[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M7EX95Z2Z9NNDX5YR20NF5T8":3,"skill-same:01M7EX95Z2Z9NNDX5YR20NF5T8":46},{"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":24,"commitSha":25,"skillDirectory":26,"forksCount":27,"repositoryHtmlUrl":28,"repositoryHomepageUrl":6,"ownerHtmlUrl":29,"ownerBlogUrl":6,"ownerDescription":30,"updatedAt":31,"install":32,"resources":45},"01M7EX95Z2Z9NNDX5YR20NF5T8","batch-inference-analysis",null,"批量推理结果分析 — 用 QuantMind 选股策略方法论分析每日信号、行业轮动、个股分数区间、负分参考。在 QuantBot \u002F Claude Code 中分析批量推理结果、解读每日信号、判断市场状态、选股决策、做空参考时使用。触发词：分析批量推理、解读信号、每日选股、市场状态判断、行业轮动分析、负分参考、信号分析、批次分析、选股决策","lza6\u002FArmor-piercing-system-prompts","lza6","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F128880206?v=4","01M7EB3K7WPX5T28EJ2NVHE6EG","Chinese-tingfeng","01M7EB3K97E1KQ16QWKJMFNGX8",11,"MIT","https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F05-技能与代理开发\u002Fbatch-inference-analysis\u002FSKILL.md",[],[],"2026-11-15 14:19:17",false,"---\nname: batch-inference-analysis\ndescription: \"批量推理结果分析 — 用 QuantMind 选股策略方法论分析每日信号、行业轮动、个股分数区间、负分参考。在 QuantBot \u002F Claude Code 中分析批量推理结果、解读每日信号、判断市场状态、选股决策、做空参考时使用。触发词：分析批量推理、解读信号、每日选股、市场状态判断、行业轮动分析、负分参考、信号分析、批次分析、选股决策\"\n---\n\n> ## ⚙️ 运行环境契约（最高优先级，先于本文其余内容执行）\n>\n> 本技能可能运行在 **QuantBot（QwenPaw 容器）** 或**宿主机\u002F本地 Claude Code**。执行前先探测环境（`which docker`、API 连通性），并遵守以下映射规则：\n>\n> 1. **后端 API 地址**：QwenPaw \u002F 容器网络内一律用 `http:\u002F\u002Fquantmind:8000`（`quantmind` 是 docker 网络别名）；仅宿主机调试用 `http:\u002F\u002F127.0.0.1:8000`。正文中出现的 `127.0.0.1:8000`、`localhost:800x`，在 QwenPaw 环境下自动替换为 `http:\u002F\u002Fquantmind:8000`。\n> 2. **取数脚本执行**：凡 import 了 `pandas \u002F duckdb \u002F psycopg2 \u002F numpy \u002F sqlalchemy` 等重依赖或 `backend` 包的脚本，**必须在 quantmind 容器内执行**（QwenPaw 本地 venv 无这些依赖）：\n>    ```bash\n>    docker cp \u003C脚本路径> quantmind:\u002Ftmp\u002F\u003C脚本名> && docker exec -w \u002Fapp quantmind python3 \u002Ftmp\u002F\u003C脚本名> \u003C参数>\n>    ```\n>    脚本源三选一：宿主机 repo `skills\u002F\u003Cname>\u002Fscripts\u002F`、QwenPaw 工作区 `\u002Fapp\u002Fworking\u002Fworkspaces\u002Fdefault\u002Fskills\u002F\u003Cname>\u002Fscripts\u002F`、挂载目录 `\u002Fquantmind\u002Fskills\u002F\u003Cname>\u002Fscripts\u002F`。纯标准库脚本（无重依赖）可在 QwenPaw 本地直接跑。\n> 3. **报告落盘**：股票报告页可见的 MD\u002FPDF 报告，直接写 `\u002Fdata\u002Freports\u002Ftrading_agents\u002F{市场或类别}\u002F{股票名}\u002F`（QwenPaw 对 `\u002Fapp\u002Fdb` 有写权限，**直接写文件，不要 docker cp**）；过程数据 facts 写 `\u002Fdata\u002Freports\u002F\u003C类别>\u002F`（`\u002Fdata` 可写）。\n> 4. **MD → PDF 转换（按优先级降级）**：\n>    ① `docker exec -w \u002Fapp quantmind python3 backend\u002Fscripts\u002Fmd_to_pdf_report.py \u003C输入.md> \u003C输出.pdf>`（研报级排版，首选）；\n>    ② docker 不可用时，**改用 QwenPaw 内置 `pdf` 技能**把 MD 转成 PDF；\n>    ③ 两者都不可用则只交付 MD，并明确告知用户 PDF 未能生成及原因。\n> 5. 本文中的 `~\u002F.claude`、`cp -r ... ~\u002F.claude\u002Fskills` 等说明仅适用于本地 Claude Code 维护者，**QuantBot 不要执行**。\n\n# 批量推理结果分析技能\n\n基于 QuantMind 选股策略方法论，分析批量推理产出的每日信号，做出入场\u002F选股\u002F买卖\u002F做空决策。\n\n## 数据基础\n\n批量推理产出：\n- **batch**：多个交易日的推理集合（`\u002Fmodels\u002Finference\u002Fbatch\u002F{batch_id}`）\n  - `member_runs`：每个交易日的 run 记录（run_id\u002Ftrade_date\u002Fsignals_count）\n- **单日 run**：`\u002Fmodels\u002Finference\u002Fruns\u002F{run_id}`\n  - `items`：5377+ 只股票信号，每只含 `fusion_score`（分数）\u002F`board`（板块）\u002F`industry`（行业）\u002F`market_cap_tier`（市值分档）\u002F`trend`（趋势）\u002F`prev_score`\u002F`prev2_score`\u002F`next_score`\n\n## 认证\n\n```bash\nBASE=http:\u002F\u002F127.0.0.1:8000\nTOKEN=$(curl -s -X POST $BASE\u002Fapi\u002Fv1\u002Fauth\u002Flogin -H \"Content-Type: application\u002Fjson\" \\\n  -d '{\"username\":\"admin\",\"password\":\"admin123\",\"tenant_id\":\"default\"}' \\\n  | python3 -c \"import sys,json; print(json.load(sys.stdin).get('access_token',''))\")\nAUTH=\"Authorization: Bearer $TOKEN\"\n```\n\n## 1. 