ledgermind

请分析最近7天本地 LLM 代理日志，找出 token 消耗和费用异常的时间段、模型、调用来源，并按严重程度排序。

一份异常清单，包含高成本调用、异常峰值来源及优先处理建议。

扫描本地 LLM 请求记录，识别可能的滥用模式，例如突发高频请求、异常长上下文、重复失败重试，并总结风险信号。

一份滥用模式分析结果，列出可疑行为、影响范围和风险说明。

将最近一次成本与安全审计结果整理为适合 MCP 调用的结构化输出，包含异常摘要、受影响服务和建议动作。

结构化审计数据，可被智能体直接读取并用于自动化处置或告警。