Skip to main content

log-ai-compressor

日志不用喂给大模型,也能给出「你能自己核对」的根因

每条结论带原文的行号区间和那段原文的 sha256;拿不出因果链就说 证据不足,并精确列出还缺什么才能定论。全部计算在本机完成,日志不出网。

Release Python 3.11+ License: MIT Tests

Web 界面:判定卡片给出「不可作为根因输出」,下方是按 trace_id 重建的调用链

30 秒看懂它和其他工具差在哪:

grep / tail Drain3 3-shot LLM 本工具
给你什么 匹配到的行 模板簇 模板簇 结论 + 行号区间 + sha256
要不要模型 不要 不要 要 不要(0 次 API 调用)
十集全量 GA — 71.58% 未跑全量 88.68%
同抽样(每集 2,000 行)GA — — 56.37% 86.86%
同抽样墙钟 毫秒级 秒级 1,471.9 s 2.57 s
结论能不能被第三方复核 不能 不能 不能 能:verify 判 VERIFIED / TAMPERED

两行 GA 不是同一把尺子:88.68% 是十集 1,940,760 行全量 vs 本机 Drain3; 86.86% 是每集 2,000 行抽样 vs 3-shot LLM(我方同一批行)。混着引用就是耍流氓。 原始 CSV 与复现命令见 docs/REPRODUCIBILITY.md。

目录


它长什么样:一份 24 行日志的真实输出

examples/app.log(24 行、8 条错误、4 种类型)跑出来是这样 —— 下面这段就是它的真实输出, 你可以自己跑一遍对上:

$ log-ai-compressor run examples/app.log
⚠ 报告全文 ≈2.4k tokens,比原始日志(≈379 tokens)还大 —— 建议只用摘要:log-ai-compressor run examples/app.log -f summary
【日志分析摘要】examples/app.log
原始日志 ≈379 tokens → 摘要 ≈234 tokens(压缩 38%)
确定性指纹 `48e5781aafc4b27fe0f68c5847afe6d891936ac9f2e0af59aefaa9860f9c2886`(同一份日志跑两遍必须完全一致)
总行数 24,错误 8 行,去重后 4 种,时间范围 2024-03-15 08:00:00 ~ 2024-03-15 08:00:25。
已定位根因:java.net.ConnectException: Connection refused(另有 1 个根因候选)

(证据出处末尾 16 位十六进制 = 该段原文 sha256 前 16 位,可自行复核)
1. [P0 | ERROR | ×3 | 根因 | 行 4~13] authorization failed: connection refused to db-primary:5432
   证据出处:L4 bc5b93cec7cde01c
   -> 因果链源头(1 个错误由其衍生)
2. [P0 | ERROR | ×3 | 行 6~11] request 8812 failed: upstream unavailable
   证据出处:L6 21d12907c3115d34
3. [P0 | ERROR | ×1 | 根因 | 行 18~22] java.net.ConnectException: Connection refused
   证据出处:L18-L22 68af24f230baff5c
   -> Caused-by 因果链直连,根因:java.net.ConnectException: Connection refused
4. [P0 | ERROR | ×1 | 行 23~23] stock check timeout after 3000ms item=SKU-7781
   证据出处:L23 a72b9f38845a14ed
报告已导出: examples/app_report.md(MD,9.4 KB)

有四处随环境变,别拿它们对不上就以为装错了:

  • 路径回显你给的写法 —— Windows 上是 examples\app.log, Linux 上是 examples/app.log;
  • 「摘要 ≈234 tokens」随路径长度变(摘要里有那一行路径)—— 同一份日志,给绝对路径会多几个 token。实测(本仓库这个路径): 相对路径 234、绝对路径 246 —— 绝对路径那个数随路径有多长变, 换台机器(用户名 / 目录深度不同)会不一样;
  • 「时间范围」两端都带完整日期 —— 这是 2026-10-23 起统一按 UTC 展示的结果 (此前第二端只显示钟点)。
  • 「报告已导出: …(MD,9.4 KB)」那个大小随路径长度变(报告里带着那一行路径) —— 实测:相对路径 9,604 字节、绝对路径 9,919 字节。 但它不随操作系统变:导出行尾统一钉成 LF,两个平台逐字节相同 (2026-10-28 第十五轮修的,此前 Windows 写 CRLF、Linux 写 LF)。

指纹与行号区间不随这些变 —— 那两个才是结论本身,也是本工具的承诺。 上面那个 234 是照上面那条命令(仓库根目录 + 相对路径)跑出来的数; 这条由 tests/test_readme_sample_is_reproducible.py 逐行盯着。

两个 token 数不是同一个东西,别混着比。

出现在哪 名词 量的是什么
控制台第 2 行 摘要 tokens(本例 ≈234) -f summary 那份投喂摘要的正文
报告头部 报告全文 tokens(本例 ≈2.4k) 整份 MD 报告(含样例原文、上下文、降噪堆栈)

同一份 24 行日志,两个数差十倍是正常的:摘要只留结论与出处, 全文还要带原文。2026-11-15 之前两处都写「压缩后」,读者没有任何办法 从这两个数里看出「我到底省了多少」—— 术语拆开就是为了这件事。 顺带一条:报告比原文还大时,首行会直接建议改用摘要(上面第 1 行就是)。

拿到结论之后,三个动作

$ log-ai-compressor run examples/app.log -f json -o examples/app_report.json   # 导出 JSON 报告
$ log-ai-compressor verify --report examples/app_report.json   # ① 这份结论现在还成立吗
$ log-ai-compressor evidence examples/app_report.json           # ② 这条结论说的就是那几行
$ log-ai-compressor run examples/app.log -f summary             # ③ 投喂给模型的那份摘要
  • ① 自校验给的是判定(VERIFIED / TAMPERED):重读原始日志, 逐条核对每条结论引用的那段原文的 sha256 —— 对不上就报「报告与日志对不上」 (分不出是哪一方变了),源文件被轮转走了则报「验不了」,不指控你。
  • ② 看原文给的是原文:每条结论引用的那几行,连同它们的摘要核对结果。 它与 ① 共用同一套回读 —— 不会出现「复核说一致、原文却不是那一段」。
  • ③ 投喂是那份精简摘要(也就是上面首屏那一段),-f summary 直接打到 stdout,复制走就是能喂给模型的内容。

首屏这几条命令由 tests/test_readme_sample_is_reproducible.py 真跑一遍盯着 —— 首屏写着的命令跑不起来,就是首屏在骗人。

注意第 3 行:标题点名的不是「外层症状」而是链尾真因。 这条结论指向日志的第 18~22 行,那段原文的 sha256 就印在它下面那一行 (报告里也带同一份摘要)——

$ log-ai-compressor verify --report report.json
模式:复核已导出报告
对象:报告 report.json
证据:共 4 条引用,匹配 4 条,失配 0 条,源不可读 0 条

