[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M7F3R9BW1BNFQ3F97RBGMEBH":3,"skill-same:01M7F3R9BW1BNFQ3F97RBGMEBH":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},"01M7F3R9BW1BNFQ3F97RBGMEBH","quantdb-fields",null,"QuantDB 字段单位速查手册 — 全部数据集实测验证的单位、口径与陷阱（个股 volume=股\u002Famount=万元、指数 volume=手、L2原始逐笔 l2_data\u002Ftick_data、technical % vs l1 小数、dividend_rate 百分数、PG 前缀 symbol）。用 QuantDB 数据做分析\u002F回测\u002F报告、判断成交量\u002F成交额\u002F股息率\u002F换手率单位、读逐笔委托\u002F成交\u002F十档盘口、排查数据口径不一致时使用。触发词：字段单位、成交量单位、成交额单位、股还是手、万元、股息率、数据口径、L2、逐笔、委托、成交明细、十档盘口、tick_data、wind","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\u002Fquantdb-fields\u002FSKILL.md",[],[],"2026-11-16 10:05:34",false,"---\nname: quantdb-fields\ndescription: \"QuantDB 字段单位速查手册 — 全部数据集实测验证的单位、口径与陷阱（个股 volume=股\u002Famount=万元、指数 volume=手、L2原始逐笔 l2_data\u002Ftick_data、technical % vs l1 小数、dividend_rate 百分数、PG 前缀 symbol）。用 QuantDB 数据做分析\u002F回测\u002F报告、判断成交量\u002F成交额\u002F股息率\u002F换手率单位、读逐笔委托\u002F成交\u002F十档盘口、排查数据口径不一致时使用。触发词：字段单位、成交量单位、成交额单位、股还是手、万元、股息率、数据口径、L2、逐笔、委托、成交明细、十档盘口、tick_data、wind\"\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# quantdb-fields — QuantDB 字段单位速查手册\n\n> 用 QuantDB 数据做任何分析\u002F回测\u002F报告前**必读**。所有单位均为\n> **2026-08 直接读本地 parquet 实测验证**（不是照抄文档）。\n> 单位搞错的后果：成交额差 1 万倍、股息率差 100 倍、换手率差 100 倍——\n> 分析结论全部作废。\n\n## 一、通用规则（先记这个）\n\n| 规则 | 说明 |\n|---|---|\n| **个股成交量 = 股** | A 股 1 手 = 100 股，但 QuantDB 个股 kline 的 `volume` 单位就是**股**，不是手 |\n| **个股成交额 = 万元** | `amount = 5828.37` 表示 5828.37 **万元**（约 5828 万），不是元 |\n| **指数成交量 = 手** | `index_daily.volume` 单位是**手**（1 手 = 100 股），与个股相反！ |\n| **市值 = 元** | valuation 的 `total_mv\u002Ffloat_mv` 单位是**元**（工业富联 float_mv ≈ 1.31 万亿） |\n| **比例字段 ≈ 小数或 %** | 没有统一约定，按数据集查下表；% 的字段值 = 百分数（4.06 即 4.06%） |\n| **symbol 格式按数据源分** | parquet 用**后缀** `601138.SH`；PG 的 `stock_daily_latest` 用**前缀** `SH601138` |\n| **验证公式** | 个股 `close*volume\u002Famount ≈ 1e4`（股+万元）；指数 ≈ 2e4（手+万元） |\n\n## 二、1_kline_data 日线（daily_forward \u002F daily_backward \u002F daily_unadjusted）\n\n| 字段 | 单位 | 实测依据 |\n|---|---|---|\n| `volume` | **股** | 601138 20260814 volume=4704920 股，amount=5828.37 万元，close*volume\u002Famount≈1e4 |\n| `amount` | **万元** | 同上（close 66.19 × 470 万股 ≈ 3.1 亿 ≈ 31163 万元，与 amount 同量级吻合） |\n| `open\u002Fhigh\u002Flow\u002Fclose` | 元（forward=前复权，backward=**后复权**，unadjusted=不复权） | |\n| 单位切换传闻 | **不存在**。20260721 前后 amount 均为万元、volume 均为股。曾有记忆说 20260721 切换到\"手\u002F元\"，实测已无此切换，按股\u002F万元统一处理 | |\n\n**min1\u002Fmin5**：同单位（volume=股、amount=万元），但数据**停滞在 2026-07-24**，用前先查最新日期。\n\n## 三、L2 原始逐笔与十档盘口（1_kline_data\u002Fl2_data + tick_data，2026-08 新增）\n\n万得(Wind) L2 数据，`backend\u002Fscripts\u002Fwind_l2_import.py` 从**逐日 7z 压缩包**（`20260511.7z`）导入。\n**当前实测只有 1 个交易日 20260511**（order 1950 + trade 1721 = 3671 文件，部分标的仅其一），\n用前先查日期覆盖：`ls data\u002Fquantdb\u002F1_kline_data\u002Fl2_data\u002F | grep -oE '[0-9]{8}' | sort -u`。\n\n文件命名：`order_{code}_{date}.parquet` \u002F `trade_{code}_{date}.parquet`，code 为**下划线**格式\n`000001_SZ`（对应后缀 `000001.SZ`）。`time` 单位统一为 **UTC 毫秒**（万得 hhmmssmmm 转 UTC，\n北京 09:15:00 = 01:15:00 UTC），覆盖 09:15 集合竞价到 15:00 收盘。