面向团队与企业用户的 llm-provider API 全功能管理工具。核心能力: - 涵盖免费版全部能力(对话补全、图像生成、助手管理) - 批量任务(Batch API)大规模异步处理 - 模型微调(Fine-tuning)定制化训练 - 评估(Evaluations)质量度量与回归测试 - 向量存储(Vector Stores)高级检索与 RAG - 视频生成与异步任务管理 - 容器(Containers)隔离执行环境 - 审计日志与团队权限管理 适用场景: - 企业级内容生产与自动化流水线 - ...
设计与多媒体
Llm Usage Aggregator
试用LLM使用流水数据汇总工具。将LLM调用日志CSV文件按Provider、Model、用户维度进行汇总统计，输出多Sheet Excel报表，并基于pricing_config.json计算成本。适用场景：(1) 用户提供LLM流水CSV文件需要汇总分析；(2) 需要区分内部/外部用户使用情况；(3) 需要统计p...
它能做什么
LLM使用流水数据汇总工具。将LLM调用日志CSV文件按Provider、Model、用户维度进行汇总统计，输出多Sheet Excel报表，并基于pricing_config.json计算成本。适用场景：(1) 用户提供LLM流水CSV文件需要汇总分析；(2) 需要区分内部/外部用户使用情况；(3) 需要统计prompt_tokens、completion_tokens、generated_image_count、duration_seconds等指标；(4) 需要计算各维度成本费用。
技能文档
LLM Usage Aggregator
快速使用
运行脚本处理CSV文件：
python scripts/aggregate_llm_usage.py [output_path] [pricing_config_path]
处理逻辑
用户标识合并
- 优先使用
email字段作为用户标识 - 若
email为空，则使用phone字段
内部/外部用户判定
- 内部用户：email包含
footprint、maybe或fastest（不区分大小写） - 外部用户：其他所有用户
成本计算逻辑
基于 references/pricing_config.json 中的模型定价配置，优先按 model_type 计算：
| model_type | 计价方式 | 公式 |
|---|---|---|
图片 | 按张计价 | price_per_request × generated_image_count（若generated_image_count为空或为0则默认1） |
视频 | 按秒计价 | 根据generate_audio判断有声/无声选择单价，再 × duration_seconds（若duration_seconds为空或为0则默认5） |
文本 | 按token计价 | prompt_tokens / 1,000,000 × prompt_price + completion_tokens / 1,000,000 × completion_price |
补充说明：
model_type由pricing_config.json中每个模型的配置决定，值为图片、视频、文本generation_type仍保留在原始流水中，用于辅助识别图片/视频调用场景，但文本模型是否按 token 计价以model_type=文本为准model_aliases用于将原始llm_model归一化到统一简称后再计价和汇总
校验机制
运行时自动执行以下校验，异常信息输出到终端：
| 校验项 | 说明 |
|---|---|
| 模型未配置 | llm_model 不在 pricing_config.json 中，列出模型名及影响行数 |
| llm_model为空 | 原始数据中模型名为空，无法计价 |
| pricing_type不匹配 | 图片/视频 需要 per_request，文本 需要 per_million_tokens |
| 配置字段缺失 | 视频缺audio_price对应key、文本计价缺prompt_price/completion_price等 |
| 未识别的model_type | 配置中的 model_type 不属于 图片/视频/文本 |
| token计价行成本为0 | model_type=文本 的行应逐行有token计价，成本为0属异常，按模型汇总输出 |
视频类型有声/无声判断
generate_audio为True→ 有声，使用audio_price.with_audiogenerate_audio为False或空值 → 无声，使用audio_price.without_audio- 若模型配置无
audio_price字段，则使用price_per_request
汇总维度
输出Excel为单Sheet（汇总报表），4个区块由上至下排列，每个区块末尾有合计行：
| 顺序 | 区块标题 | 汇总维度 |
|---|---|---|
| 1 | 按内外部用户 | 内部用户/外部用户 |
| 2 | 按模型平台 | llm_provider |
| 3 | 按模型 | llm_model |
| 4 | 按用户 | email/phone合并后的用户标识 |
汇总字段
prompt_tokens- 输入token数completion_tokens- 输出token数generated_image_count- 生成图片数duration_seconds- 耗时秒数成本(USD)- 基于定价配置计算的成本记录数- 调用次数
CSV文件要求
必需字段：
email或phone- 用户标识llm_provider- LLM提供商llm_model- 模型名称
可选字段：
prompt_tokens、completion_tokens、generated_image_count、duration_secondsgeneration_type- 生成类型（image/video/空）generate_audio- 是否生成音频（布尔值，视频类型使用）
参考文件
references/pricing_config.json— 定价配置（与llm-cost-aggregator共用）