拉取批量推理数据\n\n```bash\n# 1. 批量推理历史\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmodels\u002Finference\u002Fbatches?page=1&page_size=10\"\n\n# 2. 某批次详情（含 member_runs 每日记录）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmodels\u002Finference\u002Fbatch\u002F{batch_id}\"\n\n# 3. 单日 run 信号（分析数据源）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmodels\u002Finference\u002Fruns\u002F{run_id}\"\n```\n\n**分析入口**：用 batch 的 `member_runs` 拿到每日 run_id，逐个拉取信号分析，或用最近一个 run 分析今日。\n\n### 批量聚合（推荐，一次拿全）\n\n`\u002Fmodels\u002Finference\u002Fbatch\u002F{batch_id}\u002Faggregate` 一次性返回整批的聚合分析（免去逐日拉取）：\n```bash\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmodels\u002Finference\u002Fbatch\u002F{batch_id}\u002Faggregate\"\n# 返回: {per_symbol, groups, movers, daily, meta}\n# per_symbol: 每只股票跨日分数\u002F排名\u002FIC\n# groups: 行业\u002F板块分组聚合\n# movers: 分数变动最大的标的\n# daily: 每日 TopN\u002F分布\n# meta: 批次数\u002F区间\u002FIC\u002F共识带（Mann-Kendall 趋势）\n```\n\n## 2. 市场状态判断（三层过滤）\n\n### 第1层：行业信号强度 — 决定是否入场\n\n用 Python 计算行业 avg Top1：\n```python\nimport json, urllib.request\n\ndef fetch_run(run_id):\n    req = urllib.request.Request(f\"{BASE}\u002Fapi\u002Fv1\u002Fmodels\u002Finference\u002Fruns\u002F{run_id}\",\n        headers={\"Authorization\": f\"Bearer {TOKEN}\"})\n    return json.load(urllib.request.urlopen(req))  # 顶层直接含 items\u002Ftotal\n\ndef market_signal(items, top_n=20):\n    # 取 Top20 按分数\n    top = sorted(items, key=lambda x: -(x.get(\"fusion_score\") or 0))[:top_n]\n    # 按行业分组，取每行业最高分\n    ind_top = {}\n    for it in top:\n        ind = it.get(\"industry\", \"\") or \"未知\"\n        s = it.get(\"fusion_score\") or 0\n        if ind not in ind_top or s > ind_top[ind]:\n            ind_top[ind] = s\n    ind_avg_top1 = sum(ind_top.values()) \u002F max(1, len(ind_top))\n    strong = sum(1 for s in ind_top.values() if s >= 0.10)\n    return {\"ind_avg_top1\": ind_avg_top1, \"strong_industries\": strong, \"top_industries\": dict(sorted(ind_top.items(), key=lambda x:-x[1])[:5])}\n```\n\n**入场阈值**（参数扫描优化）：\n| 策略 | 入场线 | 空仓线 | 强行业数 |\n|------|--------|--------|---------|\n| 保守 | ≥0.10 | \u003C0.10 | ≥5 |\n| **平衡（推荐）** | **≥0.09** | **\u003C0.06** | **≥2** |\n| 激进 | ≥0.07 | \u003C0.06 | ≥1 |\n\n**判断**：\n- `ind_avg_top1 \u003C 0.06` → 绝对空仓\n- `0.06-0.09` → 观望\u002F极轻仓\n- `≥0.09` → 正常选股\n\n### 第2层：大盘均线过滤 — 防崩盘\n模型在暴跌时给高分是反向信号。用指数 K 线判断：\n```bash\n# 上证指数 K 线（QuantDB index_daily）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmarket\u002Fkline?symbol=000001.SH&market=A&period=daily&days=30\"\n```\n**规则**：上证指数 \u003C MA20 → 强制空仓（避开 2024 年 2 月微盘崩盘）。\n\n### 第3层：强行业数仓位管理\n| 强行业数 | 市场状态 | 仓位 |\n|---------|---------|------|\n| ≥5 | 强势 | 100% 满仓 |\n| 3-5 | 震荡偏强 | 50% 半仓 |\n| 2-3 | 震荡 | 30% 轻仓 |\n| \u003C1.5 | 弱势 | 空仓 |\n\n## 3. 个股选股（分数区间）\n\n### 核心分数区间\n| 个股分数 | 操作 | 理由 |\n|---------|------|------|\n| **0.10-0.12** | **首选（黄金区间）** | 胜率64.8%，均收+1.19%，最大亏损-10.4% |\n| 0.12-0.15 | 可选（主板优先） | 胜率79%但样本少，警惕追高 |\n| 0.15-0.20 | 谨慎 | 仅强市有效 |\n| ≥0.20 | 极谨慎 | 趋势加速，样本少 |\n| \u003C0.10 | 不买 | 信号太弱 |\n\n**注意**：0.12-0.14 是\"追高陷阱\"（动量特征强，易买山顶）；0.10-0.11 假信号区必须配合行业确认。\n**重要**：以上绝对阈值基于特定模型分布，换模型后先看 `score_distribution`（第7节）用分位数映射。\n\n```python\ndef pick_stocks(items, market_sig):\n    picks = []\n    for it in items:\n        s = it.get(\"fusion_score\") or 0\n        if not (0.10 \u003C= s \u003C= 0.12): continue\n        if market_sig[\"ind_avg_top1\"] \u003C 0.09 and s \u003C 0.11: continue  # 假信号区\n        # 主板优先\n        board = it.get(\"board\", \"\")\n        if \"创业\" in board or \"科创\" in board: continue\n        # 排除 ST\n        name = it.get(\"stock_name\", \"\")\n        if \"ST\" in name or \"退\" in name: continue\n        picks.append(it)\n    picks.sort(key=lambda x: -(x.get(\"fusion_score\") or 0))\n    return picks[:5]  # 每天选3-5只\n```\n\n### 3天趋势（决定买点）\n用 `prev_score`\u002F`next_score` 判断：\n| 趋势 | 模式 | 操作 |\n|------|------|------|\n| **先升后降** | 低→高→降 | **最佳买点**（胜率78%） |\n| 连续上升 | 低→高→更高 | 过热不追 |\n| 连续下降 | 高→降→降 | 信号衰退不买 |\n\n**反直觉**：分数下降比上升好——高位回落说明绝对分仍高。