\n\n### 逐笔委托 order_\n| 字段 | 单位\u002F格式 | 说明 |\n|---|---|---|\n| `time` | UTC ms | 09:15 集合竞价 → 15:00 收盘 |\n| `order_id` | int | 交易所委托号（可与 trade_.ask_order_id\u002Fbid_order_id 配对） |\n| `channel` | str | 委托编号 |\n| `order_type` | str | `'0'`=普通委托、`'U'`=撤单、`'1'`=其余 |\n| `direction` | str | `'B'`=买 \u002F `'S'`=卖 |\n| `price` | **元** | 万得 ×10000 → 元（已归一）；集合竞价未定价委托 price=0 |\n| `volume` | **股** | |\n\n### 逐笔成交 trade_\n| 字段 | 单位\u002F格式 | 说明 |\n|---|---|---|\n| `time` | UTC ms | 同上 |\n| `trade_id` | int | 成交编号 |\n| `trade_type` | str | `'C'`=**集合竞价**成交 \u002F `'0'`=连续竞价 |\n| `direction` | str | `'B'`\u002F`'S'`\u002F`' '`（集合竞价段=空格） |\n| `price` | **元，未复权** | 与 `daily_unadjusted` 对齐（实测 000001.SZ 20260511 末笔 11.28 = unadjusted close 11.28）；与 `daily_forward` 前复权 close 有除权差（有分红送转者差数十%） |\n| `volume` | **股** | ⚠️ 沪≈日线量、深≈2×日线量（见坑1） |\n| `ask_order_id` \u002F `bid_order_id` | int | 叫卖\u002F叫买序号 → 配对逐笔↔委托 |\n\n### tick_data 十档盘口快照（18 列）\n| 列 | 单位 | 说明 |\n|---|---|---|\n| `lastPrice\u002Fopen\u002Fhigh\u002Flow\u002FlastClose` | 元 | |\n| `amount` | **混源** | ⚠️ 见坑2 |\n| `volume` | **混源** | 当日累计成交量 |\n| `pvolume` | 笔 | 连续竞价成交笔数（wind 导入有值）；旧导入=0（**可作来源判据**） |\n| `askPrice\u002FbidPrice` | array(10) | 十档价，元 |\n| `askVol\u002FbidVol` | array(10) | 十档量，股 |\n| `stockStatus` | int | BS 标志 |\n| `openInt\u002FsettlementPrice\u002FlastSettlementPrice` | — | 期货占位字段，A股多为 0 |\n\n### ⚠️ 三个必踩的坑\n1. **沪\u002F深成交量双口径**：逐笔成交 volume 求和，**沪 SH = 日线 volume（实测 600714.SH 求和 34825501≈日线 34825500）**；\n   **深 SZ ≈ 1.8~2.1× 日线 volume（实测 002830 1.92×、300521 2.11×、000999 1.79×、000001 1.88×）**。\n   → 逐笔求和**不能**当当日成交量，深市除 ~2 或直接与日线对账。\n2. **tick_data 单位混源**：同一目录内**单位不统一**——wind_l2_import 导入的（如 20260511）volume=**股**、amount=**万元**；\n   更早 QuantDB tick 同步的（如 20260720）volume=**手**、amount=**元**。\n   实测：20260511 最后快照 volume 93186521≈日线 93186520 股、amount 104743.53≈104743.54 万；\n   20260720 volume 1567304 手×100=156730400 股、amount 1713460189 元=171346.02 万。\n   → 用前**必须**拿最后一条快照对账日线，或按 `pvolume`（0=旧\u002F手·元，>0=wind\u002F股·万元）区分。\n3. **价格=未复权真实成交**：有除权除息时与前复权日线差一个复权因子\n   （实测 002830.SZ 20260511 L2 末笔 24.08 vs 前复权 close 17.06）；算收益需先统一复权口径。\n\n### 导入命令（手动增量，**不吃 quantdb_daily_sync**）\n```bash\npython backend\u002Fscripts\u002Fwind_l2_import.py --archive \u002Fpath\u002Fto\u002F20260511.7z                      # 全市场\npython backend\u002Fscripts\u002Fwind_l2_import.py --archive ... --symbols 000001.SZ,600519.SH         # 指定标的\npython backend\u002Fscripts\u002Fwind_l2_import.py --archive ... --force                               # 覆盖重导\n```\n文件名即日期（`20260511.7z` → 20260511），流式逐股解压导入、可断点续跑（已存在三件套自动跳过）。\n容器内 7z 默认 `\u002Fopt\u002Fp7zip-legacy\u002Fbin\u002F7z`，数据目录自动探测 `\u002Fdata\u002Fquantdb` 或本地 `data\u002Fquantdb`。\n\n## 四、1_kline_data\u002Findex_daily 指数日线（⚠️ 与个股相反）\n\n| 字段 | 单位 | 实测依据 |\n|---|---|---|\n| `volume` | **手**（×100=股） | 上证 000001.SH 20260814 volume=499525600 手 = 499.5 亿股（合理）；close*volume\u002Famount=19808≈2e4 |\n| `amount` | **万元** | 99037192 万元 = 9903.7 亿元 ≈ 上证单日成交额 ✓ |\n| `close` | 点位 | 3927.18 |\n\n> 反推：指数平均股价 = close×100\u002F(close×volume\u002Famount) = close×100\u002F19808 ≈ 19.8 元\u002F股，符合 A 股平均股价，故 volume 必为手。\n\n## 五、5_technical_derived 技术衍生\n\n### valuation（估值）\n| 字段 | 单位 | 注意 |\n|---|---|---|\n| `close` | 元，**不复权** | 601138 close=66.19（与 technical_indicators 的后复权 close=70.05 不同） |\n| `total_mv \u002F float_mv` | **元** | float_mv=1313480468277.96 ≈ 1.31 万亿 ✓ |\n| `total_capital \u002F circulating_capital` | 股 | 19844092284 股 ≈ 198.4 亿股 |\n| `net_profit_ttm \u002F revenue_ttm \u002F equity \u002F annual_net_profit` | 元 | |\n| `pe_ttm \u002F pe_static \u002F pb \u002F ps_ttm` | 倍 | |\n| `dividend_rate` | **%（百分数值）** | 0.148 = **0.148%**！