自校验结论:VERIFIED
每条结论都能在原始日志里逐行复核。

有人事后改了日志主机名? 立刻报出来,退出码 1 (下面这段是真的跑出来的:把 examples/app.log 里的 db-primary 改成 db-primarY 之后重跑 verify):

$ log-ai-compressor verify --report report.json
证据:共 4 条引用,匹配 3 条,失配 1 条,源不可读 0 条
  ✗ MISMATCH c3801f905159 examples/app.log 期望 bc5b93cec7cde01c 实际 1b8242c1671f1e29
自校验结论:TAMPERED        # 退出码 1

判定没有「大部分通过」这一档 —— 一份掺了假证据的报告, 不该因为大部分为真就放行。四档是 VERIFIED / TAMPERED / UNVERIFIABLE(验不了,不是「查出问题」)/ NO_EVIDENCE (本来就没证据),详见 docs/CLI.md。


装上就用

pip install log-ai-compressor          # 硬依赖只有 PyYAML 一个
你要做的事 命令
分析一份日志 log-ai-compressor run app.log -o report.md
接管道(不用先落盘) kubectl logs -f deploy/api | log-ai-compressor run - -f json
只看最近几千行(行号仍指回原文件) log-ai-compressor run app.log --tail 5000
拿机器可读的 JSON(stdout 就是 JSON) log-ai-compressor run app.log -f json
比对发版前后 log-ai-compressor compare v1.log v2.log -f json
复核一份报告的出处 log-ai-compressor verify --report report.json
要图形界面 pip install "log-ai-compressor[web]" && log-ai-compressor web
让 AI Agent 调本机日志 pip install "log-ai-compressor[mcp]" && log-ai-compressor mcp --install claude-code

首次运行要多久(2026-10-22 本机实测,Windows / Python 3.11): 装依赖 2.3 秒(pip install log-ai-compressor,pip 有缓存;首次拉包会更久), 之后每份小日志 0.19~0.25 秒。

大文件同样实测过(149.0 MB / 1,456,935 行):58.9 秒, 峰值内存 24.4 MB —— 内存与文件大小无关,因为是流式处理。 报告 457 KB。

Windows 可双击 start.bat 自动定位 Python、装依赖、启动并打开浏览器。

常见报错(都是实测出来的真实输出)

你会看到 什么意思 怎么办
错误:xxx 不是文本日志(10 行含 NUL 字节…)—— 已中止分析 喂进去的不是文本日志 检查路径。退出码 2(不是 1)—— 「文件选错了」与「分析失败」是两回事
错误:报告写不出去 —— 目录不存在(报告路径里的父目录还没建) -o 的父目录不存在 先建目录。工具故意不替你建 —— 那个目录名多半是你打错的
错误:解析规则有问题 —— YAML 解析失败: … --rule 指向的 YAML 写错了 改 YAML
错误:日志文件不存在 xxx 路径错了 用绝对路径试试
⚠ 有 N 行不是主编码 utf-8,已逐行按实际编码解码 这份日志混着两种编码 已自动解好;这条提示只是告诉你「有 N 行不是主编码」
⚠ 只看最后 N 行(文件共 M 行,起始行 K) 用了 --tail 报告只覆盖尾部,不是全量。行号仍指向原文件
⚠ 这份文件是空的(0 行) 文件是空的 —

升级 / 卸载

pip install -U log-ai-compressor     # 升级
pip uninstall log-ai-compressor       # 卸载(不删你的日志与报告)

拿一份示例日志试试

仓库的 examples/ 目录里直接可跑:

log-ai-compressor run examples/sample_system.log -f json | head -20
log-ai-compressor compare examples/app_v1.log examples/app_v2.log -f json

sample_system.log 是带完整 Caused by: 链的服务端日志(能走到 CONFIRMED),sample_gbk.log 是 GBK 编码的(用来试编码适配)。

谁在用

目前没有外部用户。 gitee 仓库 2026-11-17 实测:0 star / 0 fork / 0 issue, 全部数字都是作者自测的。这一栏会随实际情况更新; 没有就是没有,不拿「有人在用」这种话占位。

仓库此前在另一个平台托管,2026-10-29 起该账号被 suspend,仓库整体下架。 现在唯一维护中的地址是 gitee: https://gitee.com/hu-chenyu-dev/log-ai-compressor。 本 README 的所有链接都指向这里;别处看到的旧地址不再更新。


🧾 立场:你不必相信这个工具

大多数日志工具要你相信它的结论。这个工具给的是你可以自己复核的东西 —— 每条结论都带原文的行号区间和那段原文的 sha256。

同一套立场长成了四件具体的事:

我们怎么做 通常的反面
拿不出可落到原文的因果证据(Caused-by / 块链 / 应用链)就只给 LIKELY,并列出还缺什么才能定论,补上了就划掉 给一个听起来很像回事的根因
同一份日志跑两遍,结论指纹逐字节相同 每次结论都不一样,没法归档、没法追责
证据摘要只认文件原始字节,剥过 ANSI 的文本不算 同一行原文,两条出口给两个摘要
撤回过一个跑不出来的召回率数字(91.4%),并公开查了哪六条路径 挂着一个复现不了的漂亮数字

第四行是我最想让你注意的一行:一个主动撤回自己招牌数字的项目, 它剩下的每个数字才有分量。见 docs/FAQ.md Q10。


🚫 它会漏什么(先看这个,再决定要不要用)

一个只会报好数字的项目不值得信。下面是实测确认的失效场景 —— 不是「理论上可能」,是拿它跑一遍就能复现的。

它会漏 / 会错 什么时候 怎么办
二进制文件 拿 .bin / 图片当日志喂进来 修复前它会当文本「成功分析」并写下「压缩 95%」;现在直接拒绝并退出码 2
混合编码的日志 同一文件里 UTF-8 行与 GBK 行混着 修复前 GBK 行静默变成一串替换符(实测 8 个 U+FFFD,数据被改了而报告里看不出异常);现在逐行兜底解码,并在报告里写明「有 N 行不是主编码」
超长单行 一行日志 5 MB(实测) 报告里的样例会截断到 2000 字符;证据的行号与 sha256 仍按原文算,可核对性不受影响
UTF-16 无 BOM 编码探测走 NUL 密度启发式 已支持;但 utf-16 与 utf-8 混排的那一行解不出来(实测:标为「按任何候选编码都解不出来」,并按替换符保留、不丢行)。原因:宽编码的换行符是多字节的,必须整块解码,没有「逐行换编码」的余地
跨文件的同一个 trace 两个文件各有同一次请求 compare 现在按 trace_id 兜底对齐,不再算成「新增 + 消失」两份 —— 但只对结构化日志(JSON Lines / logfmt)成立:trace_id 是从结构化字段里认领的,纯文本里写着的 trace_id=t1 认不出来(不猜),那种情况仍会算成「新增 + 消失」
没有 trace_id 的多服务日志 日志不带关联键 跨服务链路重建不出来 —— 工具会明说「缺调用链关联」,不假装能重建
--tail 配管道 log-ai-compressor run - --tail 500 管道没有「原文件」,行号无处可指 ⇒ 直接报错。此前它静默忽略 --tail(以为在看最后 500 行、其实看了全部),值班时会误判「最近没有新错误」
打乱行序的日志 行序被打乱过 折行/堆栈的邻接聚合会被破坏,结论与原文件不同。这是设计如此,不是缺陷