\n\n## 4. 负分参考（做空\u002F回避）\n\n### 精确做空分数线\n| 条件 | 下跌概率 | 做空均收 |\n|------|---------|---------|\n| **微盘(\u003C30亿) + 分数≤-0.20** | 72.0% | +5.14% |\n| 微盘 + 分数≤-0.15 | 68.6% | +3.17% |\n| 小盘 + 分数≤-0.20 | 65.5% | +2.62% |\n| 中盘 + 分数≤-0.17 | 60.4% | +1.16% |\n| 大盘\u002F超大盘 + 任何负分 | ≤52% | 不做空 |\n\n### 负分也会涨（错杀）\n- **超大盘负分 -0.13~-0.14**：下跌概率仅 42%，均收 +3%——错杀最佳例证\n- 大盘负分 -0.11：上涨概率 51%\n- **科创板负分 -0.06~-0.15**：均收全为正，做空价值最低\n- 警戒线 -0.22：即使大盘股低于此分也会崩\n\n### 一句话落地\n**做空只做微盘\u002F小盘 + 分数≤-0.15；大盘\u002F超大盘\u002F科创板的负分是错杀，-0.22 以下才真危险；轻负分(>-0.06)无信息。**\n\n```python\ndef short_candidates(items):\n    shorts = []\n    for it in items:\n        s = it.get(\"fusion_score\") or 0\n        if s > -0.15: continue\n        tier = it.get(\"market_cap_tier\", \"\")\n        if tier in (\"大盘\", \"超大盘\"): continue  # 错杀\n        if \"科创\" in it.get(\"board\", \"\"): continue  # 抗跌\n        shorts.append(it)\n    shorts.sort(key=lambda x: x.get(\"fusion_score\") or 0)\n    return shorts[:10]\n```\n\n## 5. 行业轮动分析\n\n```python\ndef sector_rotation(batch_runs):\n    # 跨多个交易日统计强行业出现频次\n    from collections import Counter\n    ind_days = Counter()\n    for run in batch_runs[:30]:  # 最近30个交易日\n        items = fetch_run(run[\"run_id\"]).get(\"items\", [])\n        top = sorted(items, key=lambda x: -(x.get(\"fusion_score\") or 0))[:20]\n        for it in top:\n            if (it.get(\"fusion_score\") or 0) >= 0.10:\n                ind_days[it.get(\"industry\", \"\")] += 1\n    return ind_days.most_common(10)\n```\n**判断**：\n- 行业信号持续 ≥3 天 = 真轮动（非一日游）\n- 新行业出现 Top1 ≥0.10 = 资金切换方向\n- 强行业数 ≥3\u002F天 = 有行情；≤1.5\u002F天 = 空仓\n\n## 6. 完整分析流程\n\n当用户要求\"分析批量推理结果\"时：\n1. **确认批次**：`\u002Fmodels\u002Finference\u002Fbatches` 找最近 completed 的 batch\n2. **拿 member_runs**：`\u002Fmodels\u002Finference\u002Fbatch\u002F{id}` 得到每日 run_id\n3. **拉今日信号**：取最新 run 的 items\n4. **市场状态**：行业 avg Top1 + 强行业数 + 大盘均线\n5. **选股**：分数 0.10-0.12 + 主板 + 3天趋势\"先升后降\"\n6. **负分参考**：微盘\u002F小盘极端负分列出做空候选\n7. **行业轮动**：跨日统计强行业\n8. **输出决策**：入场\u002F仓位\u002F个股清单\u002F做空清单\u002F规避\n\n## 7. 不同模型分数范围的处理（关键）\n\n**每个模型训练后分数范围不同**（实测：这个融合模型 fusion_score 范围 -0.996 ~ 0.965，而方法论假设 0-0.2 是另一套模型）。**绝对阈值不能直接套用**，必须先了解当前模型的分数分布。\n\n```python\ndef score_distribution(items):\n    scores = sorted(x.get(\"fusion_score\") or 0 for x in items)\n    n = len(scores)\n    return {\n        \"min\": round(scores[0], 3),\n        \"max\": round(scores[-1], 3),\n        \"p10\": round(scores[int(n*0.1)], 3),\n        \"p25\": round(scores[int(n*0.25)], 3),\n        \"p50\": round(scores[int(n*0.5)], 3),\n        \"p75\": round(scores[int(n*0.75)], 3),\n        \"p90\": round(scores[int(n*0.9)], 3),\n    }\n```\n\n### 模型分数范围 → 方法论阈值映射\n\n方法论阈值（0.10-0.12 黄金区间等）基于特定模型的分布。使用时：\n1. **先跑 `score_distribution`** 了解当前模型分布\n2. **用分位数替代绝对分数**判断高低：\n   - 黄金区间 ≈ 高分位带（如 p75-p90，需结合回测验证）\n   - 追高区 ≈ 最高分位（p90+）\n   - 负分做空 ≈ 最低分位（p10 以下）\n3. **跨模型对比时**，统一用百分位排名，不用原始分数\n\n### 模型选择（多模型择优）\n\n不同模型分数分布和预测能力不同，分析时可对比：\n```bash\n# 各模型推理历史分数（单股）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmodels\u002Finference\u002Fstock\u002F{symbol}\u002Fhistory\"\n# 模型列表（含元数据）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmodels\"\n```\n\n**择优标准**：\n- 分数分布合理（不过度集中、有区分度）\n- 该模型回测胜率\u002FIC 高（见 [[backtest-center]]）\n- 黄金区间候选数量适中（太多=无区分度，太少=过严）\n\n### 融合模型特殊处理\n融合模型已按百分位加权合成，`fusion_score` 可直接用，但分数范围仍因源模型而异——同样先看分布再定阈值。\n\n## 8. 模型分数校准回测（核心新增）\n\n**每个模型训练后分数范围不同**，用历史信号自动回测找出该模型最适合的分数区间。\n\n### 8.1 调用校准接口（异步任务 + 进度）\n\n校准是**后台任务**，提交立即返回 `task_id`，轮询查进度（避免阻塞引擎）：\n\n```bash\n# 1. 