[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M73GDYYJXQC1REG3Z5W2KZMW":3,"skill-same:01M73GDYYJXQC1REG3Z5W2KZMW":58},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":16,"categories":17,"keywords":18,"publishedAt":19,"linkOnly":20,"markdownContent":21,"markdownBody":22,"frontMatter":23,"refName":34,"commitSha":35,"skillDirectory":36,"forksCount":37,"repositoryHtmlUrl":38,"repositoryHomepageUrl":39,"ownerHtmlUrl":40,"ownerBlogUrl":41,"ownerDescription":42,"updatedAt":43,"install":44,"resources":57},"01M73GDYYJXQC1REG3Z5W2KZMW","trading-journal-analyst",null,"Paste your trading history (CSV \u002F broker export \u002F list of trades) and AI extracts hidden behavioral biases, implicit rules, and compares your actual behavior vs an ideal shadow strategy. Inspired by HKUDS\u002FVibe-Trading Shadow Account Analysis (MIT).","Horonomos-laps\u002FYana-AI","Horonomos-laps","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F355299122?v=4","01M76B3QPXE88ET2SQPDPVATZT"," Horonomos-laps","01M72ZQRJPCYPSSWT4D00VJR2A",13,"MIT","https:\u002F\u002Fgithub.com\u002FHoronomos-laps\u002FYana-AI\u002Fblob\u002Fmain\u002Fcore\u002Fskills\u002Ftrading-journal-analyst\u002FSKILL.md",[],[],"2026-11-11 15:11:14",false,"---\nname: trading-journal-analyst\ndescription: Paste your trading history (CSV \u002F broker export \u002F list of trades) and AI extracts hidden behavioral biases, implicit rules, and compares your actual behavior vs an ideal shadow strategy. Inspired by HKUDS\u002FVibe-Trading Shadow Account Analysis (MIT).\norigin: yana-ai — inspired by HKUDS\u002FVibe-Trading (MIT)\nlicense: MIT\nversion: 1.0.0\ntriggers:\n  - \u002Ftrading-journal-analyst\n  - \u002Ftja\n  - phân tích nhật ký giao dịch\n  - journal giao dịch\n  - trading journal\n  - phân tích hành vi giao dịch\n  - bias giao dịch\n---\n\n# \u002Ftrading-journal-analyst\n\nPaste lịch sử giao dịch của anh vào. AI sẽ tìm ra điều anh không nhìn thấy trong chính mình: bán lời quá sớm, giữ lỗ quá lâu, chạy theo momentum, overtrade. Sau đó so sánh anh thực sự làm gì vs anh nên làm gì.\n\n```\n\u002Ftrading-journal-analyst\n[paste danh sách giao dịch hoặc CSV]\n\n\u002Ftja --bias-only   → chỉ phân tích bias, bỏ qua số liệu chi tiết\n\u002Ftja --compare     → bật Shadow Strategy Comparison\n```\n\n**Input được chấp nhận:**\n- CSV xuất từ broker (同花顺, 东财, Futu, SSI, VPS, MBS, CSV tự lập)\n- Danh sách giao dịch tự nhập theo format: `[ngày] [mã CK] [mua\u002Fbán] [giá] [số lượng]`\n- Text mô tả (\"tháng 3 tôi mua VNM ở 72, bán ở 75, mua MWG ở 45...