顺带一句已经修好的:脚本只读 JSON 时(-f json 接进 CI), JSON 里现在也带证据缺口(evidence.gaps)与提示(notice)—— 此前它们只写给人看的格式,机器侧会把一个 INSUFFICIENT 的结论 当成定论用。

这一节是输入形态的坑,与下面那节「不能证明什么」是两回事: 前者告诉你什么时候会失灵,后者告诉你能力边界在哪。


📌 这些数字不能证明什么

一个只会报好数字的项目不值得信。下面是所有实测结论都覆盖不到的地方。

我们不能证明 原因
根因准确率高于云平台 RCA100 的结论是 62.5% 的根因案例至少需要两种模态、31% 需要三种。本工具只有日志一种,跟它们不是同一场比赛
在所有日志形态上都优于 Drain3 实测 Loghub 10 个数据集,没全赢。同预算档 7 胜 3 负(HPC / HealthApp / Zookeeper 输),交付口径(产品默认只给 20 个簇)1 胜 9 负。但换一把外部定义的尺子(Loghub 标准解析协议的 GA),本项目 88.68% vs Drain3 71.58%,反超 17.10pp
压缩比能外推到你的日志 20,509 倍是 OpenStack 全级别摘要口径下的数字。换个数据集、换个 --context,数量级就变
「召回率 100%」代表真实生产事故 只在 1 个含链真实数据集上测过(Android_v1 全量,131 条链)。样本小,结论未必能外推。原先并列的 Hadoop 91.4% 已于 v2.7.0 撤回
持续监控与告警 没有 agent 埋点、没有时序库、没有告警队列 —— 这是有意的取舍,不是没做完

一个云平台说「我不知道」,在产品上读起来像故障。本工具说「我不知道」, 在方法论上读起来像专业。但如果你要的是全天候告警,本工具给不了,别选它。

想知道「谁能让这个工具说错话、我们明确不防什么」, 见 docs/THREAT_MODEL.md。


📊 证据保留率 vs Drain3(Loghub 2.0,10 个数据集)

指标:保住多少种人工标注的事件类型。事件模板来自 Loghub-2.0 的人工标注。

我们报三个口径,因为它们回答三个不同的问题,混着说就是不诚实:

  • 交付口径 = 产品默认 top_n=20,用户开箱即用真拿到手的那 20 个簇
  • 同预算 32k = 和 Drain3 花同样的 token 能保住多少(主指标)
  • 全量口径 = 聚类本身的质量上界,不是用户能收到的,别拿它当成绩
数据集 标注事件 交付 top20 同预算 32k 全量 Drain3 LogsLop (AMD)
Proxifier 11 90.9% 90.9% 90.9% 72.7% 27.3%
Apache 29 65.5% 100.0% 100.0% 93.1% 44.8%
OpenSSH 38 52.6% 100.0% 100.0% 92.1% 34.2%
Zookeeper 89 22.5% 75.3% 75.3% 76.4% 23.6%
Linux 338 4.7% 77.2% 77.2% 66.6% 55.6%
Hadoop 236 8.5% 98.3% 98.3% 80.5% 13.1%
HealthApp 156 12.8% 82.1% 82.1% 83.3% 7.1%
OpenStack 48 39.6% 75.0% 75.0% 41.7% 18.8%
HPC 74 20.3% 73.0% 73.0% 87.8% 4.1%
Mac 626 3.2% 77.2% 92.0% 72.2% 16.1%

对 Drain3 的战绩:交付口径 1 胜 9 负 / 同预算 7 胜 3 负 / 全量 7 胜 3 负。

交付口径那一列低得难看,是因为 Mac 有 626 种事件、Linux 有 338 种, 20 个簇物理上装不下 —— 不是工具差,是产品只给 20 个簇。 把上限算出来看:Zookeeper / Hadoop / Mac 顶格 100%,全部 10 个数据集合计 达成度 91%(实测覆盖率 ÷ min(20,事件数)/事件数,加权)。 这一栏量的是「产品给多少簇」,Drain3 没有这个旋钮,两栏不是同一条起跑线。 Proxifier 这一轮由平手转成赢(9/11 vs 8/11)。

同预算那一格的退步,这一版只追回了一点点,如实记着。 2026-11-09 上一轮把聚类换成词元级模板 + 模板推断之后(GA 58.19% → 81.64%,反超 Drain3 约 10pp),本项目的这一格退了 3.30pp (86.04% → 82.74%):HPC / HealthApp / Zookeeper 三个由胜转负。 本轮(第二十五轮)把它从 82.74% 抬到 82.82%(+0.08pp) —— 退步基本没被追回,HPC / HealthApp / Zookeeper 仍然是负例。 交付口径从 29.15% 抬到 30.25%(+1.10pp),Proxifier 由平转胜; 全量口径 84.19% → 84.13%(-0.06pp,Mac 92.65% → 92.01%)。 病因已量到,不是「算法变弱」而是两个口径在这次变化里指向了不同方向: 分组更准 ⇒ 簇更少 ⇒ 报告能枚举的不同问题数变少 (Linux 290 簇覆盖 261 种事件,旧版 302 簇覆盖 302 种); 另有约 10 个事件被拆开(字母变量的第一个变体没被合并), 以及 Zookeeper 那种「配置键」被吞(模板退化成 <*> set to <*>)。 诊断脚本可复算:python scripts/diagnose_delivery_regression.py; **下一步(已定位、未实现)**见 docs/BENCHMARK.md「结果四·五」。

剩下的负例不藏,病因查到了「修法不存在」这一步(HPC):

  • HPC 73.0% vs Drain3 87.8% —— 不是簇数不够,是簇粒度比标注粗。 116 个簇只装下 54 种事件身份,20 个未覆盖事件全部落在过度合并的簇上, 而它们无一例外只差一两个字面词元:Link error/Link ok、 critical/normal、power/control ok/problem、boot/wait/risBoot。