提交校准任务（秒回 task_id）\ncurl -s -X POST -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fselection\u002Fscore-calibration?days=180&horizons=1,3,5,10&top_n=50\"\n# 返回: {\"status\":\"submitted\",\"task_id\":\"calib_xxx\", ...}\n\n# 2. 轮询任务进度（progress: 5→100，message 显示阶段）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fselection\u002Fscore-calibration\u002F{task_id}\"\n# 返回: {\"status\":\"running\u002Fcompleted\",\"progress\":85,\"message\":\"回测中... 45\u002F60 天\",\"result\":{...}}\n```\n\n**参数**：\n- `days`：回测历史交易日数（30~478）\n- `horizons`：未来 N 日列表（1,3,5,10 \u002F 1,5,20 等）\n- `top_n`：重点标注排名前 N\n\n**流程**：POST 提交 → 每 2 秒轮询 GET → 状态 completed 后取 result。后台任务阶段：读取信号(5%)→分组(15%)→价格面板(30%)→市值(45%)→回测(55%+逐日推进)→汇总(95%)→完成(100%)\n\n### 8.2 输出解读\n\n**score_summary（分数档 × 多周期）**：\n| 字段 | 含义 |\n|---|---|\n| `score_band` | 分数档（≤-0.25 ~ ≥0.20，正负对称） |\n| `n` | 该档样本数 |\n| `top50_count` | 该档内排名前50样本数 |\n| `avg_rank` | 该档股票平均绝对排名 |\n| `horizons` | 每个 T+N 的：胜率\u002F下跌概率\u002F均收\u002F中位收益 |\n\n**matrix（分数档 × 市值 × 下跌概率）**：主周期的市值分档下跌概率\n\n**neg_industry_avg（负分行业 avg）**：负分最深行业排序\n**neg_board_avg（板块负分 avg）**：主板\u002F创业板\u002F科创板\u002F北交所\n\n**recommended_band**：系统推荐的最优分数档\n\n### 8.3 关键洞察（当前模型实测）\n\n用 `days=60&horizons=1,3,5,10` 实测（94万样本）：\n- **正分最优档：0.05~0.08** → T+5 胜率 53%、下跌 46.1%、均收 +0.753%\n- **方法论黄金区 0.10~0.12 在此模型反而均收 -0.387%**（负！）→ 必须按模型校准\n- **极端负分 ≤-0.25** → T+5 下跌 62.1%、T+10 下跌 67.5%、均收 -4.971%（做空信号）\n- **负分行业 avg**：林业\u002F油服\u002F种植业\u002F农产品加工负分最深（做空首选）\n- **板块负分**：创业板 -0.50 最深、科创板 -0.38 抗跌\n\n### 8.4 校准方法\n1. **训练完新模型** → 跑 `score-calibration`\n2. **看 `recommended_band`** → 该模型的最佳分数区间\n3. **对比不同模型** → 用各自 calibrated 区间，不用统一阈值\n4. **动态更新选股阈值** → 用该校准结果替换方法论默认值\n\n## 9. 完整分析流程（含模型适配）\n\n当用户要求\"分析批量推理结果\"时：\n1. **确认批次**：`\u002Fmodels\u002Finference\u002Fbatches` 找最近 completed\n2. **拿每日 run**：`\u002Fmodels\u002Finference\u002Fbatch\u002F{id}` 的 member_runs\n3. **拉最新信号**：`\u002Fmodels\u002Finference\u002Fruns\u002F{run_id}` 的 items\n4. **分数校准**：`\u002Fselection\u002Fscore-calibration` 看该模型最优分数档\n5. **市场状态**：行业 avg Top1（用校准档映射阈值）+ 强行业数 + 大盘均线\n6. **选股**：按校准档定位黄金区间 + 主板 + 3天趋势\n7. **负分参考**：校准出的极端负分档 + 微盘\u002F小盘\n8. **行业轮动**：跨日统计强行业\n9. **输出决策**：入场\u002F仓位\u002F个股\u002F做空\u002F规避\n\n## 10. 常见问题\n\n| 现象 | 处理 |\n|---|---|\n| 信号分数普遍偏低\u002F偏高 | 不同模型分布不同，先 score-calibration 再定阈值 |\n| 黄金区间选不出 | 用校准档，或放宽到 p70-p90 |\n| 行业为空 | 部分 run 行业缺失，按 board 分组替代 |\n| 跨模型对比 | 统一用百分位排名，不用原始分数 |\n| 想选最优模型 | 对比各模型校准结果 + 回测指标 |\n| 校准接口慢 | 减少 days 或 horizons，或缓存结果 |\n","> ## ⚙️ 运行环境契约（最高优先级，先于本文其余内容执行）\n>\n> 本技能可能运行在 **QuantBot（QwenPaw 容器）** 或**宿主机\u002F本地 Claude Code**。执行前先探测环境（`which docker`、API 连通性），并遵守以下映射规则：\n>\n> 1. **后端 API 地址**：QwenPaw \u002F 容器网络内一律用 `http:\u002F\u002Fquantmind:8000`（`quantmind` 是 docker 网络别名）；仅宿主机调试用 `http:\u002F\u002F127.0.0.1:8000`。正文中出现的 `127.0.0.1:8000`、`localhost:800x`，在 QwenPaw 环境下自动替换为 `http:\u002F\u002Fquantmind:8000`。\n> 2. **取数脚本执行**：凡 import 了 `pandas \u002F duckdb \u002F psycopg2 \u002F numpy \u002F sqlalchemy` 等重依赖或 `backend` 包的脚本，**必须在 quantmind 容器内执行**（QwenPaw 本地 venv 无这些依赖）：\n>    ```bash\n>    docker cp \u003C脚本路径> quantmind:\u002Ftmp\u002F\u003C脚本名> && docker exec -w \u002Fapp quantmind python3 \u002Ftmp\u002F\u003C脚本名> \u003C参数>\n>    ```\n>    脚本源三选一：宿主机 repo `skills\u002F\u003Cname>\u002Fscripts\u002F`、QwenPaw 工作区 `\u002Fapp\u002Fworking\u002Fworkspaces\u002Fdefault\u002Fskills\u002F\u003Cname>\u002Fscripts\u002F`、挂载目录 `\u002Fquantmind\u002Fskills\u002F\u003Cname>\u002Fscripts\u002F`。纯标准库脚本（无重依赖）可在 QwenPaw 本地直接跑。\n> 3. **报告落盘**：股票报告页可见的 MD\u002FPDF 报告，直接写 `\u002Fdata\u002Freports\u002Ftrading_agents\u002F{市场或类别}\u002F{股票名}\u002F`（QwenPaw 对 `\u002Fapp\u002Fdb` 有写权限，**直接写文件，不要 docker cp**）；过程数据 facts 写 `\u002Fdata\u002Freports\u002F\u003C类别>\u002F`（`\u002Fdata` 可写）。