公式 = 近一年每10股派息\u002F10\u002Fclose×100。601138: 0.98\u002F10\u002F66.19×100=0.1481 ✓；600519: 51.98\u002F10\u002F1341.99×100=0.3873 ✓。**把它当小数会差 100 倍** |\n| `dividend_rate` 口径切换 | **20260814 起** | 此前为小数口径（每10股派息\u002F不复权close，如 0.98\u002F65.60=0.01494）；20260814 起切换为百分数口径（×100）。同字段历史不连续，跨 20260814 分析需 ×10 归一 |\n\n### technical_indicators（技术指标）\n| 字段 | 单位 | 陷阱 |\n|---|---|---|\n| `close` | **后复权** | 601138=70.05，与不复权 66.19 不同；凡基于 close 算的指标都是后复权口径 |\n| `volume_ma_3\u002F5` | 股 | |\n| `amount_ma_5` | 万元 | |\n| `pct_change` | **%** | 1.4717 = 1.47% |\n| `return_1d \u002F return_20d` | 缺失（NaN） | 别用，改用 pct_change |\n| `vol_std_20` | **%** | 4.0578 = 4.06%（l1 里同名字段是小数 0.0406，差 100 倍！） |\n| `vol_atr_14` | **元** | 3.58 元（l1 同名字段也是元，一致） |\n| `macd_hist \u002F rsi_14 \u002F kdj_*` | 原始指标值 | 与 l1 一致 |\n\n### market_sentiment（市场情绪）\n| 字段 | 单位 |\n|---|---|\n| `close` | 不复权 |\n| `turnover_rate` 等比率 | 小数（0.02 = 2%） |\n| `momentum_*` | %（百分数值） |\n\n## 六、6_ml_datasets 因子\n\n### features_daily（技术+估值合并表）\n| 字段 | 单位 | 注意 |\n|---|---|---|\n| `dividend_rate` | **小数口径（无 ×100）** | 与 valuation 不同！公式 = 每10股派息\u002F不复权close（0.98\u002F66.19=0.0148），**从未切换口径**。valuation 20260814 起是它的 10 倍。特征快照 generate_feature_snapshots.py 已 ×10 归一到百分数口径 |\n| `total_mv \u002F float_mv \u002F pe \u002F pb 等` | 与 valuation 完全一致 | 实测 601138 全部 ✓ |\n\n### l1_factors（一级因子，decimal 为主）\n| 字段 | 单位 |\n|---|---|\n| 收益率类 `mom_ret_*` | 小数（0.0147 = 1.47%） |\n| `vol_std_*` | **小数**（0.0406 = 4.06%；与 technical_indicators 的 % 版本差 100 倍） |\n| `vol_atr_14` | **元**（3.55 元） |\n| `fun_total_mv` | **ln(市值元)** —— 用时要 exp() |\n| 分位数\u002Fpercentile 字段 | 0~1 小数 |\n| `liq_* \u002F fun_turnover \u002F fun_mv` | 部分日期为 None，注意补缺 |\n\n### l2_factors（二级因子，flow 金额注意）\n| 字段 | 单位 | 实测依据 |\n|---|---|---|\n| `flow_net_amount \u002F flow_super_net \u002F flow_large_net \u002F flow_medium_net \u002F flow_small_net` | **元** | 600519 flow_net_amount=-274109797.7 元 = -2.74 亿；flow_net_amount\u002F(amount×1e4)=flow_net_ratio ✓ |\n| `flow_*_ratio` | 小数 | |\n| `vol_turnover_total` | **股** | 与 kline volume 完全相等 ✓ |\n| 分区 | 已恢复日更（2026-08-19 实测至 20260818，flow_net 5098 distinct 有区分度） | ⚠️ 此前「停更 2026-02-27」结论过时；top 少数几只净流入会厂商同值（如 165564181），属口径非 bug |\n\n## 七、PG 表 stock_daily_latest（API 服务数据源）\n\n| 列 | 单位 \u002F 格式 | 实测依据 |\n|---|---|---|\n| `symbol` | **前缀格式** `SH601138`（不是 601138.SH） | suffix 查询 0 行，prefix 查询 1072 万行 |\n| `volume` | 股 | 601138 max_volume=633217088 股 |\n| `amount` | **万元** | 601138 amount=5828.37，max_amount=3306339（万元） |\n| `float_mv \u002F total_mv` | 元 | float_mv=7095151630 元 |\n| `turnover_rate \u002F flow_net_amount \u002F main_flow` | **NULL**（未灌） | 风险评分里\"缺少换手率\"由此而来 |\n| `volume_ratio_5` | 倍（0.934） | |\n\n**flow 灌入口径**（update_sdl_complete_pipeline.py）：`main_flow = flow_large_net_amount\u002F1e6`（**百万元**），`flow_net_amount = flow_net_amount\u002F1e6`（**百万元**）——与 l2 parquet 的元不同，读 PG 时注意。\n\n## 八、research API 换算表（\u002Fresearch\u002Ffeatures 等接口返回）\n\nAPI 层 `_UNIT_SCALES` 把部分字段缩放后输出：\n\n| 输出字段 | 缩放 | 输出单位 | 例（600519 探针） |\n|---|---|---|---|\n| `totalMv \u002F floatMv` | ×1e-8 | 亿元 | 16775.97 亿 ✓ |\n| `mainFlow \u002F flowNetAmount \u002F flowLargeNet \u002F flowMediumNet \u002F flowSmallNet` | ×1e-6 | 百万元 | flow_net_amount=-274.11（百万） |\n| **`flowSuperNet`** | **无缩放** | **元（bug！）