    试过加「字面词元守卫」拆开:覆盖率从 85.1% 涨到 93.2%, 但报告从 76 个簇炸成 2,690 个、交付口径从 23.0% 崩到 8.1% —— 已撤回。

    v2.10.0 又走了更远一步:把每一次合并决定都记下来(4,142 次),用 Loghub 标注判定对错,去找能分开两类的特征。结论是没有这样的特征 —— 字符相似度与词元 Jaccard 的两类分布完全重叠,Proxifier 甚至有 Jaccard = 1.000(字面词元集合完全一致)却被 Loghub 判为不同事件的合并。 Loghub 的事件定义不是模板相似度的函数,所以这不是调参问题。 诊断脚本可复算:python scripts/diagnose_merge_decisions.py。

    2026-11-09 那一轮把这条结论收窄了:它成立的前提是 「相似度在整条消息的字符层上算」。换成逐词元之后, 「同类内变化」与「异类差异」第一次被分开(Linux 23.25% → 88.80%)。 剩下切不开的那一类(Zookeeper 的配置键、OpenStack 的方法词), 判据是该位置的取值基数,机制上需要延迟判定 + 归并回填。

Mac 在 v2.9.8 之前也是负例(58.5% vs 72.2%)。病因不是聚类丢事件,而是报告 把 406 条错误消息当成「变更事件」,逐条写了出来 —— 全篇 33% 的 token 花在 这个假线索上。收敛后同预算从 58.5% 涨到 82.9%。

v2.10.0 又从 82.9% 涨到 90.4%,与本版修掉的另一件事直接相关:相似度回退 曾经只比级别桶里「最近 256 个簇」,这让聚类结果依赖日志行序,且让长期只出现 在桶尾之后的模板永远找不到同类(Mac 的 INFO 桶因此多出 1,000 个碎片簇)。 改成整桶比较 + 精确长度上界剪枝之后,Mac 的 INFO 桶从 1,604 个簇回到 547 个, 分析还更快了(25.3s → 14.0s)。

而 2.13.0 之后,Mac 的同预算档又从 90.4% 掉到 69.8% —— 这是本项目 自己的一次取舍,不是算法退化:第十四轮给「投喂口径」的摘要也加上了 每条结论的原文 sha256(头号承诺:可脱离本工具自校验)。Mac 的 INFO 桶有 709 个簇,每簇多背二十几个 token,32k 预算里就从 698 个簇降到 506 个 —— 少覆盖 20.6% 的事件类型,同预算档由胜转负(69.8% vs Drain3 72.2%)。 全量口径(709 个簇全放)仍是 90.7% —— 聚类本身没变差,变的是 「同样的钱能塞下多少条结论」。

本轮把投喂口径的出处行压到最省:去掉 12 位 evidence_id 与 sha256: 前缀, 只留「行区间 + 16 位摘要」(16 位仍是用户自己算得出的 sha256 前 16 位, 可复核性不变)。同一份摘要 36,674 → 29,393 token(-19.9%),Mac 从 506 个簇 回到 550 个、69.8% → 75.6%,同预算档重新胜 Drain3(72.2%)。 (token 数末几位随摘要里那行耗时的位数抖动 ±2~3 —— 本轮实跑值如上, 可复现的结论是比率与簇数。) 但仍没回到 2.10.0 的 90.4%:剩下的成本是 16 位摘要本身,而它是那条承诺的 落点。90.4% 这个数字仍然作废,别因为回到 75.6% 就以为它复活了。 复现:python scripts/benchmark_loghub.py --budgets 32000

胜负怎么判的:一律按事件种数比,不用四舍五入后的百分数。 报告只有 1 位小数,0.05pp 以内的差与舍入误差分不开,落在容差里一律记平 (v2.9.6 之前直接比百分数,把一个 0.005pp 的舍入差判成了胜)。

对照的三个都是真工具:Drain3(ICWS'17 学术标准)、 LogsLop(AMD 2026-07,去重工具,与证据保留目标相反)、tail/grep 两条朴素基线。

这张表现在有门禁在守。 docs/benchmark_baseline.json 存着最近一次全量实测, python scripts/prove.py 的第 11 条主张拿它与这张表逐格对账 —— 并且不只校这一份: 同一张表在 docs/BENCHMARK.md 与 docs/FAQ.md 里各有一份副本,三份逐格对账; 连「几个数据集赢、几个平、几个输」这种汇总口径也一并重算 —— 这批数字曾在 docs/BENCHMARK.md 上漂过 9 格,另有一处把平局当成了赢。具体数字见上表。 上一版(v2.9.9)改了 mask_text 让 HPC、Zookeeper、Proxifier 的数字全变了, 而这张表原地不动、六道门禁全绿 —— 与 v2.9.5 撤回的那次是同一个病,现在补上了对账。

完整方法学、为什么会在一个数据集上输、以及 v2.9.3「已发布数字系统性偏低」、 v2.9.5「指标在数用户没收到的东西」、v2.9.8「指标涨了但产品崩了」三次撤回的经过, 全在 docs/BENCHMARK.md。被质疑时先看那里。

换一把不是自己设计的尺子:Loghub 标准解析协议 PA / GA

上面那张表的指标全是本项目自己定义的。「簇样例覆盖了多少种 Loghub 事件」 不是任何公认指标的名字,换个定义数字就变 —— 所以它回答不了 「你的聚类放到同行里是什么水平」。

v2.11.5 第一次用外部定义的指标量自己的聚类:PA / GA(LogParser, ICSE-SEIP'19 提出,Drain / Drain3 / LILAC / LLMParser / LibreLog 全部在用), 口径锚在两份互相独立的实现上(logpai/logparser 与 zeyang919/LibreLog), 并带同机同口径的 Drain3 对照臂:

口径 本项目 Drain3 0.9.11
PA(解析准确率) 85.05% 58.06%
GA(归组准确率) 88.68% 71.58%

两个口径都胜(逐数据集 PA 10 胜 0 负、GA 8 胜 2 负)—— 两个都列。

2026-11-10 修了一处口径不对称:PA 那一列此前取的是逐行字面模板, 而对照臂 Drain3 取的是簇的最终模板 ⇒ 两侧不是同一个量,我方被系统性低估 (Linux 15.87% vs 74.88%,而同一批行的 GA 是 88.80% ⇒ 自相矛盾)。 修正后 PA 取簇模板 ⇒ PA 与 GA 是同一个聚类的两个视角,两侧口径一致。 详见 docs/BENCHMARK.md「PA 口径修正」一节。

这两格能拿去和公开榜单比吗?不能。 外部有一份公开的 Loghub 2.0 逐数据集 榜单(SOTA2 Research,2026-03-28 快照),上面同一个 Drain、同一个 Linux 数据集报的 GA 是 42.2%,而本项目同机同口径量到的 Drain3 对照臂是 80.21% ⇒ 两边的地真值与协议不是同一套,跨表比较毫无意义。 ⇒ 本项目只主张同一台机器、同一份输入、同一段口径下 vs Drain3 对照臂; 榜单上排前面的多是大模型系方法,而本项目不把日志交给大模型 (AGENTS.md §1)⇒ 那不是同一场比赛。详见 docs/BENCHMARK.md「公开榜单上的数字」一节。

