feat: llm 翻译节点打印分批进度与 token 处理速度日志

翻译节点 translate_lines 分批调用 LLM 时补充可观测日志：
- 任务开始打印总行数与总批数；每完成一批打印总进度（已完成/总行数、
  第几批/共几批、批耗时、累计耗时与行/s），结束打印汇总（总耗时、
  累计 tokens、tok/s 与行/s），便于评估 LLM 处理速度；
- _call_llm 解析响应 usage（total_tokens），每次请求打印单批耗时与
  token/s（接口不返回 usage 时按 0 处理）；
- _translate_batch 改为返回(译文, 本批 tokens)，供累计汇总；
- 补充空输入直接返回的单测，保持 100% 行覆盖率。

nodes/llm.py

@@ -23,10 +23,13 @@ from __future__ import annotations
 
 import json
 import os
+import time
 import urllib.error
 import urllib.request
 from pathlib import Path
 
+from wov_app.logging import get_logger
+
 from wov_sdk.models import InvokeRequest, InvokeResponse
 from nodes.subtitle_cleanup import clean_srt_text
 from nodes.proper_nouns import build_proper_noun_rule
@@ -36,6 +39,9 @@ CHUNK_SIZE = 20
 # 批次翻译重试次数（LLM 偶发少行时重发本批，内容缺失无法靠占位恢复）。
 MAX_BATCH_RETRIES = 3
 
+# 节点运行日志：翻译分批进度与处理速度输出到主进程控制台。
+logger = get_logger("llm-translate")
+
 
 def _system_prompt(target_language: str) -> str:
     """构造翻译系统提示词（返回单个字符串，不用隐式拼接避免 tuple bug）。
@@ -63,13 +69,20 @@ def _call_llm(
     system_prompt: str,
     user_content: str,
     request_timeout: float,
+    log_prefix: str = "",
     **_: object,
-) -> str:
+) -> tuple[str, dict | None]:
-    """发送一次 OpenAI 兼容的 chat.completions 请求，返回 content 字符串。
+    """发送一次 OpenAI 兼容的 chat.completions 请求，返回 (content, usage)。
 
     支持响应 choices[0].message.content 字段；enable_thinking=False 避免
     Qwen3 等模型的 reasoning_content 占满输出导致 content 为空/截断。
+
+    usage 为响应体里的 usage 对象（含 prompt_tokens/completion_tokens/
+    total_tokens），部分兼容接口不返回 usage 时为 None——调用方用其估算
+    token 处理速度。log_prefix 为日志行前缀（如"第 2/5 批"），用于打印
+    单批耗时与 token 速度。
     """
+    started = time.monotonic()
     body = {
         "model": model,
         "messages": [
@@ -91,7 +104,16 @@ def _call_llm(
     with urllib.request.urlopen(request, timeout=request_timeout) as response:
         payload = json.loads(response.read().decode("utf-8"))
     content = payload["choices"][0]["message"]["content"]
-    return content
+    usage = payload.get("usage")
+    # 单批耗时与 token 速度日志：直观反映 LLM 处理速度（wall clock）。
+    elapsed = time.monotonic() - started
+    tokens = int(usage.get("total_tokens", 0)) if isinstance(usage, dict) else 0
+    rate = tokens / elapsed if elapsed > 0 and tokens > 0 else 0.0
+    logger.info(
+        "LLM 响应 %s 耗时 %.1fs, tokens=%d (%.1f tok/s)",
+        log_prefix, elapsed, tokens, rate,
+    )
+    return content, usage
 
 
 def _repair_batch(batch: list[str], expected: int) -> list[str]:
@@ -116,6 +138,10 @@ def translate_lines(lines: list[str], params: dict) -> list[str]:
     每批输入行数保持一致；若 LLM 返回行数不一致：多行合并、少行重试该批
     （最多 MAX_BATCH_RETRIES 次），仍不足则补空串占位。保证每条字幕都有
     译文且时间轴与原文逐条对齐，杜绝"内容对错时间"的错位。
+
+    日志：每完成一批打印总进度（已完成行数/总行数、第几批/共几批、累计
+    耗时与行处理速度），结束打印汇总（总耗时、累计 tokens 与 tok/s），
+    便于评估 LLM 处理速度。
     """
     api_base = os.getenv(
         "LLM_API_BASE",
@@ -127,13 +153,45 @@ def translate_lines(lines: list[str], params: dict) -> list[str]:
     target_language = str(params.get("target_language", "zh-CN"))
     system_prompt = _system_prompt(target_language)
 