新增模型（本次更新）
| 模型 | 类型 | 定价 | 说明 |
|---|---|---|---|
kling-video/v3/standard/image-to-video | 视频 | 720p无声$0.08/秒，720p有声$0.13/秒 | 可灵v3标准版 |
z-ai/glm-5v-turbo | 文本 | $1.13/M token in, $4.00/M token out | OpenRouter |
doubao-seedance-2.0-fast | 视频 | $6.968/M token | tokenhot |
doubao-seedance-2.0 | 视频 | $8.658/M token | tokenhot |
fal-ai/kling-video/o1/reference-to-video | 视频 | $0.11/秒 | 可灵o1 |
fal-ai/kling-video/o3/pro/reference-to-video | 视频 | 无声$0.11/秒，有声$0.14/秒 | 可灵o3 pro |
fal-ai/kling-video/o3/standard/reference-to-video | 视频 | 无声$0.08/秒，有声$0.11/秒 | 可灵o3标准 |
相关技能
Use this skill whenever a user wants to evaluate whether an existing offline / reusable workflow is worth converting into an LLM-driven workflow. Triggers on...
大模型 Token 成本节约工具。在请求到达大模型之前自动压缩 prompt 和上下文，减少 60-95% 的 token 消耗，直接降低 API 成本。支持 Claude/OpenAI/Gemini 等主流模型，提供代理模式、CLI 包装、Python SDK 和 MCP Server 四种接入方式。内置一键安...
AI 应用可观测性与生产监控实操手册——AI 进生产后的"仪表盘与探照灯"：可观测性全景（三大支柱：日志/指标/追踪 + AI 特有观测对象）、调用追踪与日志规范（LLM 调用追踪、Span 设计、会话级追踪、敏感信息过滤）、质量监控指标（幻觉率/拒答率/满意度/转人工率实时看板）、性能与成本监控（延迟/吞吐/Token 成本实时追踪）、护栏与安全监控（护栏命中率/注入检测/敏感数据泄漏监控）、告警体系（分级告警/阈值设计/通知路由/告警疲劳治理）、监控平台与落地（埋点规范/工具选型/灰度期监控）。附零依赖本地工具一键出三大支柱清单、监控指标表、告警设计、追踪规范与落地路线。面向 AI 平台、SRE、运维与质量负责人——与 LLM 评测（离线质量）互补，本技能管线上运行质量。
Verify an LLM API endpoint — model authenticity, billing inflation, relay provenance, performance and silent downgrades. Use when the user asks whether the model they are paying for is genuine, whether a relay or proxy is trustworthy, whether they are being overcharged, or whether a model has been quietly downgraded. 检测 LLM API 端点的真伪、计费掺水、中转来源、性能与降智；当用户问"我用的模型是不是真的"、"这个中转站靠谱吗"、"是不是被降智了"、"计费对不对"时使用。
1 次安装
离线可视化 WorkBuddy 本机使用数据，以 token 消耗为主指标、credit 为本地估算，涵盖思考效率、模型分布与性价比、日期区间筛选、错误监控、用量高峰探查，生成本地使用信息看板。仅当用户**明确**想查看、生成或导出**自己 WorkBuddy 本机/本账号**的使用状态 / 使用统计 / 工作信息看板时调用；不用于其他产品或系统的用量统计，也不为任意数据生成通用看板。纯本地、默认零外网依赖、可搬运；可选 --credit-xlsx 用用量导出精确覆盖 credit，或可选 --billing-token-file（用户手动导出 token，opt-in）调用官方用量 API 拉取精确 credit。 EN: Offline dashboard for WorkBuddy local usage analytics, with token as primary metric and credit as local estimate, covering thinking efficiency, model distribution & cost-performance, date-range filtering, error monitoring, usage-spike inspection. Triggers only when the user explicitly wants to view, generate, or export their own WorkBuddy local/account usage status / stats / activity dashboard; not for other products' usage analytics, nor for building generic dashboards from arbitrary data. Fully local, default zero-network; optionally --billing-token-file (user-supplied token, opt-in) calls the official usage API for precise credit, or --credit-xlsx overrides credit with pr
3 次安装