\")\n\n---\n\n## Khi nào dùng\n\n- Nhìn lại quý\u002Fnăm giao dịch và muốn hiểu mình thực sự hoạt động như thế nào\n- Cảm giác \"biết đúng nhưng làm sai\" và muốn tìm pattern cụ thể\n- Muốn rút ra implicit rules từ hành vi thực tế để cải thiện\n\n## Khi nào KHÔNG dùng\n\n- Không có lịch sử giao dịch cụ thể (chỉ ý định mua\u002Fbán)\n- Muốn phân tích một cổ phiếu (dùng `\u002Fvic` hoặc `\u002Firt`)\n- Trading kỹ thuật ngắn hạn trong ngày\n\n---\n\n## 5 Bước phân tích\n\n### Bước 1 — Parse & Chuẩn hóa\n\nChuyển input về format chuẩn:\n\n| Ngày | Mã CK | Hành động | Giá | Số lượng | Giá trị |\n|------|-------|----------|-----|---------|---------|\n\nLàm sạch: bỏ duplicate, xử lý split\u002Fdividend nếu có, tính P&L từng vị thế.\n\n**Tạo danh sách vị thế đã đóng:**\n- Entry date, exit date, holding period (ngày)\n- Entry price, exit price\n- P&L (VND\u002FUSD + %)\n- Lý do exit (nếu có trong ghi chú)\n\n---\n\n### Bước 2 — Behavior Profiling\n\nTính các chỉ số hành vi:\n\n| Chỉ số | Giá trị | Baseline tham chiếu | Nhận xét |\n|--------|---------|-------------------|---------|\n| Win rate | | 40–55% là bình thường | |\n| Avg win % | | | |\n| Avg loss % | | | |\n| Win\u002FLoss ratio | | >1.5 là tốt | |\n| Avg holding (winner) | ngày | | |\n| Avg holding (loser) | ngày | | |\n| Largest single loss | | | |\n| Worst drawdown | | | |\n| Số lần giao dịch\u002Ftháng | | | |\n| Tỷ lệ cắt lỗ đúng hạn | | | |\n\n**Phân phối theo thời gian:** có pattern theo tháng\u002Fquý không? (ví dụ: overtrade tháng bull market)\n\n---\n\n### Bước 3 — Phát hiện 4 Bias cốt lõi\n\n#### Bias 1 — Disposition Effect (bán lời sớm, giữ lỗ lâu)\n```\nDấu hiệu:\n  - Avg holding (winner) \u003C Avg holding (loser)\n  - Tỷ lệ win\u002Floss ratio thấp dù win rate cao\n  - Nhiều lần bán lúc +5~10% rồi cổ phiếu tiếp tục tăng\n\nTính toán:\n  PGR (Proportion of Gains Realized) vs PLR (Proportion of Losses Realized)\n  Disposition coefficient = PGR \u002F PLR\n  > 1.0 = có disposition effect\n  > 1.5 = nghiêm trọng\n```\n\n#### Bias 2 — Overtrading (giao dịch quá nhiều)\n```\nDấu hiệu:\n  - Số giao dịch\u002Ftháng vượt quá \"cần thiết\"\n  - Nhiều giao dịch lãi nhỏ + phí giao dịch ăn mòn profit\n  - Turnover cao mà không cải thiện P&L\n\nTính toán:\n  Chi phí giao dịch thực tế \u002F Total P&L\n  > 15% → overtrading đáng kể\n  > 30% → phí đang giết chết account\n\nCâu hỏi cốt lõi: \"Nếu không giao dịch gì trong period X, account sẽ thế nào?\"\n```\n\n#### Bias 3 — Momentum Chasing (mua muộn đỉnh)\n```\nDấu hiệu:\n  - Nhiều lần mua sau khi cổ phiếu đã tăng 15-20%+\n  - Entry point thường là sau breakout nổi bật trên tin tức\n  - Đa phần lệnh vào sau ngày volume đột biến\n\nTính toán:\n  Price change từ đáy gần nhất đến entry point (trung bình)\n  > 15% = có xu hướng mua momentum\n  > 30% = nghiêm trọng\n```\n\n#### Bias 4 — Anchoring (bám vào giá tham chiếu)\n```\nDấu hiệu:\n  - Thường set stop-loss ở giá mua (thay vì % hợp lý)\n  - \"Chờ về giá mua rồi bán\" khi bị lỗ\n  - Target profit đặt ở số tròn (50, 100, +20%)\n\nNhận dạng:\n  Xem pattern exit price vs entry price\n  Nhiều