这两格怎么自己算出来,写在 docs/REPRODUCIBILITY.md。 它逐项标明哪些口径是全量(十集 1,940,760 行、1,621 簇)、哪些是抽样 (LLM 对照每集 2,000 行,不与全量同表)、每个数字对应哪个文件与哪条命令, 并给出十集日志与结果快照的 sha256。校验入口: python scripts/verify_repro_manifest.py。「全量可复算」不等于「全球领先」, 这句话也写在那份文档里。

GA 这一格是 2026-11-09 那一轮(第二十四轮)赢的,赢在「相似度的单位」 而不是阈值:以前比的是整条消息的字符编辑距离,38 个字符的样板前缀 能把 3 个字符的区分词淹没(「同类内变化」与「异类差异」在字符层长得一样); 而且整段引号内容被掩成 S,"GET /v2/…" 与 "POST /v2/…" 掩完逐字节 相同 —— Loghub OpenStack 那两个只差一个方法词的事件(E42 占 44% 的行) 在掩码阶段就分不开了。

现在比的是逐词元的相似度(模板按位置对齐),并加上模板推断 (取值会变的位置记成 <*>,与 Loghub 的 EventTemplate 同形)。 阈值一个字没改(仍是 0.85)—— 它是发布版既有行为,不是对着评测集挑出来的, 本轮也没有因为基准把它改掉。GA 58.19% → 83.89%(第二十五轮再 +2.25pp; 2026-11-16 请求行三词元化再 +4.79pp 到 88.68%), PA 58.96% → 79.29%(同一轮里 PA +20.32pp、GA +23.45pp;第二十五轮再 +0.01pp; 2026-11-16 方法词硬隔离再 +5.76pp 到 85.05%)。

第二十五轮还改了一个「逐行静态模板」的量(PA_static,对照臂没有对应输出 ⇒ 不参与场次判定):此前用整条消息的 mask_text,改成「按空格分段、 逐段掩码」之后,引号串内含空格时("GET /v2/… HTTP/1.1")引号先被切开 ⇒ 方法词活下来(事件身份不能丢);引号串不含空格时('abcd')整段被换成 S ⇒ 与地真值里 <*> 覆盖引号内容的做法一致。OpenStack 因此从 51.61% 跳到 99.16%。 上一版把它写成「PA」是张冠李戴 —— 那是另一个量,本轮已更正。

「那能不能全胜?」—— 量过了:现在 PA / GA 两个口径都赢,但还有两个缺口。

把 GA 的失分逐行拆开后发现它落在两个方向相反的桶里: 过合并(一个簇混了多个 EventId,要调严)与过分裂(纯簇但没收全, 要调宽)。两桶占比几乎对半,而主导方向因数据集完全相反 —— 一半的数据集以过分裂为主,另一半以过合并为主。扫六档阈值还能量到: 每个数据集的 GA 顶点落在不同的地方(Apache 0.70、Linux 0.80、 Hadoop 0.85、HealthApp 0.80/0.85 并列),而四集算术平均的顶点在 0.80 (GA 94.91 / PA 89.55),0.85 是第二名(94.36 / 89.19)—— PA 与 GA 两个口径指向同一个位置,而「哪个数据集该用哪个阈值」 不是产品能回答的问题。

这一格 2026-11-15 更正过一次,记着怎么错的:上一版写的是 「0.85 是四集算术平均的顶点(94.36)」,因为旧扫描只采了 0.40 / 0.70 / 0.85 / 0.90 / 0.95 五个点,漏采 0.80。 补上 0.80 之后,0.85 从「顶点」变成「第二名」(GA −0.55pp)。 默认值仍然保持 0.85:把默认值改成 0.80 才是对着评测集调参 (AGENTS.md §2.3),而这是本轮明令不做的事。 复现:python scripts/bench_ga.py --datasets Apache,Hadoop,HealthApp,Linux。

十集补测(2026-11-16)把上面这一格的适用范围说清了:那四个数据集之外 的六集(HPC / Mac / OpenSSH / OpenStack / Proxifier / Zookeeper)此前 从未被扫过。补齐之后十集六档的 GA 顶点是 0.85(83.89),0.80 只有 78.01 —— 与上一格的方向相反。逐集全表与「去掉 Proxifier」「看中位数」 两种敏感性核对见 docs/BENCHMARK.md 的「十集 × 六档全表补测」。 默认值仍然是 0.85:这次它不只是既有默认值,还是实测顶点。

⇒ 任何号称「全胜」的改法,要么是在另一个指标上退让,要么是牺牲掉一部分 数据集,要么动的是结构。这两版动的都是结构(换相似度的单位 + 模板推断

  • 洞位吸收变长跨度),阈值一个字没改。精确数字与逐格对账见 docs/BENCHMARK.md「结果四·五」。 第二十五轮修掉的那一格(OpenSSH 73.40% → 95.43%)赢在「同一件事有两种表面形态」。 Loghub 的 GA 条件 (b) 是「该簇必须包含该事件的全部出现」⇒ 差一行整组归零。 E33 有 140772 行,其中 4 行是 10 个词元(Failed password for invalid user from …, 少一个用户名、多了两个字)⇒ 落进别的簇 ⇒ 140768 行整组归零, 单独造成 169956 行失分(占全项目失分 44%)。 修法是洞位吸收变长跨度:洞位可以吃掉一段连续词元;关键是 「每个模板位必须吃掉 ≥1 个词元」—— E25 的模板是 11 位,10 词元的消息 原理上放不下 ⇒ 不会被误拖进来。+22.03pp × 638947 = 140760 行, 与 E33 的 140772 行精确吻合。

剩下的缺口不是阈值能解的(§2.3 那条纪律的正面写法):

  • OpenStack 的 "GET" / "POST"(GA 41.51%,那个数据集的天花板是 100%):9 个词元里 9 个相同、只有 1 个不同 ⇒ 相似度 0.94 ≥ 0.85 ⇒ 仍被判为同类。任何单一相似度都切不开它 —— 同样「一个词元不同」, Linux 那边(cupsd vs syslogd,Loghub 判为同一个事件)却要合并 ⇒「9/10 相同 ⇒ 不同」与「2/3 相同 ⇒ 相同」方向相反。 ⇒ 这一格本轮试了两种判据,都被实测否掉(脚本可复算):

    1. 该位置的取值基数(方法词位只有 2~3 个取值 ⇒ 身份位;程序名位几十个 ⇒ 变量位):不可分 —— k=2 那一档上 78 个「该拆」与 203 个「该合」 完全交叠,没有无参数的阈值可用;
    2. 该取值出现在多少个不同形状里(IDF 思路,身份位的取值只出现在 一个形状里、变量位的取值跨形状复用):判别力不足 —— split 组 判对率只有 27%。