** | flow_super_net=-6840376 元，与同类别其他字段差 1e6 |\n| `turnoverRate` | — | % 小数 | 0.00239 |\n\n> ⚠️ **fundFlow 类别内单位不一致**：flowSuperNet 是元，其余 flow* 是百万元。skill 分析时要统一换算后再比。\n\n## 九、3_financial_data 财务数据\n\n| 数据集 | 字段 | 单位 |\n|---|---|---|\n| `balance \u002F income \u002F cashflow` | 各科目 | 元 |\n| `capital` | 股本 | 股 |\n| `holder_num` | 股东户数 | 户 |\n| `dividend_factors` | `interest` | **每10股派息（元）**——600519 每10股派 51.98 元，601138 派 0.98 元。算每股股息要 \u002F10 |\n| `dividend_factors` | `stockBonus \u002F stockGift \u002F allotNum` | 每10股送\u002F转\u002F配股数 |\n| `dividend_factors` | `dr` | 除权因子（复权用） |\n\n## 十、2_base_sector\n\n| 数据集 | 字段 | 单位 | 注意 |\n|---|---|---|---|\n| `instrument_detail` | `Symbol` | 后缀 601138.SH | HqDate 停滞 **20260720**，市值\u002F估值滞后 |\n| | `J_zgb \u002F FreeLtgb` | **万股**（1984409.25 万股 = 198.4 亿股） | 与 valuation 的 circulating_capital(股) 差 1e4 |\n| | `J_yysy \u002F J_jly \u002F J_zzc` 等 J_* | **万元**（25107808 万 = 251 亿） | 与 financials 的元差 1e4 |\n| | `Zsz \u002F Ltsz` | **亿元**（11211.91 亿 ✓） | |\n| | `J_mgsy` | 元（2.14 元\u002F股） | |\n| | `fHSL` | 不明（0.56，非换手率%，与自算 0.74% 不符），**别当换手率用** | |\n| | `TotalBVol` | 不明（43555，量级像手，但远小于全天量） | L2 快照字段，非全天 |\n| | `DYRatio` | 不可靠（600519=4.15 vs 真实 0.39%），**别当股息率**，用 valuation.dividend_rate | |\n| | `Yield` | 不明（6078.44），勿用 | |\n| `index_weights` | `Weight` | **%** | 文件名 `000300.SH.parquet` 不是 `000300.parquet` |\n| `trading_calendar` | `TradingDate` | YYYYMMDD int | |\n\n## 十一、其他数据集\n\n| 数据集 | 字段 | 单位 | 状态 |\n|---|---|---|---|\n| `margin_trading` | `finance_*` | 万元 | |\n| | `slo_volume \u002F slo_net` | 股 | |\n| `hsgt_north` | `holding_quantity` 股 \u002F `holding_value` 元 \u002F 比率 % | | **停滞 2024-08**（北向改季度披露后） |\n\n## 十二、已知数据缺口（2026-08 实测）\n\n1. **min1\u002Fmin5** 分钟线停更（最新 2026-07-24）\n2. ~~l2_factors 分区停更~~ —— **已恢复**（2026-08-19 实测至 20260818）\n3. **hsgt_north** 北向明细停更（2024-08，改季度披露所致）\n4. **instrument_detail** HqDate 滞后（20260720）\n5. **dt=20260729~20260802** 个股日线有同步缺口（非交易日+同步中断）\n5b. **valuation dt=20260813** 只有 101 行（同步缺口，dividend_rate 全 NaN），features_daily 同日 5543 行正常\n6. **technical_indicators.return_1d\u002Freturn_20d** 全 NaN\n7. **stock_daily_latest** 的 turnover_rate\u002Fflow_net_amount\u002Fmain_flow 常为 NULL\n8. **l2_data 原始逐笔仅 20260511 单日** —— 万得按日 7z 手动导入（`wind_l2_import.py`），非自动日更\n9. **tick_data 单位混源** —— wind=股\u002F万元，旧同步=手\u002F元，对账前勿直接用\n\n## 十三、分析前检查清单\n\n- [ ] 确认数据源是 parquet 还是 PG\u002FAPI（单位体系不同）\n- [ ] symbol 格式匹配数据源（parquet 后缀 \u002F PG 前缀）\n- [ ] 成交量：个股=股，指数=手\n- [ ] 成交额：万元（API 输出已缩放为亿\u002F百万）\n- [ ] 波动率：technical_indicators 是 %，l1 是小数（差 100 倍）\n- [ ] 股息率：valuation.dividend_rate 是 % 百分数值（0.148=0.148%），不是小数\n- [ ] close 口径：technical_indicators 是后复权，valuation 是不复权\n- [ ] 市值：parquet 是元，instrument_detail 是亿元\u002F万股，API 是亿元\n- [ ] 财务：financials 是元，instrument_detail J_* 是万元\n- [ ] 用前查数据最新日期（分钟线、l2、hsgt 都可能已停更）\n- [ ] L2 原始逐笔（l2_data）：先查日期覆盖（当前仅 20260511 单日），价格是未复权，逐笔求和沪≈日线量\u002F深≈2×，别当成交量\n- [ ] tick_data：先拿最后一条快照对账日线（wind=股\u002F万元 vs 旧同步=手\u002F元，单位混源）\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# quantdb-fields — QuantDB 字段单位速查手册\n\n> 用 QuantDB 数据做任何分析\u002F回测\u002F报告前**必读**。所有单位均为\n> **2026-08 直接读本地 parquet 实测验证**（不是照抄文档）。\n> 单位搞错的后果：成交额差 1 万倍、股息率差 100 倍、换手率差 100 倍——\n> 分析结论全部作废。