exit ở đúng giá mua ± 0-2% = anchoring\n```\n\n---\n\n### Bước 4 — Trích xuất Implicit Rules\n\nTừ lịch sử thực tế, rút ra các quy tắc ẩn anh đang áp dụng mà không biết:\n\n**Format:**\n```\nQuy tắc ẩn được phát hiện:\n  IF [điều kiện] THEN [hành động] (tần suất: X\u002FY lần)\n\nVí dụ:\n  IF cổ phiếu đã tăng >15% trong tuần THEN mua vào (8\u002F12 lần)\n  IF lỗ >8% THEN giữ tiếp không cắt (11\u002F15 lần)\n  IF thị trường xanh mạnh THEN giao dịch nhiều hơn 2x (pattern Q1 và Q3)\n  IF vừa có lãi lớn THEN mua ngay không nghiên cứu kỹ (6\u002F8 lần sau đó lỗ)\n```\n\nSắp xếp theo tần suất và tác động P&L.\n\n---\n\n### Bước 5 — Shadow Strategy Comparison (với `--compare`)\n\nXây dựng \"chiến lược bóng\" — phiên bản lý tưởng của anh nếu không bị bias:\n\n```\nShadow Strategy Rules (từ best practices):\n  - Cắt lỗ: -8% từ entry, không ngoại lệ\n  - Giữ lời: không bán dưới 3 tuần nếu thesis vẫn nguyên vẹn\n  - Không mua nếu cổ phiếu đã tăng >20% từ đáy 52 tuần\n  - Tối đa 2 giao dịch mới\u002Ftháng\n\nBacktest shadow strategy vs actual:\n  Kết quả thực:  P&L = [X]\n  Shadow result: P&L = [Y]\n  Chênh lệch:    [Z] — do [bias chính gây ra]\n```\n\n**Đoạn đường bị bỏ lỡ:** liệt kê 3–5 giao dịch cụ thể mà shadow strategy sẽ xử lý khác và kết quả tốt hơn bao nhiêu.\n\n---\n\n## Output chuẩn\n\n```markdown\n## Trading Journal Analysis — [Tên\u002FGiai đoạn]\n\n*Giai đoạn: [từ — đến] | [N] giao dịch | [N] cổ phiếu*\n\n---\n\n### Tổng quan hiệu suất\n\n| Chỉ số | Giá trị | Nhận xét |\n|--------|---------|---------|\n| Tổng P&L | | |\n| Win rate | | |\n| Avg win \u002F Avg loss | | |\n| Avg holding winner | | |\n| Avg holding loser | | |\n| Chi phí giao dịch | | |\n\n---\n\n### Bias Report\n\n**Disposition Effect**\n- Disposition coefficient: [X]\n- Mức độ: Không đáng kể \u002F Trung bình \u002F Nghiêm trọng\n- Bằng chứng cụ thể: [2–3 giao dịch điển hình]\n- Thiệt hại ước tính: [VND\u002FUSD]\n\n**Overtrading**\n- Giao dịch\u002Ftháng: [X] (baseline: Y)\n- Chi phí \u002F P&L: [X]%\n- Tháng overtrade nhiều nhất: [tháng, lý do thị trường]\n\n**Momentum Chasing**\n- Avg price change trước entry: [X]%\n- Số lần mua sau tin nóng: [X\u002FN]\n- Pattern: [mô tả cụ thể]\n\n**Anchoring**\n- Số lần exit ở giá mua: [X\u002FN]\n- Số lần \"chờ về vốn\": [X]\n- Stop-loss pattern: [đặt ở đâu thường xuyên]\n\n---\n\n### Implicit Rules đang vận hành\n\n| Quy tắc ẩn | Tần suất | P&L impact |\n|-----------|---------|------------|\n| [rule 1] | X\u002FY lần | +\u002F- [Z] |\n| [rule 2] | X\u002FY lần | +\u002F- [Z] |\n| [rule 3] | X\u002FY lần | +\u002F- [Z] |\n\n---\n\n### Shadow Comparison (nếu bật --compare)\n\n| | Thực tế | Shadow | Chênh lệch |\n|---|---------|--------|-----------|\n| P&L | | | |\n| Max drawdown | | | |\n| Win rate | | | |\n\n**Top 3 giao dịch shadow xử lý tốt hơn:**\n1. [mã CK, ngày, thực tế vs shadow]\n2.