\n> 4. **MD → PDF 转换（按优先级降级）**：\n>    ① `docker exec -w \u002Fapp quantmind python3 backend\u002Fscripts\u002Fmd_to_pdf_report.py \u003C输入.md> \u003C输出.pdf>`（研报级排版，首选）；\n>    ② docker 不可用时，**改用 QwenPaw 内置 `pdf` 技能**把 MD 转成 PDF；\n>    ③ 两者都不可用则只交付 MD，并明确告知用户 PDF 未能生成及原因。\n> 5. 本文中的 `~\u002F.claude`、`cp -r ... ~\u002F.claude\u002Fskills` 等说明仅适用于本地 Claude Code 维护者，**QuantBot 不要执行**。\n\n# 批量推理结果分析技能\n\n基于 QuantMind 选股策略方法论，分析批量推理产出的每日信号，做出入场\u002F选股\u002F买卖\u002F做空决策。\n\n## 数据基础\n\n批量推理产出：\n- **batch**：多个交易日的推理集合（`\u002Fmodels\u002Finference\u002Fbatch\u002F{batch_id}`）\n  - `member_runs`：每个交易日的 run 记录（run_id\u002Ftrade_date\u002Fsignals_count）\n- **单日 run**：`\u002Fmodels\u002Finference\u002Fruns\u002F{run_id}`\n  - `items`：5377+ 只股票信号，每只含 `fusion_score`（分数）\u002F`board`（板块）\u002F`industry`（行业）\u002F`market_cap_tier`（市值分档）\u002F`trend`（趋势）\u002F`prev_score`\u002F`prev2_score`\u002F`next_score`\n\n## 认证\n\n```bash\nBASE=http:\u002F\u002F127.0.0.1:8000\nTOKEN=$(curl -s -X POST $BASE\u002Fapi\u002Fv1\u002Fauth\u002Flogin -H \"Content-Type: application\u002Fjson\" \\\n  -d '{\"username\":\"admin\",\"password\":\"admin123\",\"tenant_id\":\"default\"}' \\\n  | python3 -c \"import sys,json; print(json.load(sys.stdin).get('access_token',''))\")\nAUTH=\"Authorization: Bearer $TOKEN\"\n```\n\n## 1. 拉取批量推理数据\n\n```bash\n# 1. 批量推理历史\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmodels\u002Finference\u002Fbatches?page=1&page_size=10\"\n\n# 2. 某批次详情（含 member_runs 每日记录）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmodels\u002Finference\u002Fbatch\u002F{batch_id}\"\n\n# 3. 单日 run 信号（分析数据源）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmodels\u002Finference\u002Fruns\u002F{run_id}\"\n```\n\n**分析入口**：用 batch 的 `member_runs` 拿到每日 run_id，逐个拉取信号分析，或用最近一个 run 分析今日。\n\n### 批量聚合（推荐，一次拿全）\n\n`\u002Fmodels\u002Finference\u002Fbatch\u002F{batch_id}\u002Faggregate` 一次性返回整批的聚合分析（免去逐日拉取）：\n```bash\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmodels\u002Finference\u002Fbatch\u002F{batch_id}\u002Faggregate\"\n# 返回: {per_symbol, groups, movers, daily, meta}\n# per_symbol: 每只股票跨日分数\u002F排名\u002FIC\n# groups: 行业\u002F板块分组聚合\n# movers: 分数变动最大的标的\n# daily: 每日 TopN\u002F分布\n# meta: 批次数\u002F区间\u002FIC\u002F共识带（Mann-Kendall 趋势）\n```\n\n## 2. 市场状态判断（三层过滤）\n\n### 第1层：行业信号强度 — 决定是否入场\n\n用 Python 计算行业 avg Top1：\n```python\nimport json, urllib.request\n\ndef fetch_run(run_id):\n    req = urllib.request.Request(f\"{BASE}\u002Fapi\u002Fv1\u002Fmodels\u002Finference\u002Fruns\u002F{run_id}\",\n        headers={\"Authorization\": f\"Bearer {TOKEN}\"})\n    return json.load(urllib.request.urlopen(req))  # 顶层直接含 items\u002Ftotal\n\ndef market_signal(items, top_n=20):\n    # 取 Top20 按分数\n    top = sorted(items, key=lambda x: -(x.get(\"fusion_score\") or 0))[:top_n]\n    # 按行业分组，取每行业最高分\n    ind_top = {}\n    for it in top:\n        ind = it.get(\"industry\", \"\") or \"未知\"\n        s = it.get(\"fusion_score\") or 0\n        if ind not in ind_top or s > ind_top[ind]:\n            ind_top[ind] = s\n    ind_avg_top1 = sum(ind_top.values()) \u002F max(1, len(ind_top))\n    strong = sum(1 for s in ind_top.values() if s >= 0.10)\n    return {\"ind_avg_top1\": ind_avg_top1, \"strong_industries\": strong, \"top_industries\": dict(sorted(ind_top.items(), key=lambda x:-x[1])[:5])}\n```\n\n**入场阈值**（参数扫描优化）：\n| 策略 | 入场线 | 空仓线 | 强行业数 |\n|------|--------|--------|---------|\n| 保守 | ≥0.10 | \u003C0.10 | ≥5 |\n| **平衡（推荐）** | **≥0.09** | **\u003C0.06** | **≥2** |\n| 激进 | ≥0.07 | \u003C0.06 | ≥1 |\n\n**判断**：\n- `ind_avg_top1 \u003C 0.06` → 绝对空仓\n- `0.06-0.09` → 观望\u002F极轻仓\n- `≥0.09` → 正常选股\n\n### 第2层：大盘均线过滤 — 防崩盘\n模型在暴跌时给高分是反向信号。