「数据」の検索結果

网文写作 (网文写作 (Chinese Web Novel Writing) — 中国网络文学的「连载长篇商业小说创作工艺」认知操作系统：从「定方向（频道/流派/题材）→ 立意与金手指设计 → 大纲与人物设定 → 开局黄金三章 → 日更连载与节奏控制（爽点/期待感/钩子/断章）→ 读者数据反馈与调整 → 完本与 IP 改编」的完整创作-连载-变现决策链。覆盖 (a) 第一性张力 — **读者数据驱动/即时反馈（追读率、订阅、追订、月票、收藏、章评、卡点数据）⇄ 作者表达/文学性（个人审美、慢热、留白、文笔）**；**爽文/套路化/工业糖精（爽点密度、装逼打脸、金手指、无敌流、爽感经济）⇄ 慢热/反套路/精品化（铺垫、群像、立意、文青向）**；**男频（玄幻/仙侠/都市/历史/科幻/游戏/系统流/无限流/凡人流，起点/番茄系，重设定与战力体系）⇄ 女频（古言/现言/穿越/重生/宫斗/种田/快穿/无限流/言情，晋江系，重情感与关系/人设）**；**付费订阅模式（起点/晋江，千字几分订阅+全勤+打赏+月票，养老书/精品）⇄ 免费阅读模式（番茄/七猫，平台买断/流量分成，强开局强爽点强节奏，走量）**；**长线连载/养书（百万字+、慢节奏铺世界观）⇄ 强开局/快节奏（黄金三章定生死、前一万字留人）**；**个人风格/品牌作者（大神、IP、粉丝向）⇄ 工业化/编辑导向（迎合榜单/编辑改稿/数据调优/AI 辅助）**。(b) 核心工作流 / pipeline（最标准、最易蒸高质量 + CLI 化）— 通用链：选频道与流派（看平台榜单/读者画像/自身擅长）→ 立意与核心设定（金手指/世界观/主线冲突）→ 人物与关系设计（主角金手指与成长弧、反派、配角、cp）→ 大纲（主线+支线+卷纲+细纲）→ 黄金三章/开局（代入感、爽点前置、悬念钩子、信息密度）→ 签约与上架（编辑沟通、签约合同、上架节奏）→ 日更连载（码字速度、存稿、断章艺术、节奏曲线、卡文处理）→ 读者运营（章评互动、本章说、读者数据看板、追读率分析）→ 调整与救书（数据扑街诊断、改大纲/换爽点/加节奏）→ 完本与变现（完本福利、IP 改编影视/动漫/游戏/有声/漫画）。(c) 工具栈 — 写作软件（壹写作、码字猫、橙瓜码字、墨者写作、汤圆/小黑屋专注码字、Scrivener、WPS/Word）、设定与大纲管理（壹写作设定卡、幕布/思维导图、Excel 人物关系表、世界观 wiki）、平台作家后台与数据（起点作家专区、晋江作者后台、番茄作家助手、追读/订阅/章评数据看板）、AI 辅助（豆包/Kimi/DeepSeek 辅助起名/扩写/查重/灵感、AI 写作工具争议）、查重与敏感词（写作软件内置敏感词检测、防抄袭查重）、灵感与素材（起点点娘/番茄/晋江榜单、龙的天空论坛、设定集/资料库）。(d) 知识正典 — 网文创作 canon 偏少且实践导向，散见于：平台官方写作指南（起点写作学院/晋江写作经验帖）、大神访谈与直播（作者本人谈创作）、网文写作教程书（《网络小说写作指南》类、编辑出的方法论）、网文研究学术（邵燕君《网络文学经典解读》、北大网络文学研究论坛、中国作协网络文学研究）、龙的天空/起点作家交流区的经验长帖、经典传统编剧/小说理论的借用（《故事》Robert McKee、《救猫咪》、《千面英雄》英雄之旅，但须辨明与网文连载工艺的差异）。(e) figures/流派 — 男频大神（唐家三少、天蚕土豆、辰东、我吃西红柿、猫腻、烽火戏诸侯、爱潜水的乌贼、忘语/凡人流、会说话的肘子、爱吃西红柿等）、女频大神（晋江系如 priest、墨香铜臭、藤萍、Twentine、尾鱼、丁墨等，须注意女频一手访谈相对少）、编辑/写作导师/网文研究者（起点/晋江资深编辑、网文培训讲师、邵燕君等学者）、平台与产业观察。流派分歧：付费精品派 vs 免费走量派、爽文工业派 vs 文青慢热派、男频战力体系派 vs 女频情感关系派、套路复用派 vs 反套路创新派。