\n3.\n\n---\n\n### Kết luận & Cam kết\n\n**Bias lớn nhất cần sửa ngay:** [tên bias]\n**1 quy tắc cụ thể để thay đổi:** [quy tắc]\n**Chỉ số theo dõi tháng tới:** [chỉ số]\n\n> Ghi vào journal: \"Từ [ngày], tôi cam kết [hành động cụ thể]\"\n```\n\n---\n\n## Nguyên tắc\n\n- **Dữ liệu thực, không suy đoán**: nếu không có đủ giao dịch để tính toán một bias → nói rõ \"không đủ dữ liệu\" thay vì ước chừng\n- **Số liệu > cảm giác**: bias chỉ được xác nhận khi có pattern thống kê, không phải 1–2 giao dịch\n- **Không phán xét**: mục tiêu là nhận diện pattern, không phải chê anh giao dịch tệ\n\n## Skills liên quan\n\n- `value-investing-checklist` — `\u002Fvic` — checklist trước khi ra quyết định mua\n- `investment-research-team` — `\u002Firt` — 4 agent phân tích cổ phiếu song song\n- `council-of-minds` — 6 nhân vật cho quyết định khó\n","# \u002Ftrading-journal-analyst\n\nPaste lịch sử giao dịch của anh vào. AI sẽ tìm ra điều anh không nhìn thấy trong chính mình: bán lời quá sớm, giữ lỗ quá lâu, chạy theo momentum, overtrade. Sau đó so sánh anh thực sự làm gì vs anh nên làm gì.\n\n```\n\u002Ftrading-journal-analyst\n[paste danh sách giao dịch hoặc CSV]\n\n\u002Ftja --bias-only   → chỉ phân tích bias, bỏ qua số liệu chi tiết\n\u002Ftja --compare     → bật Shadow Strategy Comparison\n```\n\n**Input được chấp nhận:**\n- CSV xuất từ broker (同花顺, 东财, Futu, SSI, VPS, MBS, CSV tự lập)\n- Danh sách giao dịch tự nhập theo format: `[ngày] [mã CK] [mua\u002Fbán] [giá] [số lượng]`\n- Text mô tả (\"tháng 3 tôi mua VNM ở 72, bán ở 75, mua MWG ở 45...\")\n\n---\n\n## Khi nào dùng\n\n- Nhìn lại quý\u002Fnăm giao dịch và muốn hiểu mình thực sự hoạt động như thế nào\n- Cảm giác \"biết đúng nhưng làm sai\" và muốn tìm pattern cụ thể\n- Muốn rút ra implicit rules từ hành vi thực tế để cải thiện\n\n## Khi nào KHÔNG dùng\n\n- Không có lịch sử giao dịch cụ thể (chỉ ý định mua\u002Fbán)\n- Muốn phân tích một cổ phiếu (dùng `\u002Fvic` hoặc `\u002Firt`)\n- Trading kỹ thuật ngắn hạn trong ngày\n\n---\n\n## 5 Bước phân tích\n\n### Bước 1 — Parse & Chuẩn hóa\n\nChuyển input về format chuẩn:\n\n| Ngày | Mã CK | Hành động | Giá | Số lượng | Giá trị |\n|------|-------|----------|-----|---------|---------|\n\nLàm sạch: bỏ duplicate, xử lý split\u002Fdividend nếu có, tính P&L từng vị thế.\n\n**Tạo danh sách vị thế đã đóng:**\n- Entry date, exit date, holding period (ngày)\n- Entry price, exit price\n- P&L (VND\u002FUSD + %)\n- Lý do exit (nếu có trong ghi chú)\n\n---\n\n### Bước 2 — Behavior Profiling\n\nTính các chỉ số hành vi:\n\n| Chỉ số | Giá trị | Baseline tham chiếu | Nhận xét |\n|--------|---------|-------------------|---------|\n| Win rate | | 40–55% là bình thường | |\n| Avg win % | | | |\n| Avg loss % | | | |\n| Win\u002FLoss ratio | | >1.5 là tốt | |\n| Avg holding (winner) | ngày | | |\n| Avg holding (loser) | ngày | | |\n| Largest single loss | | | |\n| Worst drawdown | | | |\n| Số lần giao dịch\u002Ftháng | | | |\n| Tỷ lệ cắt lỗ đúng hạn | | | |\n\n**Phân phối theo thời gian:** có pattern theo tháng\u002Fquý không? (ví dụ: overtrade tháng bull market)\n\n---\n\n### Bước 3 — Phát hiện 4 Bias cốt lõi\n\n#### Bias 1 — Disposition Effect (bán lời sớm, giữ lỗ lâu)\n```\nDấu hiệu:\n  - Avg holding (winner) \u003C Avg holding (loser)\n  - Tỷ lệ win\u002Floss ratio thấp dù win rate cao\n  - Nhiều lần bán lúc +5~10% rồi cổ phiếu tiếp tục tăng\n\nTính toán:\n  PGR (Proportion of Gains Realized) vs PLR (Proportion of Losses Realized)\n  Disposition coefficient = PGR \u002F PLR\n  > 1.0 = có disposition effect\n  > 1.5 = nghiêm trọng\n```\n\n#### Bias 2 — Overtrading (giao dịch quá nhiều)\n```\nDấu hiệu:\n  - Số giao dịch\u002Ftháng vượt quá \"cần thiết\"\n  - Nhiều giao dịch lãi nhỏ + phí giao dịch ăn mòn profit\n  - Turnover cao mà không cải thiện P&L\n\nTính toán:\n  Chi phí giao dịch thực tế \u002F Total P&L\n  > 15% → overtrading đáng kể\n  > 30% → phí đang giết chết account\n\nCâu hỏi cốt lõi: \"Nếu không giao dịch gì trong period X, account sẽ thế nào?\"\n```\n\n#### Bias 3 — Momentum Chasing (mua muộn đỉnh)\n```\nDấu hiệu:\n  - Nhiều lần mua sau khi cổ phiếu đã tăng 15-20%+\n  - Entry point thường là sau breakout nổi bật trên tin tức\n  - Đa phần lệnh vào sau ngày volume đột biến\n\nTính toán:\n  Price change từ đáy gần nhất đến entry point (trung bình)\n  > 15% = có xu hướng mua momentum\n  > 30% = nghiêm trọng\n```\n\n#### Bias 4 — Anchoring (bám vào giá tham chiếu)\n```\nDấu hiệu:\n  - Thường set stop-loss ở giá mua (thay vì % hợp lý)\n  - \"Chờ về giá mua rồi bán\" khi bị lỗ\n  - Target profit đặt ở số tròn (50, 100, +20%)\n\nNhận dạng:\n  Xem pattern exit price vs entry price\n  Nhiều exit ở đúng giá mua ± 0-2% = anchoring\n```\n\n---\n\n### Bước 4 — Trích xuất Implicit Rules\n\nTừ lịch sử thực tế, rút ra các quy tắc ẩn anh đang áp dụng mà không biết:\n\n**Format:**\n```\nQuy tắc ẩn được phát hiện:\n  IF [điều kiện] THEN [hành động] (tần suất: X\u002FY lần)\n\nVí dụ:\n  IF cổ phiếu đã tăng >15% trong tuần THEN mua vào (8\u002F12 lần)\n  IF lỗ >8% THEN giữ tiếp không cắt (11\u002F15 lần)\n  IF thị trường xanh mạnh THEN giao dịch nhiều hơn 2x (pattern Q1 và Q3)\n  IF vừa có lãi lớn THEN mua ngay không nghiên cứu kỹ (6\u002F8 lần sau đó lỗ)\n```\n\nSắp xếp theo tần suất và tác động P&L.\n\n---\n\n### Bước 5 — Shadow Strategy Comparison (với `--compare`)\n\nXây dựng \"chiến lược bóng\" — phiên bản lý tưởng của anh nếu không bị bias:\n\n```\nShadow Strategy Rules (từ best practices):\n  - Cắt lỗ: -8% từ entry, không ngoại lệ\n  - Giữ lời: không bán dưới 3 tuần nếu thesis vẫn nguyên vẹn\n  - Không mua nếu cổ phiếu đã tăng >20% từ đáy 52 tuần\n  - Tối đa 2 giao dịch mới\u002Ftháng\n\nBacktest shadow strategy vs actual:\n  Kết quả thực:  P&L = [X]\n  Shadow result: P&L = [Y]\n  Chênh lệch:    [Z] — do [bias chính gây ra]\n```\n\n**Đoạn đường bị bỏ lỡ:** liệt kê 3–5 giao dịch cụ thể mà shadow strategy sẽ xử lý khác và kết quả tốt hơn bao nhiêu.