\n\n## 一、通用规则（先记这个）\n\n| 规则 | 说明 |\n|---|---|\n| **个股成交量 = 股** | A 股 1 手 = 100 股，但 QuantDB 个股 kline 的 `volume` 单位就是**股**，不是手 |\n| **个股成交额 = 万元** | `amount = 5828.37` 表示 5828.37 **万元**（约 5828 万），不是元 |\n| **指数成交量 = 手** | `index_daily.volume` 单位是**手**（1 手 = 100 股），与个股相反！ |\n| **市值 = 元** | valuation 的 `total_mv\u002Ffloat_mv` 单位是**元**（工业富联 float_mv ≈ 1.31 万亿） |\n| **比例字段 ≈ 小数或 %** | 没有统一约定，按数据集查下表；% 的字段值 = 百分数（4.06 即 4.06%） |\n| **symbol 格式按数据源分** | parquet 用**后缀** `601138.SH`；PG 的 `stock_daily_latest` 用**前缀** `SH601138` |\n| **验证公式** | 个股 `close*volume\u002Famount ≈ 1e4`（股+万元）；指数 ≈ 2e4（手+万元） |\n\n## 二、1_kline_data 日线（daily_forward \u002F daily_backward \u002F daily_unadjusted）\n\n| 字段 | 单位 | 实测依据 |\n|---|---|---|\n| `volume` | **股** | 601138 20260814 volume=4704920 股，amount=5828.37 万元，close*volume\u002Famount≈1e4 |\n| `amount` | **万元** | 同上（close 66.19 × 470 万股 ≈ 3.1 亿 ≈ 31163 万元，与 amount 同量级吻合） |\n| `open\u002Fhigh\u002Flow\u002Fclose` | 元（forward=前复权，backward=**后复权**，unadjusted=不复权） | |\n| 单位切换传闻 | **不存在**。20260721 前后 amount 均为万元、volume 均为股。曾有记忆说 20260721 切换到\"手\u002F元\"，实测已无此切换，按股\u002F万元统一处理 | |\n\n**min1\u002Fmin5**：同单位（volume=股、amount=万元），但数据**停滞在 2026-07-24**，用前先查最新日期。\n\n## 三、L2 原始逐笔与十档盘口（1_kline_data\u002Fl2_data + tick_data，2026-08 新增）\n\n万得(Wind) L2 数据，`backend\u002Fscripts\u002Fwind_l2_import.py` 从**逐日 7z 压缩包**（`20260511.7z`）导入。\n**当前实测只有 1 个交易日 20260511**（order 1950 + trade 1721 = 3671 文件，部分标的仅其一），\n用前先查日期覆盖：`ls data\u002Fquantdb\u002F1_kline_data\u002Fl2_data\u002F | grep -oE '[0-9]{8}' | sort -u`。\n\n文件命名：`order_{code}_{date}.parquet` \u002F `trade_{code}_{date}.parquet`，code 为**下划线**格式\n`000001_SZ`（对应后缀 `000001.SZ`）。`time` 单位统一为 **UTC 毫秒**（万得 hhmmssmmm 转 UTC，\n北京 09:15:00 = 01:15:00 UTC），覆盖 09:15 集合竞价到 15:00 收盘。\n\n### 逐笔委托 order_\n| 字段 | 单位\u002F格式 | 说明 |\n|---|---|---|\n| `time` | UTC ms | 09:15 集合竞价 → 15:00 收盘 |\n| `order_id` | int | 交易所委托号（可与 trade_.ask_order_id\u002Fbid_order_id 配对） |\n| `channel` | str | 委托编号 |\n| `order_type` | str | `'0'`=普通委托、`'U'`=撤单、`'1'`=其余 |\n| `direction` | str | `'B'`=买 \u002F `'S'`=卖 |\n| `price` | **元** | 万得 ×10000 → 元（已归一）；集合竞价未定价委托 price=0 |\n| `volume` | **股** | |\n\n### 逐笔成交 trade_\n| 字段 | 单位\u002F格式 | 说明 |\n|---|---|---|\n| `time` | UTC ms | 同上 |\n| `trade_id` | int | 成交编号 |\n| `trade_type` | str | `'C'`=**集合竞价**成交 \u002F `'0'`=连续竞价 |\n| `direction` | str | `'B'`\u002F`'S'`\u002F`' '`（集合竞价段=空格） |\n| `price` | **元，未复权** | 与 `daily_unadjusted` 对齐（实测 000001.SZ 20260511 末笔 11.28 = unadjusted close 11.28）；与 `daily_forward` 前复权 close 有除权差（有分红送转者差数十%） |\n| `volume` | **股** | ⚠️ 沪≈日线量、深≈2×日线量（见坑1） |\n| `ask_order_id` \u002F `bid_order_id` | int | 叫卖\u002F叫买序号 → 配对逐笔↔委托 |\n\n### tick_data 十档盘口快照（18 列）\n| 列 | 单位 | 说明 |\n|---|---|---|\n| `lastPrice\u002Fopen\u002Fhigh\u002Flow\u002FlastClose` | 元 | |\n| `amount` | **混源** | ⚠️ 见坑2 |\n| `volume` | **混源** | 当日累计成交量 |\n| `pvolume` | 笔 | 连续竞价成交笔数（wind 导入有值）；旧导入=0（**可作来源判据**） |\n| `askPrice\u002FbidPrice` | array(10) | 十档价，元 |\n| `askVol\u002FbidVol` | array(10) | 十档量，股 |\n| `stockStatus` | int | BS 标志 |\n| `openInt\u002FsettlementPrice\u002FlastSettlementPrice` | — | 期货占位字段，A股多为 0 |\n\n### ⚠️ 三个必踩的坑\n1. **沪\u002F深成交量双口径**：逐笔成交 volume 求和，**沪 SH = 日线 volume（实测 600714.SH 求和 34825501≈日线 34825500）**；\n   **深 SZ ≈ 1.8~2.1× 日线 volume（实测 002830 1.92×、300521 2.11×、000999 1.79×、000001 1.88×）**。