    ⇒ 结论写在这里,不藏着:Loghub 的人工标注本身含语义判断, 任何纯统计的局部规则都复现不了它。 这一格要么引入语义组件 (= 改产品定位,§1 明确禁止,本项目不做),要么接受。

  • 字母变量的第一个变体(Linux 的 <*> shutdown succeeded、 session closed for user <*>):第一个变体与模板的相似度低于阈值 ⇒ 位置没机会被学成变量 ⇒ 事件被拆开(Linux 每 10 个事件里有 1 个)。 同一个判据能同时修好它。

这一节还暴露了一个此前没有任何本项目指标发现过的解析层缺陷: 喂原始日志时 PA 平均 31.08%,喂 Loghub 的 Content 列(剥掉时间戳/主机/ 级别后的正文,也是 Drain 官方要求喂的输入)时是 85.05% —— 差 53.98 个百分点, 其中 4 个数据集在原始日志口径下 PA 恰好是 0.00%。原因是本项目的解析器 不剥这些数据集的 syslog 头。本版不修:修它要先决定「哪些头部格式该剥」, 而对着评测集改规则是 AGENTS.md §2.3 明令禁止的。把缺口量化写出来, 比改一个正则然后宣称修好了更有用。

四张表(含逐数据集明细与对照组)的每一格都由 tests/test_logparser_pa_ga_table.py 对着 docs/logparser_pa_ga.csv 逐格核对。 完整方法学、协议适配的三处偏离、以及「这一节不能证明什么」, 全在 docs/BENCHMARK.md 的「结果四」。


🚦 工程指标

指标 实测值
生产代码 10,685 行(36 个模块),硬依赖只有 PyYAML
测试 2,319 用例,覆盖率 95%(漏行 260 / 4,819 语句 —— 本机 Windows 实测;参考矩阵那一格待 CI 回填,理由见下),ruff 全绿
CI Ubuntu 3.11 / 3.12 / Windows 3.12 三矩阵,十二道门禁:ruff / 单测+覆盖率 / 对抗评分卡 / 确定性指纹 / 自证脚本 / 构建可复现性 / 变异存活率记分卡(只跑参考矩阵一条)/ SAST / 依赖漏洞扫描 / 性能回归 / 产物审计(产物本身,不是源码树)/ sdist 自测(源码交付能不能自证)
自证脚本 现已断言 11 条主张,含「README 工程指标与架构树必须与仓库一致」「README 写的条数不许漂」「每一处基准表逐格对账实测基线(含胜负场次与合计行)」
构建 可复现 —— 同源码两次构建字节相同,且与构建机的 git 配置无关(两种 core.autocrlf 各导一次,字节必须相同),本地/PyPI/GitHub 三方 sha256 对账
依赖 运行时硬依赖只有 PyYAML 一个,全部 16 条声明依赖(含 web/mcp/ai 三个 extra 与开发工具)经 pip-audit 扫描无已知漏洞;Dependabot 每周一提 PR

上面这十二道门禁里的门禁清单本身也有门禁在守: tests/test_ci_gate_wiring.py 双向核对 —— README 写下的每一道都必须 在 ci.yml 里有一个真正执行它的步骤(认的是 run: 正文,不是步骤名), 而 ci.yml 里的每一道也必须出现在这张表里。 这条判据来自一次真实翻车:仓库里有脚本、有测试、本地跑绿, 但没接进 workflow —— 而那种状态从外面完全看不出来。 三道新门禁各自「先证明自己会红」的做法,写在 docs/THREAT_MODEL.md 与 docs/DEVELOPMENT.md。

覆盖率的分母比上面那行代码量小:pyproject.toml 的 [tool.coverage.run] omit 排除了 cli.py(薄适配层,982 行, 只做参数解析与格式分发)。所以这个覆盖率是在 9,703 行上算的, 而「10,685 行生产代码」含它 —— 两个数字口径不同,别拿它们互推。 这个排除列表由 tests/test_coverage_omit_watchdog.py 钉住: 增删任何一项都会红;分母这个数本身由 prove.py 重算。

百分比与那句明细的口径都是 ubuntu-3.12 的实测值,CI 只在参考矩阵上 对账。其余矩阵照打不误地报出自己那份数字,不参与判定。 其中「4,819 语句」跨平台必然相同(它由源码静态解析决定), 而「漏行」会差几行 —— 语句数相同而覆盖数不同,只可能是条件分支 在另一套上没被执行到。

引用必须写成「run + head + 结论」三件套(2026-10-29 第十七轮修): 此前第十六轮那一格指向的是另一个提交的 CI,而且那个 run 结论是 failure (pull_request 事件触发);被测的合并提交 850550f2 自己的那次 CI 是 push 事件、结论 success —— run 40765275081,head 850550f2,结论 success。 数字没错(两个 run 报的覆盖率 annotation 一模一样),错的是溯源 —— 而「数字是谁测的」恰恰是本文件 §4d 规则一要管的事。 更正记录见 CHANGELOG.md 的 2.13.2 一节(第十七轮第 4 条)。 tests/test_ci_run_provenance.py 现在守着这条:README 里作为测量来源的 run 必须结论 success,且必须写明 head 与结论。

这一格的四个数由参考矩阵(ubuntu-3.12)的 CI 实测回填: 2026-11-10 第二十五轮动过 core/clustering.py, coverage 的 lines-valid(语句数)变成 4,819 —— 语句数由源码静态解析决定,跨平台必然相同,本地可量; 而「漏行」是平台相关的量(条件分支在另一套上没被执行到) ⇒ 只有参考矩阵那次 CI 的实测值算数(§4d 规则四:本地数不能填那一格)。 回填顺序固定:先让门禁报出参考矩阵的真值,再回填 —— 这一格上一次采信的出处是 run 40860469360,head 1351c49d,结论 success —— ⚠️ 它测的是本轮改动之前的代码(它报的是 「ubuntu-latest 3.12 实测覆盖率 95%,漏行 256 / 语句数 4703」—— 那是上一版的数; 两次 annotation 的原文都逐条列在 CHANGELOG.md 的 2.13.2 一节); 本轮改了 core/clustering.py 之后,语句数变成 4,819(静态解析, 跨平台必然相同),而「漏行」是平台相关的量 ⇒ 参考矩阵的新值待 CI 回填 —— 在那之前,本文件里给的是本机 Windows 实测的 260。 首次量到新数的那一次是红的 —— 数字回填之前必然对不上; 而那条 annotation 是无条件发出的 ⇒ 那一轮红着也能读到数。 那次红色 run 的号 / head / 结论记在 CHANGELOG.md 的 2.13.2 一节 (那里把两次的 annotation 原文都逐条列了出来)。