\n\n---\n\n## Output chuẩn\n\n```markdown\n## Trading Journal Analysis — [Tên\u002FGiai đoạn]\n\n*Giai đoạn: [từ — đến] | [N] giao dịch | [N] cổ phiếu*\n\n---\n\n### Tổng quan hiệu suất\n\n| Chỉ số | Giá trị | Nhận xét |\n|--------|---------|---------|\n| Tổng P&L | | |\n| Win rate | | |\n| Avg win \u002F Avg loss | | |\n| Avg holding winner | | |\n| Avg holding loser | | |\n| Chi phí giao dịch | | |\n\n---\n\n### Bias Report\n\n**Disposition Effect**\n- Disposition coefficient: [X]\n- Mức độ: Không đáng kể \u002F Trung bình \u002F Nghiêm trọng\n- Bằng chứng cụ thể: [2–3 giao dịch điển hình]\n- Thiệt hại ước tính: [VND\u002FUSD]\n\n**Overtrading**\n- Giao dịch\u002Ftháng: [X] (baseline: Y)\n- Chi phí \u002F P&L: [X]%\n- Tháng overtrade nhiều nhất: [tháng, lý do thị trường]\n\n**Momentum Chasing**\n- Avg price change trước entry: [X]%\n- Số lần mua sau tin nóng: [X\u002FN]\n- Pattern: [mô tả cụ thể]\n\n**Anchoring**\n- Số lần exit ở giá mua: [X\u002FN]\n- Số lần \"chờ về vốn\": [X]\n- Stop-loss pattern: [đặt ở đâu thường xuyên]\n\n---\n\n### Implicit Rules đang vận hành\n\n| Quy tắc ẩn | Tần suất | P&L impact |\n|-----------|---------|------------|\n| [rule 1] | X\u002FY lần | +\u002F- [Z] |\n| [rule 2] | X\u002FY lần | +\u002F- [Z] |\n| [rule 3] | X\u002FY lần | +\u002F- [Z] |\n\n---\n\n### Shadow Comparison (nếu bật --compare)\n\n| | Thực tế | Shadow | Chênh lệch |\n|---|---------|--------|-----------|\n| P&L | | | |\n| Max drawdown | | | |\n| Win rate | | | |\n\n**Top 3 giao dịch shadow xử lý tốt hơn:**\n1. [mã CK, ngày, thực tế vs shadow]\n2.\n3.\n\n---\n\n### Kết luận & Cam kết\n\n**Bias lớn nhất cần sửa ngay:** [tên bias]\n**1 quy tắc cụ thể để thay đổi:** [quy tắc]\n**Chỉ số theo dõi tháng tới:** [chỉ số]\n\n> Ghi vào journal: \"Từ [ngày], tôi cam kết [hành động cụ thể]\"\n```\n\n---\n\n## Nguyên tắc\n\n- **Dữ liệu thực, không suy đoán**: nếu không có đủ giao dịch để tính toán một bias → nói rõ \"không đủ dữ liệu\" thay vì ước chừng\n- **Số liệu > cảm giác**: bias chỉ được xác nhận khi có pattern thống kê, không phải 1–2 giao dịch\n- **Không phán xét**: mục tiêu là nhận diện pattern, không phải chê anh giao dịch tệ\n\n## Skills liên quan\n\n- `value-investing-checklist` — `\u002Fvic` — checklist trước khi ra quyết định mua\n- `investment-research-team` — `\u002Firt` — 4 agent phân tích cổ phiếu song song\n- `council-of-minds` — 6 nhân vật cho quyết định khó\n",{"name":5,"origin":24,"license":15,"version":25,"triggers":26,"description":7},"yana-ai — inspired by