\n   → 逐笔求和**不能**当当日成交量，深市除 ~2 或直接与日线对账。\n2. **tick_data 单位混源**：同一目录内**单位不统一**——wind_l2_import 导入的（如 20260511）volume=**股**、amount=**万元**；\n   更早 QuantDB tick 同步的（如 20260720）volume=**手**、amount=**元**。\n   实测：20260511 最后快照 volume 93186521≈日线 93186520 股、amount 104743.53≈104743.54 万；\n   20260720 volume 1567304 手×100=156730400 股、amount 1713460189 元=171346.02 万。\n   → 用前**必须**拿最后一条快照对账日线，或按 `pvolume`（0=旧\u002F手·元，>0=wind\u002F股·万元）区分。\n3. **价格=未复权真实成交**：有除权除息时与前复权日线差一个复权因子\n   （实测 002830.SZ 20260511 L2 末笔 24.08 vs 前复权 close 17.06）；算收益需先统一复权口径。\n\n### 导入命令（手动增量，**不吃 quantdb_daily_sync**）\n```bash\npython backend\u002Fscripts\u002Fwind_l2_import.py --archive \u002Fpath\u002Fto\u002F20260511.7z                      # 全市场\npython backend\u002Fscripts\u002Fwind_l2_import.py --archive ... --symbols 000001.SZ,600519.SH         # 指定标的\npython backend\u002Fscripts\u002Fwind_l2_import.py --archive ... --force                               # 覆盖重导\n```\n文件名即日期（`20260511.7z` → 20260511），流式逐股解压导入、可断点续跑（已存在三件套自动跳过）。\n容器内 7z 默认 `\u002Fopt\u002Fp7zip-legacy\u002Fbin\u002F7z`，数据目录自动探测 `\u002Fdata\u002Fquantdb` 或本地 `data\u002Fquantdb`。\n\n## 四、1_kline_data\u002Findex_daily 指数日线（⚠️ 与个股相反）\n\n| 字段 | 单位 | 实测依据 |\n|---|---|---|\n| `volume` | **手**（×100=股） | 上证 000001.SH 20260814 volume=499525600 手 = 499.5 亿股（合理）；close*volume\u002Famount=19808≈2e4 |\n| `amount` | **万元** | 99037192 万元 = 9903.7 亿元 ≈ 上证单日成交额 ✓ |\n| `close` | 点位 | 3927.18 |\n\n> 反推：指数平均股价 = close×100\u002F(close×volume\u002Famount) = close×100\u002F19808 ≈ 19.8 元\u002F股，符合 A 股平均股价，故 volume 必为手。\n\n## 五、5_technical_derived 技术衍生\n\n### valuation（估值）\n| 字段 | 单位 | 注意 |\n|---|---|---|\n| `close` | 元，**不复权** | 601138 close=66.19（与 technical_indicators 的后复权 close=70.05 不同） |\n| `total_mv \u002F float_mv` | **元** | float_mv=1313480468277.96 ≈ 1.31 万亿 ✓ |\n| `total_capital \u002F circulating_capital` | 股 | 19844092284 股 ≈ 198.4 亿股 |\n| `net_profit_ttm \u002F revenue_ttm \u002F equity \u002F annual_net_profit` | 元 | |\n| `pe_ttm \u002F pe_static \u002F pb \u002F ps_ttm` | 倍 | |\n| `dividend_rate` | **%（百分数值）** | 0.148 = **0.148%**！公式 = 近一年每10股派息\u002F10\u002Fclose×100。601138: 0.98\u002F10\u002F66.19×100=0.1481 ✓；600519: 51.98\u002F10\u002F1341.99×100=0.3873 ✓。**把它当小数会差 100 倍** |\n| `dividend_rate` 口径切换 | **20260814 起** | 此前为小数口径（每10股派息\u002F不复权close，如 0.98\u002F65.60=0.01494）；20260814 起切换为百分数口径（×100）。同字段历史不连续，跨 20260814 分析需 ×10 归一 |\n\n### technical_indicators（技术指标）\n| 字段 | 单位 | 陷阱 |\n|---|---|---|\n| `close` | **后复权** | 601138=70.05，与不复权 66.19 不同；凡基于 close 算的指标都是后复权口径 |\n| `volume_ma_3\u002F5` | 股 | |\n| `amount_ma_5` | 万元 | |\n| `pct_change` | **%** | 1.4717 = 1.47% |\n| `return_1d \u002F return_20d` | 缺失（NaN） | 别用，改用 pct_change |\n| `vol_std_20` | **%** | 4.0578 = 4.06%（l1 里同名字段是小数 0.0406，差 100 倍！） |\n| `vol_atr_14` | **元** | 3.58 元（l1 同名字段也是元，一致） |\n| `macd_hist \u002F rsi_14 \u002F kdj_*` | 原始指标值 | 与 l1 一致 |\n\n### market_sentiment（市场情绪）\n| 字段 | 单位 |\n|---|---|\n| `close` | 不复权 |\n| `turnover_rate` 等比率 | 小数（0.02 = 2%） |\n| `momentum_*` | %（百分数值） |\n\n## 六、6_ml_datasets 因子\n\n### features_daily（技术+估值合并表）\n| 字段 | 单位 | 注意 |\n|---|---|---|\n| `dividend_rate` | **小数口径（无 ×100）** | 与 valuation 不同！公式 = 每10股派息\u002F不复权close（0.98\u002F66.19=0.0148），**从未切换口径**。valuation 20260814 起是它的 10 倍。