LLM Tester - 模型对比测试工具#

Overview#

自动化对比测试多个 LLM 模型在相同任务上的表现，记录速度、Token 消耗、成功率等指标，生成标准化 JSON 报告。适用于模型选型、Prompt 优化、成本评估等场景。

使用场景：

• 需要对比不同 LLM 模型的性能
• 需要评估模型在特定任务上的质量
• 需要批量测试多个样本
• 需要标准化测试报告

核心功能#

功能说明多模型对比同时测试多个模型，自动对比结果批量测试支持多个样本文件和 Prompt 模板性能记录自动记录耗时、Token 消耗、成功率超时控制单个模型超时自动跳过，不阻塞其他模型JSON 报告标准化输出，易于集成 CI/CD

CLI 使用#

bash

# 基本用法
python3 scripts/llm_benchmark.py --samples samples/ --prompts prompts/ --models qwen3.6-plus qwen3-max

# 指定超时和输出路径
python3 scripts/llm_benchmark.py \
  --samples samples/ \
  --prompts prompts/ \
  --models qwen3.6-plus qwen3-max-2026-01-23 \
  --timeout 90 \
  --output reports/report.json

# 简写
python3 scripts/llm_benchmark.py -s samples/ -p prompts/ -m qwen3.6-plus qwen3-max -t 90 -o report.json

参数说明#

参数必填说明--samples / -s✅测试样本目录（包含 .txt 文件）--prompts / -p✅Prompt 模板目录（包含 .txt 文件）--models / -m❌要测试的模型列表（默认：qwen3.6-plus qwen3-max）--timeout / -t❌单个模型超时时间（秒，默认 60）--output / -o❌报告输出路径（默认：reports/benchmark-report.json）

环境变量#

变量说明默认值DASHSCOPE_API_KEYAPI Key无（必须设置）LLM_API_BASEAPI 地址https://coding.dashscope.aliyuncs.com/v1/chat/completions

测试数据格式#

样本文件（samples/*.txt）#

纯文本文件，每个文件一个测试样本。

Prompt 模板（prompts/*.txt）#

使用 {text} 占位符，运行时替换为样本内容。

txt

分析以下文本的写作风格，输出 JSON：
{"complexity": "简洁或复杂", "pace": "快速/舒缓/紧凑", "labels": ["标签1", "标签2", "标签3"]}

文本：
{text}

报告格式#

json

{
  "timestamp": "2026-04-14 13:30:00",
  "config": {
    "samples_dir": "samples/",
    "prompts_dir": "prompts/",
    "models": ["qwen3.6-plus", "qwen3-max-2026-01-23"],
    "timeout": 60
  },
  "summary": {
    "qwen3.6-plus": {
      "success_rate": "16/16 (100%)",
      "avg_time": "43.8s",
      "avg_tokens": "2952",
      "total_time": "701.4s",
      "total_tokens": 47230
    },
    "qwen3-max-2026-01-23": {
      "success_rate": "16/16 (100%)",
      "avg_time": "6.1s",
      "avg_tokens": "735",
      "total_time": "97.7s",
      "total_tokens": 11762
    }
  },
  "results": {
    "chapter_1_style-analysis": {
      "qwen3.6-plus": {"status": "success", "time": 36.13, "tokens": 2496, "result": {...}},
      "qwen3-max-2026-01-23": {"status": "success", "time": 13.12, "tokens": 707, "result": {...}}
    }
  }
}

依赖#

• Python 3.10+
• requests >= 2.31

安装依赖：

bash

pip install -r scripts/requirements.txt

与其他技能集成#

与 style-analyzer 集成#

bash

# 测试风格分析能力
python3 scripts/llm_benchmark.py \
  --samples samples/novel-chapters/ \
  --prompts prompts/style-analysis.txt \
  --models qwen3.6-plus qwen3-max \
  --output reports/style-benchmark.json

与 foreshadowing-tracker 集成#

bash

# 测试伏笔识别能力
python3 scripts/llm_benchmark.py \
  --samples samples/novel-chapters/ \
  --prompts prompts/foreshadowing.txt \
  --models qwen3.6-plus qwen3-max \
  --output reports/foreshadowing-benchmark.json

注意事项#

• 必须设置 DASHSCOPE_API_KEY 环境变量
• Prompt 模板必须包含 {text} 占位符
• 样本文件必须是 .txt 格式
• 超时时间建议 60-90 秒