HKUDS\u002FVibe-Trading (MIT)","1.0.0",[27,28,29,30,31,32,33],"\u002Ftrading-journal-analyst","\u002Ftja","phân tích nhật ký giao dịch","journal giao dịch","trading journal","phân tích hành vi giao dịch","bias giao dịch","main","481dcd7dd2e288b9d627a2bd017db70e64e6c6fa","core\u002Fskills\u002Ftrading-journal-analyst",1,"https:\u002F\u002Fgithub.com\u002FHoronomos-laps\u002FYana-AI","https:\u002F\u002Fyana.vutam.link\u002F","https:\u002F\u002Fgithub.com\u002FHoronomos-laps","https:\u002F\u002Fyana.vutam.link","An open-source governed runtime & execution environment for multi-agent AI systems.","2026-11-11 23:56:26",{"source":8,"skillName":5,"commands":45,"prompt":55,"zipAvailable":56},[46,49,52],{"tool":47,"command":48},"npx","npx skills add Horonomos-laps\u002FYana-AI --skill trading-journal-analyst",{"tool":50,"command":51},"bunx","bunx skills add Horonomos-laps\u002FYana-AI --skill trading-journal-analyst",{"tool":53,"command":54},"pnpm","pnpm dlx skills add Horonomos-laps\u002FYana-AI --skill trading-journal-analyst","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002FHoronomos-laps\u002FYana-AI\u002Fblob\u002Fmain\u002Fcore\u002Fskills\u002Ftrading-journal-analyst\u002FSKILL.md",true,[],[59,66,74,82,90,98],{"skillNo":60,"name":61,"nameZh":6,"description":62,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":63,"categories":64,"keywords":65,"publishedAt":19},"01M735GKET5YVYKAY62W2P5YXB","openai--sentry--sentry","Use when the user asks to inspect Sentry issues or events, summarize recent production errors, or pull basic Sentry health data via the Sentry API; perform read-only queries with the bundled script and require `SENTRY_AUTH_TOKEN`.","https:\u002F\u002Fgithub.com\u002FHoronomos-laps\u002FYana-AI\u002Fblob\u002Fmain\u002F.claude\u002Fskills\u002Fopenai--sentry--sentry\u002FSKILL.md",[],[],{"skillNo":67,"name":68,"nameZh":6,"description":69,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":70,"licenseFileUrl":6,"sourceHtmlUrl":71,"categories":72,"keywords":73,"publishedAt":19},"01M73DCAP83T17HY7SMGK7MGFE","ito-basket-compare","Compare Itô prediction-market baskets against a user's knowledge base, portfolio notes, financial context, watchlist, or research thesis. Use for read-only basket comparison and gap analysis without investment advice or live trading.","Apache-2.0","https:\u002F\u002Fgithub.com\u002FHoronomos-laps\u002FYana-AI\u002Fblob\u002Fmain\u002Fcore\u002Fskills\u002Fito-basket-compare\u002FSKILL.md",[],[],{"skillNo":75,"name":76,"nameZh":6,"description":77,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":70,"licenseFileUrl":78,"sourceHtmlUrl":79,"categories":80,"keywords":81,"publishedAt":19},"01M734CYEMZFDR3KH6SW0JP8TD","implementing-network-traffic-baselining","Build network traffic baselines from NetFlow\u002FIPFIX data using Python