{
  "schema": "2.0.0",
  "timestamp": "2026-05-07T00:46:30.942Z",
  "level": "info|warn|error",
  "tag": "auto-extract|checkpoint|vector|...",
  "message": "日志消息",
  "context": {
    "role": "default|bw|psm|jly|zero",
    "sessionId": "uuid",
    "cwd": "/path",
    "pid": 12345
  },
  "meta": {
    "model": "provider/model-name",
    "duration_ms": 1234,
    ...
  },
  "traceId": "tr-xxx"
}

快速分析

基础统计

运行内置分析脚本：

python3 ~/.pi/agent/skills/pi-log-analyzer/scripts/analyze.py [目录路径] [天数]

参数：

目录路径：日志目录，默认 .log/
天数：分析最近 N 天，默认 3

示例：

# 分析最近 3 天
python3 ~/.pi/agent/skills/pi-log-analyzer/scripts/analyze.py

# 分析最近 7 天
python3 ~/.pi/agent/skills/pi-log-analyzer/scripts/analyze.py .log/ 7

# 分析指定目录
python3 ~/.pi/agent/skills/pi-log-analyzer/scripts/analyze.py /path/to/logs 5

输出内容

脚本生成以下分析：

概览统计：日志条数、会话数、时间跨度
级别分布：info/warn/error 数量和占比
模块活跃度：各 tag 出现频率
角色活动：各角色的日志量
模型使用：调用的模型及次数
时间分布：每小时活跃度热力图
警告详情：warn/error 的具体内容和模式

手动分析

如需更细致的分析，可用 Python 读取日志：

import json
from collections import Counter

with open('.log/2026-05-09.jsonl') as f:
    for line in f:
        d = json.loads(line)
        # 访问字段：d['level'], d['tag'], d['meta']['model'], etc.

常见标签（tag）含义

标签	含义
`auto-extract`	自动记忆提取
`checkpoint`	定时保存点
`daily-memory`	每日记忆写入
`vector`	向量索引操作
`pending`	待处理项
`repair`	记忆修复
`embedding`	嵌入生成
`knowledge`	知识库操作

常见问题诊断

auto-extract parse failed

原因：LLM 返回的记忆提取结果格式不符合预期

典型模式：

返回推理过程而非 JSON
JSON 被截断
包含 <think> 标签

建议：

检查模型是否支持结构化输出
优先使用 DeepSeek V4 Flash（失败率最低）

模型调用失败

检查 meta.model 字段确认使用的模型，对比 models.json 配置。

使用场景

日常巡检：快速查看最近活动是否正常
问题排查：定位警告/错误的根因
性能分析：识别高负载时段和模块
模型评估：统计各模型使用量和成功率
容量规划：基于会话数和日志量预估资源

npx skills add dwsy/agent --skill pi-log-analyzer