用指数 K 线判断：\n```bash\n# 上证指数 K 线（QuantDB index_daily）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmarket\u002Fkline?symbol=000001.SH&market=A&period=daily&days=30\"\n```\n**规则**：上证指数 \u003C MA20 → 强制空仓（避开 2024 年 2 月微盘崩盘）。\n\n### 第3层：强行业数仓位管理\n| 强行业数 | 市场状态 | 仓位 |\n|---------|---------|------|\n| ≥5 | 强势 | 100% 满仓 |\n| 3-5 | 震荡偏强 | 50% 半仓 |\n| 2-3 | 震荡 | 30% 轻仓 |\n| \u003C1.5 | 弱势 | 空仓 |\n\n## 3. 个股选股（分数区间）\n\n### 核心分数区间\n| 个股分数 | 操作 | 理由 |\n|---------|------|------|\n| **0.10-0.12** | **首选（黄金区间）** | 胜率64.8%，均收+1.19%，最大亏损-10.4% |\n| 0.12-0.15 | 可选（主板优先） | 胜率79%但样本少，警惕追高 |\n| 0.15-0.20 | 谨慎 | 仅强市有效 |\n| ≥0.20 | 极谨慎 | 趋势加速，样本少 |\n| \u003C0.10 | 不买 | 信号太弱 |\n\n**注意**：0.12-0.14 是\"追高陷阱\"（动量特征强，易买山顶）；0.10-0.11 假信号区必须配合行业确认。\n**重要**：以上绝对阈值基于特定模型分布，换模型后先看 `score_distribution`（第7节）用分位数映射。\n\n```python\ndef pick_stocks(items, market_sig):\n    picks = []\n    for it in items:\n        s = it.get(\"fusion_score\") or 0\n        if not (0.10 \u003C= s \u003C= 0.12): continue\n        if market_sig[\"ind_avg_top1\"] \u003C 0.09 and s \u003C 0.11: continue  # 假信号区\n        # 主板优先\n        board = it.get(\"board\", \"\")\n        if \"创业\" in board or \"科创\" in board: continue\n        # 排除 ST\n        name = it.get(\"stock_name\", \"\")\n        if \"ST\" in name or \"退\" in name: continue\n        picks.append(it)\n    picks.sort(key=lambda x: -(x.get(\"fusion_score\") or 0))\n    return picks[:5]  # 每天选3-5只\n```\n\n### 3天趋势（决定买点）\n用 `prev_score`\u002F`next_score` 判断：\n| 趋势 | 模式 | 操作 |\n|------|------|------|\n| **先升后降** | 低→高→降 | **最佳买点**（胜率78%） |\n| 连续上升 | 低→高→更高 | 过热不追 |\n| 连续下降 | 高→降→降 | 信号衰退不买 |\n\n**反直觉**：分数下降比上升好——高位回落说明绝对分仍高。\n\n## 4. 负分参考（做空\u002F回避）\n\n### 精确做空分数线\n| 条件 | 下跌概率 | 做空均收 |\n|------|---------|---------|\n| **微盘(\u003C30亿) + 分数≤-0.20** | 72.0% | +5.14% |\n| 微盘 + 分数≤-0.15 | 68.6% | +3.17% |\n| 小盘 + 分数≤-0.20 | 65.5% | +2.62% |\n| 中盘 + 分数≤-0.17 | 60.4% | +1.16% |\n| 大盘\u002F超大盘 + 任何负分 | ≤52% | 不做空 |\n\n### 负分也会涨（错杀）\n- **超大盘负分 -0.13~-0.14**：下跌概率仅 42%，均收 +3%——错杀最佳例证\n- 大盘负分 -0.11：上涨概率 51%\n- **科创板负分 -0.06~-0.15**：均收全为正，做空价值最低\n- 警戒线 -0.22：即使大盘股低于此分也会崩\n\n### 一句话落地\n**做空只做微盘\u002F小盘 + 分数≤-0.15；大盘\u002F超大盘\u002F科创板的负分是错杀，-0.22 以下才真危险；轻负分(>-0.06)无信息。**\n\n```python\ndef short_candidates(items):\n    shorts = []\n    for it in items:\n        s = it.get(\"fusion_score\") or 0\n        if s > -0.15: continue\n        tier = it.get(\"market_cap_tier\", \"\")\n        if tier in (\"大盘\", \"超大盘\"): continue  # 错杀\n        if \"科创\" in it.get(\"board\", \"\"): continue  # 抗跌\n        shorts.append(it)\n    shorts.sort(key=lambda x: x.get(\"fusion_score\") or 0)\n    return shorts[:10]\n```\n\n## 5. 行业轮动分析\n\n```python\ndef sector_rotation(batch_runs):\n    # 跨多个交易日统计强行业出现频次\n    from collections import Counter\n    ind_days = Counter()\n    for run in batch_runs[:30]:  # 最近30个交易日\n        items = fetch_run(run[\"run_id\"]).get(\"items\", [])\n        top = sorted(items, key=lambda x: -(x.get(\"fusion_score\") or 0))[:20]\n        for it in top:\n            if (it.get(\"fusion_score\") or 0) >= 0.10:\n                ind_days[it.get(\"industry\", \"\")] += 1\n    return ind_days.most_common(10)\n```\n**判断**：\n- 行业信号持续 ≥3 天 = 真轮动（非一日游）\n- 新行业出现 Top1 ≥0.10 = 资金切换方向\n- 强行业数 ≥3\u002F天 = 有行情；≤1.5\u002F天 = 空仓\n\n## 6. 完整分析流程\n\n当用户要求\"分析批量推理结果\"时：\n1. **确认批次**：`\u002Fmodels\u002Finference\u002Fbatches` 找最近 completed 的 batch\n2. **拿 member_runs**：`\u002Fmodels\u002Finference\u002Fbatch\u002F{id}` 得到每日 run_id\n3. **拉今日信号**：取最新 run 的 items\n4. **市场状态**：行业 avg Top1 + 强行业数 + 大盘均线\n5. **选股**：分数 0.10-0.12 + 主板 + 3天趋势\"先升后降\"\n6. **负分参考**：微盘\u002F小盘极端负分列出做空候选\n7. **行业轮动**：跨日统计强行业\n8. **输出决策**：入场\u002F仓位\u002F个股清单\u002F做空清单\u002F规避\n\n## 7. 不同模型分数范围的处理（关键）\n\n**每个模型训练后分数范围不同**（实测：这个融合模型 fusion_score 范围 -0.996 ~ 0.965，而方法论假设 0-0.2 是另一套模型）。**绝对阈值不能直接套用**，必须先了解当前模型的分数分布。