं: दस्तावेज़ अपलोड करने, संदेश भेजने और टूल इनवोक करने जैसे अलग-अलग संचालन के लिए निश्चित दर प्लेटफ़ॉर्म एक्शन क्रेडिट; और भाषा मॉडल द्वारा संसाधित और उत्पन्न टेक्स्ट की मात्रा पर आधारित परिवर्तनीय LLM टोकन क्रेडिट। ये दोनों घटक मिलकर EKB में किसी भी संचालन की कुल लागत बनाते हैं।

यह पृष्ठ बताता है कि प्रत्येक क्रेडिट प्रकार की गणना कैसे होती है, वास्तविक उदाहरण देता है, और बताता है कि उपयोग किन कारकों से बढ़ता या घटता है।

​

मूल अवधारणाएँ

​

क्रेडिट क्या हैं?

क्रेडिट वह माप इकाई है जिसका उपयोग EKB प्लेटफ़ॉर्म उपयोग को ट्रैक और बिल करने के लिए करता है। प्रत्येक अंतर्निहित संसाधन (कंप्यूट, API कॉल, LLM उपयोग) के लिए अलग से बिल करने के बजाय, क्रेडिट एक एकीकृत मुद्रा प्रदान करते हैं जो उन लागतों को पूर्वानुमानित प्रारूप में अमूर्त करती है।

क्रेडिट दो तरीकों से खर्च होते हैं:

• प्लेटफ़ॉर्म एक्शन क्रेडिट विशिष्ट उपयोगकर्ता क्रियाओं से जुड़े निश्चित शुल्क हैं — दस्तावेज़ अपलोड करना, चैट संदेश भेजना, या टूल इनवोक करना। ये सामग्री के आकार या उपयोग किए गए मॉडल की परवाह किए बिना निश्चित और पूर्वानुमानित हैं।
• LLM टोकन क्रेडिट वास्तविक भाषा मॉडल उपयोग पर आधारित परिवर्तनीय शुल्क हैं। LLM लागत इस बात पर निर्भर करती है कि मॉडल में कितना टेक्स्ट जाता और आता है, इसलिए ये क्रेडिट दस्तावेज़ के आकार, प्रतिक्रिया की लंबाई और मॉडल चयन के आधार पर बदलते हैं।

किसी भी संचालन के लिए आपका कुल क्रेडिट खपत हमेशा दोनों प्रकारों का योग होता है।

​

टोकन क्या हैं?

टोकन वह इकाई है जिसका उपयोग Large Language Models टेक्स्ट प्रोसेस करने के लिए करते हैं। LLM द्वारा कोई भी टेक्स्ट पढ़े या उत्पन्न किए जाने से पहले, इसे टोकन में तोड़ा जाता है — छोटे टुकड़े जो मोटे तौर पर शब्दों या शब्दों के हिस्सों से मेल खाते हैं।

सामान्य नियम के रूप में:

• 1 टोकन ≈ 4 वर्ण, या अंग्रेज़ी में मोटे तौर पर ¾ शब्द
• 100,000 शब्दों का दस्तावेज़ लगभग 133,000 टोकन है
• “Explain this document” जैसा छोटा वाक्य लगभग 4–5 टोकन का होता है

LLM प्रदाता इनपुट टोकन (मॉडल को भेजा गया टेक्स्ट — आपका प्रॉम्प्ट, पुनर्प्राप्त दस्तावेज़ चंक, सिस्टम निर्देश) और आउटपुट टोकन (प्रतिक्रिया में मॉडल द्वारा उत्पन्न टेक्स्ट) के लिए अलग से शुल्क लेते हैं। इनपुट और आउटपुट दरें अलग होती हैं, और दोनों आपके LLM टोकन क्रेडिट खपत में योगदान करते हैं। प्रति-मॉडल इनपुट और आउटपुट क्रेडिट दरों के लिए पूर्वनिर्धारित और कस्टम मॉडल देखें।

EKB में, टोकन उपयोग तब बढ़ता है जब बड़े दस्तावेज़ संदर्भ में पुनर्प्राप्त होते हैं, प्रॉम्प्ट में कई Knowledge Base चंक शामिल होते हैं, या मॉडल लंबी या संरचित प्रतिक्रियाएँ उत्पन्न करता है।