特征快照 generate_feature_snapshots.py 已 ×10 归一到百分数口径 |\n| `total_mv \u002F float_mv \u002F pe \u002F pb 等` | 与 valuation 完全一致 | 实测 601138 全部 ✓ |\n\n### l1_factors（一级因子，decimal 为主）\n| 字段 | 单位 |\n|---|---|\n| 收益率类 `mom_ret_*` | 小数（0.0147 = 1.47%） |\n| `vol_std_*` | **小数**（0.0406 = 4.06%；与 technical_indicators 的 % 版本差 100 倍） |\n| `vol_atr_14` | **元**（3.55 元） |\n| `fun_total_mv` | **ln(市值元)** —— 用时要 exp() |\n| 分位数\u002Fpercentile 字段 | 0~1 小数 |\n| `liq_* \u002F fun_turnover \u002F fun_mv` | 部分日期为 None，注意补缺 |\n\n### l2_factors（二级因子，flow 金额注意）\n| 字段 | 单位 | 实测依据 |\n|---|---|---|\n| `flow_net_amount \u002F flow_super_net \u002F flow_large_net \u002F flow_medium_net \u002F flow_small_net` | **元** | 600519 flow_net_amount=-274109797.7 元 = -2.74 亿；flow_net_amount\u002F(amount×1e4)=flow_net_ratio ✓ |\n| `flow_*_ratio` | 小数 | |\n| `vol_turnover_total` | **股** | 与 kline volume 完全相等 ✓ |\n| 分区 | 已恢复日更（2026-08-19 实测至 20260818，flow_net 5098 distinct 有区分度） | ⚠️ 此前「停更 2026-02-27」结论过时；top 少数几只净流入会厂商同值（如 165564181），属口径非 bug |\n\n## 七、PG 表 stock_daily_latest（API 服务数据源）\n\n| 列 | 单位 \u002F 格式 | 实测依据 |\n|---|---|---|\n| `symbol` | **前缀格式** `SH601138`（不是 601138.SH） | suffix 查询 0 行，prefix 查询 1072 万行 |\n| `volume` | 股 | 601138 max_volume=633217088 股 |\n| `amount` | **万元** | 601138 amount=5828.37，max_amount=3306339（万元） |\n| `float_mv \u002F total_mv` | 元 | float_mv=7095151630 元 |\n| `turnover_rate \u002F flow_net_amount \u002F main_flow` | **NULL**（未灌） | 风险评分里\"缺少换手率\"由此而来 |\n| `volume_ratio_5` | 倍（0.934） | |\n\n**flow 灌入口径**（update_sdl_complete_pipeline.py）：`main_flow = flow_large_net_amount\u002F1e6`（**百万元**），`flow_net_amount = flow_net_amount\u002F1e6`（**百万元**）——与 l2 parquet 的元不同，读 PG 时注意。\n\n## 八、research API 换算表（\u002Fresearch\u002Ffeatures 等接口返回）\n\nAPI 层 `_UNIT_SCALES` 把部分字段缩放后输出：\n\n| 输出字段 | 缩放 | 输出单位 | 例（600519 探针） |\n|---|---|---|---|\n| `totalMv \u002F floatMv` | ×1e-8 | 亿元 | 16775.97 亿 ✓ |\n| `mainFlow \u002F flowNetAmount \u002F flowLargeNet \u002F flowMediumNet \u002F flowSmallNet` | ×1e-6 | 百万元 | flow_net_amount=-274.11（百万） |\n| **`flowSuperNet`** | **无缩放** | **元（bug！）** | flow_super_net=-6840376 元，与同类别其他字段差 1e6 |\n| `turnoverRate` | — | % 小数 | 0.00239 |\n\n> ⚠️ **fundFlow 类别内单位不一致**：flowSuperNet 是元，其余 flow* 是百万元。skill 分析时要统一换算后再比。\n\n## 九、3_financial_data 财务数据\n\n| 数据集 | 字段 | 单位 |\n|---|---|---|\n| `balance \u002F income \u002F cashflow` | 各科目 | 元 |\n| `capital` | 股本 | 股 |\n| `holder_num` | 股东户数 | 户 |\n| `dividend_factors` | `interest` | **每10股派息（元）**——600519 每10股派 51.98 元，601138 派 0.98 元。算每股股息要 \u002F10 |\n| `dividend_factors` | `stockBonus \u002F stockGift \u002F allotNum` | 每10股送\u002F转\u002F配股数 |\n| `dividend_factors` | `dr` | 除权因子（复权用） |\n\n## 十、2_base_sector\n\n| 数据集 | 字段 | 单位 | 注意 |\n|---|---|---|---|\n| `instrument_detail` | `Symbol` | 后缀 601138.SH | HqDate 停滞 **20260720**，市值\u002F估值滞后 |\n| | `J_zgb \u002F FreeLtgb` | **万股**（1984409.25 万股 = 198.4 亿股） | 与 valuation 的 circulating_capital(股) 差 1e4 |\n| | `J_yysy \u002F J_jly \u002F J_zzc` 等 J_* | **万元**（25107808 万 = 251 亿） | 与 financials 的元差 1e4 |\n| | `Zsz \u002F Ltsz` | **亿元**（11211.91 亿 ✓） | |\n| | `J_mgsy` | 元（2.14 元\u002F股） | |\n| | `fHSL` | 不明（0.56，非换手率%，与自算 0.74% 不符），**别当换手率用** | |\n| | `TotalBVol` | 不明（43555，量级像手，但远小于全天量） | L2 快照字段，非全天 |\n| | `DYRatio` | 不可靠（600519=4.15 vs 真实 0.39%），**别当股息率**，用 