在哪测的 漏行 百分比
ubuntu-3.12(CI 参考矩阵,README 采信这个) 256 95%
ubuntu-3.11(CI) 256 95%
windows-3.12(CI) 252 95%
windows-3.11(作者那台 Windows 本机) 252 95%(94.64%)

⇒ 平台参与(256 vs 252,差 4 行); ⇒ 这一次 Python 版本没测出差异:ubuntu 的 3.11 与 3.12 都是 256, 本机(3.11)与 CI 的 windows-3.12 也都是 252。 ⇒ 这一轮四格都是 95% —— 但边界仍然贴着: ubuntu 那一格的 line-rate 是 0.9456(94.56%),再多 3 行没被覆盖 (漏行 259)它就掉成 94%(94.4929%);windows 那一格要再多 7 行。 所以「95% 还是 94%」这件事平台仍然参与,本地跑出来的那个数 不能拿去填参考矩阵那一格。 ⇒ 上一版这里记的「差 39 行」里,那个本机数(168)是旧工具链下测的 —— 那套 pytest 7.4.4 + pytest-cov 4.1.0 的组合会让 coverage 的 omit 失效, 记的是另一个分母上的数 ⇒ 不是一个可比的口径。 ⇒ 所以本地跑出来的漏行数不能拿来填这个位置,只有参考矩阵的实测值算数。 两个数都被 CI 逐个比对,与参考矩阵对不上就红。

「漏行」这个数是分支口径(coverage.xml 的 lines-valid 减 lines-covered),不是 pytest 报告里那个 Miss(那是语句口径)。 两者差着一两行 —— 2026-10-22 实测:本机同一份代码,语句口径 Miss 168、 分支口径漏行 168,而 CI 报的那 207 走的是分支口径。 填错口径,数字看起来一样却不是同一个量 —— 所以那一格的值 只能用与 CI 同一个口径去量,不能拿 pytest 报告里的数凑。


🤖 MCP Registry(给 AI Agent 用的入口)

仓库根目录的 server.json 就是官方 Registry 的清单格式, 登记名 io.github.hu-chenyu/log-ai-compressor 已于 2026-10-18 提交, 指向 PyPI 上的 log-ai-compressor 2.13.1(stdio,uvx 拉起)—— 清单里的版本号跟着每次发版更新(tests/test_registry_manifest.py 盯着 它与 pyproject.toml 一致)。

自己复核,不必只信这段话:

curl -s "https://registry.modelcontextprotocol.io/v0/servers?search=io.github.hu-chenyu/log-ai-compressor"

2026-10-18 实查(读满响应全长 12,618 字符,不是只看前几条):全名查返回 count=3 —— 同一个登记名下挂着 2.11.2 / 2.11.3 / 2.11.4 三个版本, isLatest 指向 2.11.4(publishedAt 2026-10-18T14:07:06Z)。所以复核时必须 全名 + 版本一起看:只看名字或只看 count 都会对着旧版本报「已收录」。 同一接口拿已知存在的 everything 做阳性对照返回真实条目 (com.everythingmeetsai/archive)—— 所以那个 3 是「查到了」, 不是「这个接口只会回 0」。

2026-10-23 再查一次(接口的响应形状变了,所以单独记一段):同一个查询现在 返回 metadata.count = 12 —— 同一个登记名下挂着 12 个版本(2.11.2 … 2.12.7)。 两个字段的位置也变了:count 从顶层挪进了 metadata,版本号在 servers[].server.version(不再是顶层 version,isLatest 这个字段也没了)。 2.12.7 在册 —— 判据仍是「全名 + 版本」双重精确匹配, 与 publish-mcp.yml 里的回查代码用的是同一套字段。

一件今天才看清的事:Registry 上每个发过的版本都留着条目, 而 PyPI 上按「只留最新版本」只留最新版 ⇒ Registry 里查得到某个版本,不等于 pip install log-ai-compressor==那个版本 还能装上。 复核「能不能装上」请直接查 PyPI。

「只看前 N 个版本会得出相反结论」这件事已经踩过两次:响应里第一条通常是 旧版本,而「找出新登记的那个」这个任务本身要求的恰恰是最后一条。 只读前 4000 字符时看到的是 2.11.2,照那个写就是错的。

这一段改过三次,三次都是照实写:第一版写着「已收录」而当时实测是 0 条, 第二版写成「清单已备好、尚未提交」,第三版才是真登记。查证日期、版本与阳性对照 都留在上面,好让下一个人不必只能相信作者。

登记由 publish-mcp.yml 在 GitHub Actions 里用 OIDC 提交(推 tag 或手工触发都会跑,不需要存放任何密钥)。 提交前它核对 tag / server.json / pyproject 三份版本号、对官方 checksums 校验发布器 二进制、再跑一遍活校验器;提交后按全名精确匹配回查 —— count > 0 会被同名 子串命中,那种绿灯是假的。

官方校验包归属时抓该版本 PyPI README 里的这个标记,所以标记一直放在正文里 (tests/test_registry_manifest.py 盯着它,防止哪天被压缩进 HTML 注释而失效):

mcp-name: io.github.hu-chenyu/log-ai-compressor

Windows 可双击 start.bat 自动定位 Python、装依赖、启动并打开浏览器。


🧰 能力

领域 能做什么
取证 每条结论绑定 evidence_id + 文件 + 行号区间 + 原文 sha256;verify 重读原文逐条核对,被改动报 TAMPERED
确定性 报告带「确定性指纹」,同一份日志两次分析的指纹逐字节相同(耗时与速率已排除)。注意口径:指纹相同 ≠ 报告文件逐字节相同 —— 报告里还有 generated_at / 耗时 / 速率这类运行期字段(实测 4 个字段会变),要归档请存指纹
置信三档 CONFIRMED / LIKELY / INSUFFICIENT。CONFIRMED 只来自三类能落到原文的证据:条目内 Caused by: 链、块级生命周期链(HDFS blk_)、应用级生命周期链(YARN application_*/job_*/attempt_*,带显式失败签名);三类都必须能取出原文引用,取不到就降 LIKELY,并列出还缺什么才能定论
缺口自闭环 缺口清单由日志里实际有什么驱动。日志带 trace_id → 调用链重建成功 → 「缺少调用链关联」自动关闭;一条都没有就如实申报
解析 ISO / syslog / logcat / logfmt / JSON Lines / 中式堆栈;可插拔 YAML 规则改配置不改代码;编码自动适配 UTF-8/GBK/UTF-16/32 + .gz/.zip。同一文件里混着两种编码也能解(逐行兜底),并会在报告里写明有几行不是主编码
调用链 结构化日志里存在 trace_id 时重建跨服务链路与首个失败点,不需要装 agent、不需要接拓扑
跨行因果链 因果挂在资源 ID 上时(HDFS blk_、YARN application_*/job_*/attempt_*),按 ID 串起生命周期;命中失败阶段即 CONFIRMED,每个因各带一条原文引用,取不到就降档
Web 界面 主界面零构建零 CDN、完全离线可用(实测:页面只引用一个内联 SVG 图标);文件浏览器直选本机文件(不走网络);SSE 实时进度 + 可取消。唯一例外:/api/docs 是 FastAPI 自带的 Swagger 页,它从 cdn.jsdelivr.net 拉样式表 —— 断网时那一个页面是空白(主界面不受影响)
AI 解读(可选) 在压缩结果之上生成人话解读。不配 API Key 也能完整用,AI 只是额外一层