​

क्रेडिट खपत तालिका

​

A. ज्ञान आधार (KB) इन्जेस्शन

Knowledge Base में दस्तावेज़ अपलोड करने से बहु-चरणीय इन्जेस्शन पाइपलाइन ट्रिगर होती है। प्रत्येक चरण की अपनी लागत संरचना है, और आपकी परियोजना कॉन्फ़िगरेशन के आधार पर कुछ चरणों में अतिरिक्त LLM टोकन क्रेडिट लगते हैं।

इन्जेस्शन पाइपलाइन

Stage	Description	Cost
1. Document Upload	फ़ाइल प्राप्त होती है और शब्द गणना की जाती है	10,000 शब्दों पर 10 क्रेडिट
2. LLM Extraction (optional)	LLM दस्तावेज़ से सामग्री पार्स और निकालता है	इनपुट + आउटपुट टोकन × मॉडल दर
3. Platform Chunking	टोकनाइज़ेशन, विभाजन और मेटाडेटा असेंबली	मुफ़्त (प्लेटफ़ॉर्म)
4. Chunk Enrichment (optional)	LLM प्रत्येक चंक के लिए संदर्भ उपसर्ग उत्पन्न करता है	इनपुट + आउटपुट टोकन × मॉडल दर

चरण 2 और 4 केवल तभी बिल किए जाते हैं जब वे आपकी परियोजना सेटिंग्स में सक्षम हों। दस्तावेज़ चंकिंग इन्जेस्शन के हिस्से के रूप में होती है और इसमें अतिरिक्त लागत लग सकती है। विस्तृत विवरण के लिए खंड B देखें।

उदाहरण – 10,000 शब्दों का दस्तावेज़ (कोई वैकल्पिक चरण सक्षम नहीं)

Item	Credits
10,000 words	10 credits

उदाहरण – 100,000 शब्दों का दस्तावेज़ (कोई वैकल्पिक चरण सक्षम नहीं)

Item	Credits
100,000 words	100 credits

उदाहरण – 100,000 शब्दों का दस्तावेज़ (सभी चरण सक्षम)

Item	Credits
100,000 words (upload)	100 credits
LLM Extraction tokens	मॉडल के अनुसार भिन्न
Platform Chunking	मुफ़्त
Chunk Enrichment tokens	~10 credits (खंड B देखें)
Estimated Total	~110+ credits

जितने अधिक वैकल्पिक चरण आप सक्षम करेंगे, प्रति-दस्तावेज़ इन्जेस्शन लागत उतनी अधिक होगी। शब्द-आधारित अपलोड लागत हमेशा निश्चित और पूर्वानुमानित होती है।

​

B. दस्तावेज़ चंकिंग

चंकिंग दस्तावेज़ निष्कर्षण और एम्बेडिंग के बीच का चरण है। यह अपलोड किए गए दस्तावेज़ से साफ़ टेक्स्ट लेता है और इसे छोटे टुकड़ों (चंक) में तोड़ता है जो वेक्टर स्टोर में इंडेक्स होते हैं और बाद में Chat या Agent क्वेरी के लिए पुनर्प्राप्त होते हैं।

चंकिंग लागत दो श्रेणियों में आती है:

• प्लेटफ़ॉर्म चंकिंग: निर्धारक संचालन (टोकनाइज़ेशन, विभाजन, मेटाडेटा असेंबली) जो सर्वर पर स्थानीय रूप से चलते हैं और LLM उपयोग के रूप में बिल नहीं होते।
• चंक एनरिचमेंट (LLM टोकन क्रेडिट): केवल तभी बिल होता है जब Knowledge Base सेटिंग्स में परियोजना के लिए चंक एनरिचमेंट सक्षम हो। LLM प्रत्येक चंक के लिए एक छोटा संदर्भ उपसर्ग उत्पन्न करता है; इनपुट और आउटपुट दोनों टोकन शुल्क लगते हैं।

​

उदाहरण: दस्तावेज़ चंकिंग लागत

निम्न उदाहरण मध्यम आकार के दस्तावेज़ को मानता है जिसमें चंक एनरिचमेंट सक्षम है:

• दस्तावेज़ आकार: 100,000 शब्द (~133,000 इनपुट टोकन, 4 वर्ण/टोकन पर)
• चंक सेटिंग्स: chunk_size=64 tokens, chunk_overlap=10 tokens → ~2,300 चंक
• चंक एनरिचमेंट: gpt-4o-mini के साथ सक्षम
• आउटपुट टेक्स्ट (एनरिचमेंट उपसर्ग सहित जुड़े चंक): ~140,000 आउटपुट टोकन
• मॉडल मूल्य निर्धारण (उदाहरण): इनपुट $0.15 प्रति 1M टोकन, आउटपुट $0.60 प्रति 1M टोकन