pandas for statistical analysis, z-score anomaly detection, and hourly\u002Fdaily traffic pattern profiling","https:\u002F\u002Fgithub.com\u002Fyanacuti1121\u002FYana-AI\u002Fblob\u002Fmain\u002F.claude\u002Fskills\u002Fimplementing-network-traffic-baselining\u002FLICENSE","https:\u002F\u002Fgithub.com\u002FHoronomos-laps\u002FYana-AI\u002Fblob\u002Fmain\u002F.claude\u002Fskills\u002Fimplementing-network-traffic-baselining\u002FSKILL.md",[],[],{"skillNo":83,"name":84,"nameZh":6,"description":85,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":70,"licenseFileUrl":86,"sourceHtmlUrl":87,"categories":88,"keywords":89,"publishedAt":19},"01M73ASZ6NJRJM44Z2P84NGQ3Q","detecting-evasion-techniques-in-endpoint-logs","Detects defense evasion techniques used by adversaries in endpoint logs including log tampering, timestomping, process injection, and security tool disabling. Use when investigating suspicious endpoint behavior, building detection rules for evasion tactics, or conducting threat hunting for stealthy adversary activity. Activates for requests involving evasion detection, defense evasion analysis, log tampering detection, or MITRE ATT&CK TA0005.","https:\u002F\u002Fgithub.com\u002Fyanacuti1121\u002FYana-AI\u002Fblob\u002Fmain\u002Fcore\u002Fskills\u002Fdetecting-evasion-techniques-in-endpoint-logs\u002FLICENSE","https:\u002F\u002Fgithub.com\u002FHoronomos-laps\u002FYana-AI\u002Fblob\u002Fmain\u002Fcore\u002Fskills\u002Fdetecting-evasion-techniques-in-endpoint-logs\u002FSKILL.md",[],[],{"skillNo":91,"name":92,"nameZh":6,"description":93,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":70,"licenseFileUrl":94,"sourceHtmlUrl":95,"categories":96,"keywords":97,"publishedAt":19},"01M734AFNXD06Z78QRK0VKGT7Q","implementing-microsegmentation-with-guardicore","Implementing microsegmentation using Akamai Guardicore Segmentation to map application dependencies, create granular network policies, visualize east-west traffic flows, and enforce least-privilege communication between workloads across data centers and cloud.","https:\u002F\u002Fgithub.com\u002Fyanacuti1121\u002FYana-AI\u002Fblob\u002Fmain\u002F.claude\u002Fskills\u002Fimplementing-microsegmentation-with-guardicore\u002FLICENSE","https:\u002F\u002Fgithub.com\u002FHoronomos-laps\u002FYana-AI\u002Fblob\u002Fmain\u002F.claude\u002Fskills\u002Fimplementing-microsegmentation-with-guardicore\u002FSKILL.md",[],[],{"skillNo":99,"name":100,"nameZh":6,"description":6,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":70,"licenseFileUrl":6,"sourceHtmlUrl":101,"categories":102,"keywords":103,"publishedAt":19},"01M736TK27QMCXK0DVCH25SJN5","ramdisk-tmpfs-patterns","https:\u002F\u002Fgithub.com\u002FHoronomos-laps\u002FYana-AI\u002Fblob\u002Fmain\u002F.claude\u002Fskills\u002Framdisk-tmpfs-patterns\u002FSKILL.md",[],[]]