nf-llm-debugger：用 LLM 自动诊断 Nextflow 流水线错误的开源插件

nf-llm-debugger 是一个 Nextflow 插件，能够在运行时自动拦截流水线错误，利用本地或远程大语言模型分析日志，并输出清晰可操作的修复建议。

• 原作者/维护者： Luca Cozzuto（biocorecrg）
• 来源平台： GitHub
• 原始标题： nf-llm-debugger
• 原始链接： https://github.com/biocorecrg/nf-llm-debugger
• 开源协议： MIT License

在生物信息学和高性能计算领域，Nextflow 已成为构建可复现、可扩展数据分析流水线的首选框架。然而，随着流水线复杂度的增加，调试工作变得越来越具有挑战性。一个典型的 Nextflow 流水线可能包含数十个进程，涉及多种软件容器、资源分配策略和数据依赖关系。当某个进程失败时，开发者往往需要面对冗长的日志文件、晦涩的退出码（如 126、127、1 等）以及复杂的错误堆栈信息。

传统的调试方式通常需要开发者手动查阅文档、搜索错误信息、分析日志上下文，这个过程不仅耗时，而且要求开发者对各种工具有深入的了解。对于刚接触生物信息学的新手来说，这种调试门槛尤其高。

nf-llm-debugger 是由 Luca Cozzuto 开发的一款开源 Nextflow 插件，它巧妙地将大语言模型（LLM）的能力引入到流水线调试流程中。该插件的核心价值在于能够在运行时自动拦截错误，利用 AI 分析故障原因，并直接输出结构化的诊断报告和修复建议。

该插件的设计体现了几个重要的工程思想。首先是运行时集成，它通过 Nextflow 的 TraceObserver 接口深度嵌入到 JVM 生命周期中，能够实时捕获进程和工作流的失败事件。其次是开放兼容，插件采用 OpenAI 兼容的 API 格式，支持 Llamafile、Ollama、LocalAI、OpenAI 等多种 LLM 后端，用户可以根据隐私和性能需求灵活选择。第三是零配置本地运行，对于注重数据隐私的场景，插件提供了开箱即用的本地 LLM 支持，无需复杂的配置即可离线运行。

插件通过 Nextflow 的 TraceObserver 机制实现运行时错误拦截。当流水线中的某个进程或工作流失败时，插件会立即捕获相关的错误信息，包括进程名称、退出码、标准输出和标准错误流。这种设计确保了错误信息不会丢失，能够被完整地传递给 LLM 进行分析。

插件采用标准的 OpenAI Chat Completions API 格式与 LLM 进行通信。这种设计决策带来了显著的灵活性优势——用户可以使用任何兼容 OpenAI API 的本地或远程服务。对于本地部署，Llamafile 和 Ollama 提供了轻量级的解决方案；对于需要更强能力的场景，OpenAI、Gemini 等商业 API 同样受支持。

当 LLM 返回分析结果后，插件会将技术性的错误信息转化为结构化的、易于理解的诊断报告。报告不仅指出错误原因，还会提供具体的修复步骤，大大降低了调试的认知负担。