cache-credits-analyzer

name	cache-credits-analyzer
description	分析 kiro2cc-proxy 访问日志，计算 Prompt Caching 节省的 credits。只要用户粘贴了含有"输入token 输出token 费用$ credits✓"格式的日志行，并询问节省了多少credits、缓存效率、cost分析等，立即使用此 skill。触发关键词：节省了多少credits、cache节省、分析日志、caching savings、credits分析、计算节省、这些数据节省了多少。

Kiro Cache Credits 节省分析

日志格式说明

支持两种日志来源：

格式 A：访问日志（每行 8 列，制表符/多空格分隔）

时间戳    IP    邮箱    模型    输入tokens    输出tokens    费用($)    credits✓

示例：

2026/05/25 16:19:38  127.0.0.1  [e-mail]  claude-sonnet-4-6  11.3K  10  $0.0339  0.1382✓

• 输入tokens：支持 11.3K、920 等格式（K = × 1000）
• 费用($)：estimated_cost，按 Anthropic 全价计算（无缓存折扣）
• credits✓：credits_used，来自 Kiro meteringEvent 的真实 credits 消耗

格式 B：runtime-log（[usage] 入库 行）

... [usage] 入库: model=<m> input=<n> output=<n> metering_credits=Some(<f>) credits_per_ktok=Some(<f>) effective_rate=Some(<f>) cache_read=<None|Some(n)> cache_creation=<None|Some(n)> ...

解析时：

• model → 模型名
• input / output → token 数（已是整数，无需 K 换算）
• metering_credits → credits_used（Some 内取值）
• cost_usd 需用 Anthropic 官方定价本地折算：

  cost_usd = (input * input_price + output * output_price) / 1e6
  

  各模型定价（$/1M tokens）：

  模型	input	output
  claude-opus-4-6 / 4-7	15.0	75.0
  claude-sonnet-4-6 / 4-7	3.0	15.0
  claude-haiku-*	0.80	4.0

分析步骤

1. 解析日志

从用户提供的日志文本中逐行提取：

• model
• cost_usd（格式 A 直接取；格式 B 由 input/output 折算）
• credits_used

格式 A 忽略无 ✓ 标记的行；格式 B 忽略无 metering_credits=Some(...) 的行。

2. 确定基准 k_ref（按模型分别推算）

核心原则：每个模型独立推 k_ref，绝不全局共用一个值。

不同模型的 credit/$ 倍率显著不同（Sonnet ≈ 7.06，Opus ≈ 2.5）。 混用单一 k_ref 会让 Opus 的"基准"虚抬 ~2.7 倍，节省被严重高估。

推算流程（每个模型独立执行）

1. 计算该模型每行的 k = credits_used / cost_usd
2. 取该模型样本中 k 的最大值 作为 k_ref（命中缓存只会让 k 变小； 最大 k 最接近"无缓存"基准）
3. 若 k_max > 经验值 × 1.30，判为 cache-creation 行污染（写缓存定价上限 1.25×，留 5% 容差），剔除后取次大
4. 该模型样本数 < 3 条 → 回退到下表经验值，并在输出中显式 ⚠️ 告警

各模型经验值 k_ref（fallback 用）

模型	k_ref (credits/$)	来源
claude-sonnet-4-6	7.06	项目历史实测
claude-sonnet-4-7	7.06	同上（同价位）
claude-opus-4-6	2.40	实测
claude-opus-4-7	2.60	实测
claude-haiku-*	未知	首次出现时实测，回退前先告警

3. 计算节省（按模型分别折算）

对每行：

该模型的 k_ref = 上一步推算结果
无缓存应消耗 credits = cost_usd × k_ref(model)
实际消耗 credits     = credits_used
节省 credits         = 无缓存credits − 实际credits

汇总时分别累加各模型的 baseline 与 actual，最后再求总和。 禁止用单一全局 k_ref 折算所有模型。

• 正值：缓存命中节省了 credits
• 负值：cache creation 写入开销（属于"先花后省"）

4. 汇总输出

输出以下结构的分析结果：

## Prompt Caching Credits 节省分析

### k_ref 推算结果（按模型）

| 模型 | 样本数 | 实测 k_max | 采用 k_ref | 来源 |
|------|------:|----------:|----------:|------|
| claude-sonnet-4-6 | 90 | 7.18 | 7.18 | 实测 |
| claude-opus-4-7   |  7 | 2.60 | 2.60 | 实测 |
| claude-opus-4-6   |  7 | 2.38 | 2.38 | 实测 |

> 样本 < 3 条的模型必须标 ⚠️ "回退经验值，结果不可靠"

### 总览

| 指标 | 数值 |
|------|------|
| 请求总数 | N 条 |
| 总 estimated_cost（Anthropic 全价） | $X.XXXX |
| 假设无缓存总 credits（按模型 k_ref 折算后求和） | X.XXXX |
| 实际消耗总 credits | X.XXXX |
| **净节省 credits** | **X.XXXX** |
| 节省比例 | XX.X% |
| 折算 API 成本节省 | ~$X.XXXX |

### 按模型分组

| 模型 | 请求数 | k_ref | baseline | actual | 节省 | 节省率 |
|------|------:|-----:|--------:|------:|----:|------:|
| ...  |       |      |         |       |     |       |

### Cache 构成
- 缓存命中节省（gross）：+X.XXXX credits
- Cache creation 额外开销：-X.XXXX credits（如有大输出行，通常为写缓存成本）

### 按用户分组（仅格式 A 有 email 字段时）
| 用户 | 实际 credits | 无缓存 credits | 节省 credits | 节省率 |
|------|-------------|---------------|-------------|--------|
| ... |

### 典型行分析（按模型分别列出）
- 该模型缓存最深（k最小）：... → k=X.XX，节省率XX%
- 该模型 cache creation 行（k > k_ref）：...
- 该模型无缓存基准行（k≈k_ref）：...

注意事项

• 绝不全局共用 k_ref：每个模型独立推算。混用单一 k_ref 会让 Opus 节省 被高估约 2.7 倍。
• k_max 异常告警：若某模型 k_max 超过经验值 × 1.30（与推算流程阈值一致）， 怀疑有 cache-creation 行污染样本，剔除后重算。
• 样本不足告警：模型样本数 < 3 → 输出标 ⚠️，提醒该模型节省量是估算。
• runtime-log 缺 cache 字段：当 cache_read=None cache_creation=None 时 （上游代理未透传），节省量是 baseline − actual 反推，无法用真实 cache token 交叉验证；报告里必须注明"间接估计"。
• Cache creation 行（k > 该模型 k_ref）表示该请求写入了 prompt cache， 后续请求因此受益——它的"负节省"是整个对话缓存收益的前置成本。
• estimated_cost 是按 Anthropic 全价的本地估算（不含缓存折扣）； credits_used 是 Kiro 实际扣除值（含缓存折扣）；两者之差乘以该模型的 k_ref 即为该模型节省量。