完整清单与边界见 docs/FEATURES.md。


🧱 能力边界(做不了的事,与谁行)

它做不到 为什么 谁行
比云平台更高的根因准确率 多模态根因需要指标 + 链路 + 拓扑。本工具只有日志一种 Datadog / SLS / Dynatrace
持续监控与告警 没有 agent 埋点、没有时序库、没有告警队列。这是有意的取舍 全部 APM 平台
调用链追踪 traces 是从日志里的 trace_id 重建的,不是采集的 Jaeger / Tempo
「召回率」实测 只有 1 个含链真实数据集的全量结果(Android_v1,1,555,005 行 / 131 链)。另有 Hadoop 应用级链(55 个作业 / 30 个失败作业,召回 100%,样本量小)与 HDFS 块级链(575,061 块,但 62.8% 的标注异常在这份日志里没有可用证据,且原始日志未入库)。原先并列的 Hadoop 91.4% 已于 v2.7.0 撤回。这些样本撑不起「通用召回率」这个说法,这是本项目最实在的短板 —
隐私合规认证 它不处理合规,只保证「数据不出本机」 —

还有一条是写在代码里而不只是文档里的硬约束:

调用链只证明顺序,不证明因果。 有完整 trace 但没有可落到原文的失败证据时, 工具仍然只给 LIKELY、can_conclude=false。CONFIRMED 只来自 「条目内 Caused-by 链 / 块级生命周期链 / 应用级生命周期链」这三类 带原文引用的证据。对抗评测里有一个场景专门盯它。


🗂 深入

文档 里面有什么
docs/BENCHMARK.md 全部实测的方法学、口径、公平性说明、两处落后的病因、撤回记录、跨行因果链(块级 / 应用级)评测
docs/SOTA_COMPARISON.md 与 LLM few-shot 解析器(DivLog / LogPPT 协议级复刻)的十集同口径对照:PA/GA、成本、不可比理由
docs/EVALUATION.md 对抗性评测(专门设计来误导本工具的 10 个场景)+ 置信档位实测
docs/FAQ.md 逐条回答质疑:「凭什么比 Drain3 强」「自信错误率是不是门槛设高了」…
docs/POSITIONING.md 与全品类日志工具的差异论证
docs/FEATURES.md 完整能力清单
docs/ARCHITECTURE.md 模块树、分层依赖、核心算法
docs/CLI.md 完整命令行用法 + 自定义解析规则
docs/DEVELOPMENT.md 开发、测试、门禁说明
docs/security/INDEX.md 每日安全台账:依赖漏洞 / 疑似密钥 / 危险调用,逐日可查(python scripts/security_daily.py);口径与决策见 POLICY.md
AGENTS.md 给 AI agent 的工作契约:分层与唯一门面、十二道门禁各自守什么、这个仓库特有的坑
CONTRIBUTING.md 人类贡献流程:分支、提交约定、基准纪律、发版与三方 sha256 对账
SKILL.md / INSTRUCTIONS 接入 Claude Code / Codex / Mavis 等 Agent

复现本文所有数字:

python scripts/fetch_datasets.py --all   # 下公开数据集
python scripts/benchmark_loghub.py       # 证据保留率对照
python scripts/prove.py                  # 自证:不必相信作者,自己跑

License

MIT

Metadata

Release files for log-ai-compressor 2.16.0

For a detailed explanation of source distributions (sdists) and built distributions (wheels), please see the package formats documentation.

Source distribution (sdist)

Source distribution for log-ai-compressor 2.16.0
File Size Uploaded Provenance Actions
log_ai_compressor-2.16.0.tar.gz 1.7 MB Without provenance Details for log_ai_compressor-2.16.0.tar.gz

Built distribution (wheel)

Table of built distributions (wheels) for log-ai-compressor 2.16.0
File Interpreter ABI Platform Actions
log_ai_compressor-2.16.0-py3-none-any.whl Python 3 none any Details for log_ai_compressor-2.16.0-py3-none-any.whl

Total release size: 2.0 MB

Release files / log_ai_compressor-2.16.0.tar.gz

Download URL log_ai_compressor-2.16.0.tar.gz
Size 1.7 MB
Tags Source
SHA-256 checksum
How to use checksums
7361213ce9f2b05c5ebb7b2249c2a0205348980085b3e5786bef4e9ba3b2e30d
BLAKE2b-256 checksum
How to use checksums
8431c3dba2f7e6fd935c04df8467288b2948e648db27dbd42cdda9548516db4e
Upload date
Uploaded using Trusted Publishing?
What is trusted publishing?
No
Uploaded via twine/7.0.0 CPython/3.11.9

Release files / log_ai_compressor-2.16.0-py3-none-any.whl

Download URL log_ai_compressor-2.16.0-py3-none-any.whl
Size 320.6 kB
Tags Python 3
SHA-256 checksum
How to use checksums
2cedfb42cf8d8fdadfbb8a5b2cbee3db4501a4783b12da925212c5f28a1702bc
BLAKE2b-256 checksum
How to use checksums
14f5735fef3802a767bb27b3592a75ba395993406bce5b12e00f12a818101e87
Upload date
Uploaded using Trusted Publishing?
What is trusted publishing?
No
Uploaded via twine/7.0.0 CPython/3.11.9

Security for log-ai-compressor 2.16.0

Provenance

Provenance describes where a file came from. On PyPI, provenance is shared via attestations, which provide a verifiable record of the build or publishing details. View details, limitations and caveats.

No provenance found

None of the files in this release were uploaded with provenance metadata.

A note on package security

PyPI is a repository for distributing packages, not a service for auditing them. While third-party security researchers and our staff do their best to detect and remove malicious packages, PyPI cannot guarantee the quality, security or suitability of any given package.

To learn more about protecting yourself from malicious actors, visit our package security documentation.

Release history Release notifications | RSS feed

This release

2.16.0 This release

2 release files No provenance

Anthropic, PBC Visionary sponsor Bloomberg Visionary sponsor Hudson River Trading Visionary sponsor Meta Visionary sponsor NVIDIA Visionary sponsor Microsoft Sustainability sponsor Depot Continuous Integration AWS Cloud computing and Security Sponsor Datadog Monitoring Fastly CDN Google Download Analytics Sentry Error logging StatusPage Status page