valuation.dividend_rate | |\n| | `Yield` | 不明（6078.44），勿用 | |\n| `index_weights` | `Weight` | **%** | 文件名 `000300.SH.parquet` 不是 `000300.parquet` |\n| `trading_calendar` | `TradingDate` | YYYYMMDD int | |\n\n## 十一、其他数据集\n\n| 数据集 | 字段 | 单位 | 状态 |\n|---|---|---|---|\n| `margin_trading` | `finance_*` | 万元 | |\n| | `slo_volume \u002F slo_net` | 股 | |\n| `hsgt_north` | `holding_quantity` 股 \u002F `holding_value` 元 \u002F 比率 % | | **停滞 2024-08**（北向改季度披露后） |\n\n## 十二、已知数据缺口（2026-08 实测）\n\n1. **min1\u002Fmin5** 分钟线停更（最新 2026-07-24）\n2. ~~l2_factors 分区停更~~ —— **已恢复**（2026-08-19 实测至 20260818）\n3. **hsgt_north** 北向明细停更（2024-08，改季度披露所致）\n4. **instrument_detail** HqDate 滞后（20260720）\n5. **dt=20260729~20260802** 个股日线有同步缺口（非交易日+同步中断）\n5b. **valuation dt=20260813** 只有 101 行（同步缺口，dividend_rate 全 NaN），features_daily 同日 5543 行正常\n6. **technical_indicators.return_1d\u002Freturn_20d** 全 NaN\n7. **stock_daily_latest** 的 turnover_rate\u002Fflow_net_amount\u002Fmain_flow 常为 NULL\n8. **l2_data 原始逐笔仅 20260511 单日** —— 万得按日 7z 手动导入（`wind_l2_import.py`），非自动日更\n9. **tick_data 单位混源** —— wind=股\u002F万元，旧同步=手\u002F元，对账前勿直接用\n\n## 十三、分析前检查清单\n\n- [ ] 确认数据源是 parquet 还是 PG\u002FAPI（单位体系不同）\n- [ ] symbol 格式匹配数据源（parquet 后缀 \u002F PG 前缀）\n- [ ] 成交量：个股=股，指数=手\n- [ ] 成交额：万元（API 输出已缩放为亿\u002F百万）\n- [ ] 波动率：technical_indicators 是 %，l1 是小数（差 100 倍）\n- [ ] 股息率：valuation.dividend_rate 是 % 百分数值（0.148=0.148%），不是小数\n- [ ] close 口径：technical_indicators 是后复权，valuation 是不复权\n- [ ] 市值：parquet 是元，instrument_detail 是亿元\u002F万股，API 是亿元\n- [ ] 财务：financials 是元，instrument_detail J_* 是万元\n- [ ] 用前查数据最新日期（分钟线、l2、hsgt 都可能已停更）\n- [ ] L2 原始逐笔（l2_data）：先查日期覆盖（当前仅 20260511 单日），价格是未复权，逐笔求和沪≈日线量\u002F深≈2×，别当成交量\n- [ ] tick_data：先拿最后一条快照对账日线（wind=股\u002F万元 vs 旧同步=手\u002F元，单位混源）\n",{"name":5,"description":7},"main","d69096e239f2a89aabc2cd078c47664a9d3b1e11","05-技能与代理开发\u002Fquantdb-fields",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 quantdb-fields",{"tool":38,"command":39},"bunx","bunx skills add lza6\u002FArmor-piercing-system-prompts --skill quantdb-fields",{"tool":41,"command":42},"pnpm","pnpm dlx skills add lza6\u002FArmor-piercing-system-prompts --skill quantdb-fields","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\u002Fquantdb-fields\u002FSKILL.md",true,[],[47,54,59,66,73,80],{"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":19},"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",[],[],{"skillNo":55,"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":56,"categories":57,"keywords":58,"publishedAt":19},"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":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},"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":67,"name":68,"nameZh":6,"description":69,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":70,"categories":71,"keywords":72,"publishedAt":19},"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":74,"name":75,"nameZh":6,"description":76,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":77,"categories":78,"keywords":79,"publishedAt":19},"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":81,"name":82,"nameZh":6,"description":83,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":84,"categories":85,"keywords":86,"publishedAt":19},"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",[],[]]