llm-log-analyzer

# LLM Log Analyzer 分析 `./data/` 下的 LLM 请求/响应日志。 ## 日志结构 每个请求对应一个目录，命名格式 `YYYY-MM-DD_HH-MM-SS-mmm_NNNN`： ### 新格式（当前） ``` data/ └── 2026-05-20_03-56-28-921_0014/ ├── request.json # { headers: {...}, body: {...} } └── stream.log # SSE 流式响应原文（含 usage 数据） ``` ### 旧格式（兼容） ``` data/ └── 2026-05-14_10-30-15-123_0003/ ├── request.json # { headers?: {...}, body?: {...} } 或裸 body ├── response.json # JSON 响应（非流式） ├── stream.log # SSE 流式响应原文 └── log.txt # 终端格式的人类可读日志 ``` **request.json 格式**：`{ "headers": {...}, "body": {...} }`。body 包含以下字段： - `model`：模型名称（如 `deepseek-v4-pro`） - `system`：system prompt 数组（Anthropic 格式），每项含 `text` + 可选 `cache_control` - `messages`：消息数组 - `tools`：工具定义数组（Anthropic 格式用 `name`，OpenAI 格式用 `function.name`） - `thinking`：推理配置（如 `{"type": "enabled", "budget_tokens": 8000}`） - `output_config`：输出配置（如 `{"effort": "high"}`） - `stream`：是否流式（`true`） - `max_tokens`：最大输出 token `headers` 中的 `x-session-id` 可按 session 追踪同一 agent 的多次请求。`host` 头用于推断 API 路由（如 `api.deepseek.com` → `deepseek`）。 **stream.log 格式**：SSE 事件流，包含： - `message_start`：初始 usage（`input_tokens`、`cache_read_input_tokens`、`cache_creation_input_tokens`、`output_tokens=0`） - `content_block_start/delta/stop`：thinking、text、tool_use 内容块 - `message_delta`：最终 usage（含实际 `output_tokens`）+ `stop_reason` - `message_stop`：流结束标记 工具自动从 `stream.log` 的 `message_delta` 事件提取 token usage 数据，无需 `response.json`。 ## 分析工具 `scripts/llm-log-query.mjs` 提供以下子命令，用 ...