\n\n```python\ndef score_distribution(items):\n    scores = sorted(x.get(\"fusion_score\") or 0 for x in items)\n    n = len(scores)\n    return {\n        \"min\": round(scores[0], 3),\n        \"max\": round(scores[-1], 3),\n        \"p10\": round(scores[int(n*0.1)], 3),\n        \"p25\": round(scores[int(n*0.25)], 3),\n        \"p50\": round(scores[int(n*0.5)], 3),\n        \"p75\": round(scores[int(n*0.75)], 3),\n        \"p90\": round(scores[int(n*0.9)], 3),\n    }\n```\n\n### 模型分数范围 → 方法论阈值映射\n\n方法论阈值（0.10-0.12 黄金区间等）基于特定模型的分布。使用时：\n1. **先跑 `score_distribution`** 了解当前模型分布\n2. **用分位数替代绝对分数**判断高低：\n   - 黄金区间 ≈ 高分位带（如 p75-p90，需结合回测验证）\n   - 追高区 ≈ 最高分位（p90+）\n   - 负分做空 ≈ 最低分位（p10 以下）\n3. **跨模型对比时**，统一用百分位排名，不用原始分数\n\n### 模型选择（多模型择优）\n\n不同模型分数分布和预测能力不同，分析时可对比：\n```bash\n# 各模型推理历史分数（单股）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmodels\u002Finference\u002Fstock\u002F{symbol}\u002Fhistory\"\n# 模型列表（含元数据）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fmodels\"\n```\n\n**择优标准**：\n- 分数分布合理（不过度集中、有区分度）\n- 该模型回测胜率\u002FIC 高（见 [[backtest-center]]）\n- 黄金区间候选数量适中（太多=无区分度，太少=过严）\n\n### 融合模型特殊处理\n融合模型已按百分位加权合成，`fusion_score` 可直接用，但分数范围仍因源模型而异——同样先看分布再定阈值。\n\n## 8. 模型分数校准回测（核心新增）\n\n**每个模型训练后分数范围不同**，用历史信号自动回测找出该模型最适合的分数区间。\n\n### 8.1 调用校准接口（异步任务 + 进度）\n\n校准是**后台任务**，提交立即返回 `task_id`，轮询查进度（避免阻塞引擎）：\n\n```bash\n# 1. 提交校准任务（秒回 task_id）\ncurl -s -X POST -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fselection\u002Fscore-calibration?days=180&horizons=1,3,5,10&top_n=50\"\n# 返回: {\"status\":\"submitted\",\"task_id\":\"calib_xxx\", ...}\n\n# 2. 轮询任务进度（progress: 5→100，message 显示阶段）\ncurl -s -H \"$AUTH\" \"$BASE\u002Fapi\u002Fv1\u002Fselection\u002Fscore-calibration\u002F{task_id}\"\n# 返回: {\"status\":\"running\u002Fcompleted\",\"progress\":85,\"message\":\"回测中... 45\u002F60 天\",\"result\":{...}}\n```\n\n**参数**：\n- `days`：回测历史交易日数（30~478）\n- `horizons`：未来 N 日列表（1,3,5,10 \u002F 1,5,20 等）\n- `top_n`：重点标注排名前 N\n\n**流程**：POST 提交 → 每 2 秒轮询 GET → 状态 completed 后取 result。后台任务阶段：读取信号(5%)→分组(15%)→价格面板(30%)→市值(45%)→回测(55%+逐日推进)→汇总(95%)→完成(100%)\n\n### 8.2 输出解读\n\n**score_summary（分数档 × 多周期）**：\n| 字段 | 含义 |\n|---|---|\n| `score_band` | 分数档（≤-0.25 ~ ≥0.20，正负对称） |\n| `n` | 该档样本数 |\n| `top50_count` | 该档内排名前50样本数 |\n| `avg_rank` | 该档股票平均绝对排名 |\n| `horizons` | 每个 T+N 的：胜率\u002F下跌概率\u002F均收\u002F中位收益 |\n\n**matrix（分数档 × 市值 × 下跌概率）**：主周期的市值分档下跌概率\n\n**neg_industry_avg（负分行业 avg）**：负分最深行业排序\n**neg_board_avg（板块负分 avg）**：主板\u002F创业板\u002F科创板\u002F北交所\n\n**recommended_band**：系统推荐的最优分数档\n\n### 8.3 关键洞察（当前模型实测）\n\n用 `days=60&horizons=1,3,5,10` 实测（94万样本）：\n- **正分最优档：0.05~0.08** → T+5 胜率 53%、下跌 46.1%、均收 +0.753%\n- **方法论黄金区 0.10~0.12 在此模型反而均收 -0.387%**（负！）→ 必须按模型校准\n- **极端负分 ≤-0.25** → T+5 下跌 62.1%、T+10 下跌 67.5%、均收 -4.971%（做空信号）\n- **负分行业 avg**：林业\u002F油服\u002F种植业\u002F农产品加工负分最深（做空首选）\n- **板块负分**：创业板 -0.50 最深、科创板 -0.38 抗跌\n\n### 8.4 校准方法\n1. **训练完新模型** → 跑 `score-calibration`\n2. **看 `recommended_band`** → 该模型的最佳分数区间\n3. **对比不同模型** → 用各自 calibrated 区间，不用统一阈值\n4. **动态更新选股阈值** → 用该校准结果替换方法论默认值\n\n## 9. 完整分析流程（含模型适配）\n\n当用户要求\"分析批量推理结果\"时：\n1. **确认批次**：`\u002Fmodels\u002Finference\u002Fbatches` 找最近 completed\n2. **拿每日 run**：`\u002Fmodels\u002Finference\u002Fbatch\u002F{id}` 的 member_runs\n3. **拉最新信号**：`\u002Fmodels\u002Finference\u002Fruns\u002F{run_id}` 的 items\n4. **分数校准**：`\u002Fselection\u002Fscore-calibration` 看该模型最优分数档\n5. **市场状态**：行业 avg Top1（用校准档映射阈值）+ 强行业数 + 大盘均线\n6. **选股**：按校准档定位黄金区间 + 主板 + 3天趋势\n7. **负分参考**：校准出的极端负分档 + 微盘\u002F小盘\n8. **行业轮动**：跨日统计强行业\n9. **输出决策**：入场\u002F仓位\u002F个股\u002F做空\u002F规避\n\n## 10. 