Claude Code人机交互日志追踪实战：从日志解析到行为分析

1次阅读

共计 2088 个字符，预计需要花费 6 分钟才能阅读完成。

在开发基于 Claude Code 的人机交互应用时，我发现交互行为产生的日志往往分散在三个地方：

系统日志 ：记录基础服务状态，但混杂大量无关信息
审计日志 ：包含敏感操作记录，但格式严格固定
行为日志 ：最接近真实交互，但缺少统一采集标准

这种碎片化存储导致两个典型问题：
1. 定位特定会话需要跨多个日志源查询
2. 分析用户行为路径时难以还原完整上下文

通过 SSH 登录服务器后使用 grep 命令：

grep -r "interaction" /var/log/claude/ --color=auto

缺点：
– 需要生产环境访问权限
– 每次查询都是全量扫描
– 无法区分不同会话的上下文

官方提供的审计接口示例：

from claude_sdk import AuditClient
client = AuditClient(api_key="YOUR_KEY")
logs = client.query_logs(event_types=["USER_INTERACTION"],
    time_range={"start": "2023-07-01", "end": "2023-07-02"}
)

局限：
– 需要申请数据访问权限
– 返回字段经过脱敏处理
– 有每日调用限额

核心优势：
– 可定义个性化的过滤规则
– 支持本地缓存降低查询负载
– 自由扩展分析维度

使用 Python SDK 的日志钩子机制：

import claude_sdk

class InteractionLogger:
    def __init__(self):
        self._buffer = []
        claude_sdk.set_log_hook(self._log_handler)

    def _log_handler(self, log):
        if log.get('tags', {}).get('log_type') == 'user_interaction':
            self._buffer.append(self._parse_log(log))

    def _parse_log(self, raw_log):
        """提取关键字段的正则表达式示例"""
        import re
        pattern = r'(?P<timestamp>\d{4}-\d{2}-\d{2}T\d{2}:\d{2}:\d{2}) \[(?P<session_id>[\w-]+)\] (?P<event_type>\w+)'
        match = re.search(pattern, raw_log['message'])
        return match.groupdict() if match else None

将日志转为时序图的实现：

def plot_behavior_sequence(session_data):
    """
    参数示例:
    session_data = [{'timestamp': '10:00:00', 'event': 'login'},
        {'timestamp': '10:00:05', 'event': 'search'},
        {'timestamp': '10:00:10', 'event': 'click_result'}
    ]
    """
    import matplotlib.pyplot as plt

    fig, ax = plt.subplots(figsize=(10, 4))
    for i, event in enumerate(session_data):
        ax.annotate(event['event'], 
                   xy=(event['timestamp'], 1), 
                   xytext=(0, 15*i),
                   arrowprops=dict(arrowstyle="->"))

    ax.set_yticks([])
    ax.set_title(f"User Behavior Flow: {session_data[0]['timestamp']}")
    plt.tight_layout()
    return fig

建议采用分层采样：
– 高频操作（如按钮点击）：1/10 采样率
– 关键路径（如支付流程）：全量记录
– 错误事件：始终保留

在收集阶段即进行脱敏：

def anonymize(data):
    import hashlib
    if 'user_id' in data:
        data['user_id'] = hashlib.sha256(data['user_id'].encode()).hexdigest()[:8]
    if 'ip' in data:
        data['ip'] = '.'.join(data['ip'].split('.')[:2] + ['XXX', 'XXX'])
    return data