+    total_lines = len(lines)
+    total_batches = (total_lines + CHUNK_SIZE - 1) // CHUNK_SIZE if total_lines else 0
+    if total_lines == 0:
+        return []
+    # 任务开始日志：总行数与总批数（批次 = CHUNK_SIZE 行，最后一批可能不足）。
+    logger.info("翻译开始: %d 行, 分 %d 批", total_lines, total_batches)
+
     translated: list[str] = []
-    for start in range(0, len(lines), CHUNK_SIZE):
+    total_tokens = 0
+    all_started = time.monotonic()
+    for batch_index in range(1, total_batches + 1):
+        start = (batch_index - 1) * CHUNK_SIZE
         chunk = lines[start : start + CHUNK_SIZE]
-        batch_translated = _translate_batch(
+        # 每批日志前缀（第几批/共几批），供单次 LLM 请求日志与批进度复用。
-            chunk, api_base, api_key, model, system_prompt, request_timeout
+        log_prefix = f"第 {batch_index}/{total_batches} 批"
+        batch_started = time.monotonic()
+        batch_translated, batch_tokens = _translate_batch(
+            chunk, api_base, api_key, model, system_prompt, request_timeout, log_prefix
         )
         translated.extend(batch_translated)
+        total_tokens += batch_tokens
+        # 批进度日志：已完成行数/总行数、当前批耗时、累计耗时与行处理速度。
+        done = len(translated)
+        elapsed_total = time.monotonic() - all_started
+        logger.info(
+            "翻译进度 %d/%d 行 (%s完成, 批耗时 %.1fs, 累计 %.1fs, %.1f 行/s)",
+            done, total_lines, log_prefix,
+            time.monotonic() - batch_started, elapsed_total,
+            done / elapsed_total if elapsed_total > 0 else 0.0,
+        )
+    # 任务汇总日志：总耗时、累计 tokens 与 token/行处理速度。
+    wall = time.monotonic() - all_started
+    tok_rate = total_tokens / wall if wall > 0 and total_tokens > 0 else 0.0
+    logger.info(
+        "翻译完成: %d/%d 行, %d 批, 总耗时 %.1fs, 累计 tokens=%d (%.1f tok/s, %.1f 行/s)",
+        len(translated), total_lines, total_batches, wall,
+        total_tokens, tok_rate,
+        len(translated) / wall if wall > 0 else 0.0,
+    )
     return translated
 
 
@@ -144,39 +202,47 @@ def _translate_batch(
     model: str,
     system_prompt: str,
     request_timeout: float,
-) -> list[str]:
+    log_prefix: str = "",
-    """翻译单个批次：行数不一致时多行合并、少行重试，返回与 chunk 等长译文。
+) -> tuple[list[str], int]:
+    """翻译单个批次，返回 (与 chunk 等长译文, 本批 total_tokens)。
 
-    每批调用前根据本批原文命中情况动态拼接专名/隐语规则（build_proper_noun_rule），
+    行数不一致时多行合并、少行重试；每批调用前根据本批原文命中情况动态
-    注入到系统提示词，让 LLM 正确处理片假名专名与成人语境隐语。"""
+    拼接专名/隐语规则（build_proper_noun_rule），注入到系统提示词，让 LLM
+    正确处理片假名专名与成人语境隐语。"""
     # 本批命中的专名/隐语规则（无命中返回 None）。
     rule = build_proper_noun_rule(chunk)
     batch_system = system_prompt
     if rule:
         batch_system = system_prompt + "\n\n" + rule
     attempt = 0
+    batch_tokens = 0
     while True:
-        content = _call_llm(
+        # content 为译文文本；usage 含本批 prompt/completion tokens（接口不
+        # 返回时为 None），用于累计任务 token 总量与速度评估。
+        content, usage = _call_llm(
             api_base,
             api_key,
             model,
             batch_system,
             "\n".join(chunk),
             request_timeout,
+            log_prefix,
         )
+        if isinstance(usage, dict):
+            batch_tokens = int(usage.get("total_tokens", 0) or 0)
         # 保留所有行：先 rstrip 尾随换行避免多出末尾空行，再 splitlines 保留
         # 内容中的空串行（空行可能是合法的空字幕，过滤掉会误判行数）。
         batch = content.rstrip("\n").splitlines()
         if len(batch) == len(chunk):
-            return batch
+            return batch, batch_tokens
         if len(batch) > len(chunk):
             # 多行：末尾多出的行合并到前一行，直接返回。
-            return _repair_batch(batch, len(chunk))
+            return _repair_batch(batch, len(chunk)), batch_tokens
         # 少行：内容缺失，占位补空会丢语义，重试本批。
         attempt += 1
         if attempt >= MAX_BATCH_RETRIES:
             # 重试耗尽：补空串占位（宁缺勿错位），避免整条任务失败。
-            return _repair_batch(batch, len(chunk))
+            return _repair_batch(batch, len(chunk)), batch_tokens
 
 
 def invoke(request: InvokeRequest) -> InvokeResponse:

tests/test_nodes.py

@@ -520,6 +520,15 @@ def test_llm_translate_lines_via_fake_api(monkeypatch) -> None:
         thread.join(timeout=5)
 
 
+def test_llm_translate_lines_empty_input() -> None:
+    """验证空行列表直接返回空译文，不发起任何 LLM 请求。
+
+    翻译开始前对空输入提前返回：没有字幕行时无需计算批数、也无需调用
+    接口（避免无谓请求与除零等边界问题），同时保持返回类型为列表。"""
+    result = translate_lines([], {})
+    assert result == []
+
+
 def test_llm_translate_lines_api_error(monkeypatch) -> None:
     """验证 LLM 接口不可用时抛出 URLError。"""
     def fail_open(request, timeout):