Component	Tokens	Cost
Input Tokens (document)	133,000	$0.01995
Output Tokens (chunks)	140,000	$0.084
Total LLM Cost	273,000	$0.104

अतः $0.104 (कुल LLM लागत) / $0.01 (प्रति क्रेडिट लागत) = 10.4 क्रेडिट, ~10 क्रेडिट के रूप में प्रदर्शित।

यदि वही दस्तावेज़ चंक एनरिचमेंट बिना अपलोड किया जाए, तो चंकिंग 0 LLM टोकन क्रेडिट खपत करेगी।

​

C. चैट / एजेंट अंतर्क्रिया

निश्चित प्लेटफ़ॉर्म क्रेडिट

Action	Credits
उपयोगकर्ता चैट संदेश भेजता है	1 credit
टूल कॉल इनवोक	प्रति कॉल 1

परिवर्तनीय LLM टोकन क्रेडिट

LLM क्रेडिट की गणना इस प्रकार होती है:

(Input Tokens × Input Rate) + (Output Tokens × Output Rate)

उदाहरण मूल्य निर्धारण (Claude 4.5 नमूना मॉडल):

• इनपुट: $3 प्रति 1M टोकन

• आउटपुट: $15 प्रति 1M टोकन

​

D. वर्कफ़्लो निष्पादन

Action	Credits
Workflow execution	1 per execution

शामिल चरणों की संख्या की परवाह किए बिना, प्रति निष्पादन लागत 1 क्रेडिट है।

​

E. Smart Tables

Smart Tables LLM-संचालित निष्कर्षण को एजेंट-संचालित वर्कफ़्लो के साथ जोड़ते हैं। क्रेडिट खपत उपयोग किए गए कम्प्यूटेशन पथ पर निर्भर करती है।

Action	Credits
LLM computation	इनपुट और आउटपुट टोकन के आधार पर शुल्क; लागत चयनित LLM पर निर्भर करती है।
Agent computation	चैट / एजेंट अंतर्क्रिया के समान तरीके से शुल्क लगता है।

​

पूर्ण चैट उदाहरण

परिदृश्य

उपयोगकर्ता पूछता है: “Explain the attached document.”

प्लेटफ़ॉर्म क्रेडिट

Component	Credits
Question asked	1
Tool calls (document retrieval)	2
Subtotal	3

LLM टोकन उपयोग

Type	Tokens	Cost
Input	~53,634	~$0.161
Output	~900	~$0.0135
Total	—	~$0.1745

क्रेडिट में परिवर्तित: 17 credits

अंतिम कुल

Component	Credits
Fixed platform	3
LLM usage	17
Total	20

​

लागत गणना सूत्र सारांश

दस्तावेज़ अपलोड

शब्द क्रेडिट = (कुल शब्द ÷ 10,000) × 10 + LLM टोकन क्रेडिट (पार्सिंग)

चैट संदेश

निश्चित संदेश क्रेडिट + टूल कॉल क्रेडिट + LLM टोकन क्रेडिट (इनपुट + आउटपुट)

​

LLM क्रेडिट उपयोग क्या बढ़ाता है?

LLM लागत तब बढ़ती है जब:

▶ बड़े दस्तावेज़ संदर्भ में पुनर्प्राप्त होते हैं

▶ प्रॉम्प्ट में कई KB चंक इंजेक्ट होते हैं

▶ प्रतिक्रियाएँ लंबी या संरचित होती हैं

▶ कई टूल कॉल ट्रिगर होते हैं

▶ उच्च-लागत मॉडल चुने जाते हैं

​

ग्राहकों के लिए महत्वपूर्ण नोट्स

✓ शब्द-आधारित इन्जेस्शन लागत पूर्वानुमानित है।

✓ चैट लागत दस्तावेज़ के आकार और उपयोग किए गए टोकन की संख्या के आधार पर काफी भिन्न होती है।

✓ मॉडल मूल्य निर्धारण Super Admin में कॉन्फ़िगर करने योग्य है।

✓ LLM क्रेडिट उपभोग-आधारित हैं और निश्चित दर पर नहीं रखे जा सकते।

✓ अंतिम क्रेडिट कुल = प्लेटफ़ॉर्म क्रेडिट + LLM क्रेडिट।