常见问题\n\n| 现象 | 处理 |\n|---|---|\n| 信号分数普遍偏低\u002F偏高 | 不同模型分布不同，先 score-calibration 再定阈值 |\n| 黄金区间选不出 | 用校准档，或放宽到 p70-p90 |\n| 行业为空 | 部分 run 行业缺失，按 board 分组替代 |\n| 跨模型对比 | 统一用百分位排名，不用原始分数 |\n| 想选最优模型 | 对比各模型校准结果 + 回测指标 |\n| 校准接口慢 | 减少 days 或 horizons，或缓存结果 |\n",{"name":5,"description":7},"main","d69096e239f2a89aabc2cd078c47664a9d3b1e11","05-技能与代理开发\u002Fbatch-inference-analysis",3,"https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts","https:\u002F\u002Fgithub.com\u002Flza6","个人vx：Tf00798\r\n个人✈：@TFGY999","2026-10-08 14:29:22",{"source":8,"skillName":5,"commands":33,"prompt":43,"zipAvailable":44},[34,37,40],{"tool":35,"command":36},"npx","npx skills add lza6\u002FArmor-piercing-system-prompts --skill batch-inference-analysis",{"tool":38,"command":39},"bunx","bunx skills add lza6\u002FArmor-piercing-system-prompts --skill batch-inference-analysis",{"tool":41,"command":42},"pnpm","pnpm dlx skills add lza6\u002FArmor-piercing-system-prompts --skill batch-inference-analysis","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F05-技能与代理开发\u002Fbatch-inference-analysis\u002FSKILL.md",true,[],[47,55,60,67,74,81],{"skillNo":48,"name":49,"nameZh":6,"description":50,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":51,"categories":52,"keywords":53,"publishedAt":54},"01M7FFG485KY83TD6HSC4YPCMC","obsidian-clipper-template-creator","Guide for creating templates for the Obsidian Web Clipper. Use when you want to create a new clipping template, understand available variables, or format clipped content.","https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F07-后端与架构\u002Fobsidian-clipper-template-creator\u002FSKILL.md",[],[],"2026-11-16 10:05:34",{"skillNo":56,"name":49,"nameZh":6,"description":50,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":57,"categories":58,"keywords":59,"publishedAt":54},"01M7FFG0T6AZ0STEJPSB3CX84K","https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F07-后端与架构\u002Fobsidian-clipper-template-creator-antigravity-awesome-skills-main\u002FSKILL.md",[],[],{"skillNo":61,"name":62,"nameZh":6,"description":63,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":64,"categories":65,"keywords":66,"publishedAt":54},"01M7FFFY0QEM14SKWPDYGMXM2P","python-api","Programmatic Object-Detection-Metrics API guidance for BoundingBox, BoundingBoxes, Evaluator, enums, coordinate conversion, AP\u002FmAP semantics, and source-style import diagnostics.","https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F07-后端与架构\u002Fobject-detection-metrics\u002Fsub-skills\u002Fpython-api\u002FSKILL.md",[],[],{"skillNo":68,"name":69,"nameZh":6,"description":70,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":71,"categories":72,"keywords":73,"publishedAt":54},"01M7FFFVZQZ2GJ0C0TGP7JHD20","file-evaluation","Folder-based PASCAL VOC AP\u002FmAP evaluation from ground-truth and detection text files.","https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F07-后端与架构\u002Fobject-detection-metrics\u002Fsub-skills\u002Ffile-evaluation\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":15,"licenseFileUrl":6,"sourceHtmlUrl":78,"categories":79,"keywords":80,"publishedAt":54},"01M7FFFSFNYSE77SJ6PE1CK2DA","object-detection-metrics","Guides legacy Object-Detection-Metrics PASCAL VOC AP\u002FmAP evaluation from detection text folders and direct Python API classes.","https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F07-后端与架构\u002Fobject-detection-metrics\u002FSKILL.md",[],[],{"skillNo":82,"name":83,"nameZh":6,"description":84,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":85,"categories":86,"keywords":87,"publishedAt":54},"01M7FFFP0GCK1RVXBCPQ8APBMT","nx-workspace-patterns","Configure and optimize Nx monorepo workspaces. Use when setting up Nx, configuring project boundaries, optimizing build caching, or implementing affected commands.","https:\u002F\u002Fgithub.com\u002Flza6\u002FArmor-piercing-system-prompts\u002Fblob\u002Fmain\u002F07-后端与架构\u002Fnx-workspace-patterns\u002FSKILL.md",[],[]]