(f) 行业话术/黑话 — 黄金三章 / 开局 / 金手指 / 爽点 / 爽文 / 装逼打脸 / 扮猪吃虎 / 期待感 / 代入感 / 龙傲天 / 玛丽苏 / 杰克苏 / 系统流 / 无限流 / 凡人流 / 种田文 / 穿越 / 重生 / 快穿 / 无敌流 / 升级流 / 后宫 / 单女主 / 群像 / 主角光环 / 世界观 / 设定 / 战力体系 / 力量体系 / 大纲 / 细纲 / 卷纲 / 主线 / 支线 / 伏笔 / 断章 / 卡文 / 太监（弃坑）/ 存稿 / 日更 / 万更 / 码字 / 手速 / 追读 / 追订 / 订阅 / 均订 / 首订 / 全勤 / 月票 / 推荐票 / 打赏 / 盟主 / 收藏 / 上架 / 签约 / 入V / 三江 / 强推 / 上强推 / 扑街 / 仆街 / 数据 / 本章说 / 章评 / 水字数 / 注水 / 毒点 / 爽点密度 / 节奏 / 钩子 / 反转 / 高潮 / 番茄 / 七猫 / 起点 / 晋江 / 飞卢 / 男频 / 女频 / 频道 / IP / 改编 / 网大 / 有声 / 漫改 / 精品 / 老白（老读者）/ 小白文 / 大神 / 萌新作者 / 太监了 / 切书 / 完本 / 番外。(g) 争议/批判 — 「数据/榜单驱动 vs 文学性」（追读率绑架创作、爽文工业糖精化、注水水字数）、「套路化 vs 原创」（流派套路复用是高效还是同质化）、「免费阅读模式对生态的冲击」（番茄/七猫买断+流量分成压低作者收入、走量伤害精品）、「AI 写作工具」（AI 辅助 vs AI 代写、平台对 AI 文的态度、查重与版权）、「抄袭/融梗」（融梗与抄袭边界、调色盘、晋江抄袭风波）、「作者权益与平台」（合同霸王条款、买断 vs 分成、断更违约）、「幸存者偏差」（极少数大神年入千万 vs 绝大多数作者月入几百/扑街/太监，暴富叙事掩盖底层困境）、「快餐化与精品化」（短篇/微短剧化 vs 长线养书）。(h) 大量隐性创作直觉/手艺 + 软技能（爽点设计与节奏感、断章艺术、代入感营造、金手指与成长曲线设计、读者数据解读与救书、码字速度与存稿纪律、抗压与反扑街心态、卡文处理、长线连载的体力与心理耐力、对榜单与流派趋势的嗅觉）是高 tacit、难言传、靠连载实战 + 数据反馈 + 扑街交学费积累的核心。水分较高（大量「网文写作速成班/包月入过万」培训割韭菜、幸存者偏差严重、二手转述与营销号），须强 source 过滤：优先 figure 本人长访谈/直播/作者的话 + 平台官方写作指南 + 网文学术研究 > 二手转述 > 培训机构软文；严防把「写作速成班」「保底月入过万」当知识来源。不含: 传统纯文学/严肃文学创作、纸质出版社流程、影视编剧/剧本创作（借用其叙事理论但工艺不同，重点辨明差异）、剧本杀/互动小说、海外英文原创网文 Royal Road/Wattpad（可少量对比但不深覆盖）、漫画/动画分镜脚本、自媒体/短视频文案。) Master OS — automated mastery of 网文写作 (Chinese Web Novel Writing) — 中国网络文学的「连载长篇商业小说创作工艺」认知操作系统：从「定方向（频道/流派/题材）→ 立意与金手指设计 → 大纲与人物设定 → 开局黄金三章 → 日更连载与节奏控制（爽点/期待感/钩子/断章）→ 读者数据反馈与调整 → 完本与 IP 改编」的完整创作-连载-变现决策链。覆盖 (a) 第一性张力 — **读者数据驱动/即时反馈（追读率、订阅、追订、月票、收藏、章评、卡点数据）⇄ 作者表达/文学性（个人审美、慢热、留白、文笔）**；**爽文/套路化/工业糖精（爽点密度、装逼打脸、金手指、无敌流、爽感经济）⇄ 慢热/反套路/精品化（铺垫、群像、立意、文青向）**；**男频（玄幻/仙侠/都市/历史/科幻/游戏/系统流/无限流/凡人流，起点/番茄系，重设定与战力体系）⇄ 女频（古言/现言/穿越/重生/宫斗/种田/快穿/无限流/言情，晋江系，重情感与关系/人设）**；**付费订阅模式（起点/晋江，千字几分订阅+全勤+打赏+月票，养老书/精品）⇄ 免费阅读模式（番茄/七猫，平台买断/流量分成，强开局强爽点强节奏，走量）**；**长线连载/养书（百万字+、慢节奏铺世界观）⇄ 强开局/快节奏（黄金三章定生死、前一万字留人）**；**个人风格/品牌作者（大神、IP、粉丝向）⇄ 工业化/编辑导向（迎合榜单/编辑改稿/数据调优/AI 辅助）**。(b) 核心工作流 / pipeline（最标准、最易蒸高质量 + CLI 化）— 通用链：选频道与流派（看平台榜单/读者画像/自身擅长）→ 立意与核心设定（金手指/世界观/主线冲突）→ 人物与关系设计（主角金手指与成长弧、反派、配角、cp）→ 大纲（主线+支线+卷纲+细纲）→ 黄金三章/开局（代入感、爽点前置、悬念钩子、信息密度）→ 签约与上架（编辑沟通、签约合同、上架节奏）→ 日更连载（码字速度、存稿、断章艺术、节奏曲线、卡文处理）→ 读者运营（章评互动、本章说、读者数据看板、追读率分析）→ 调整与救书（数据扑街诊断、改大纲/换爽点/加节奏）→ 完本与变现（完本福利、IP 改编影视/动漫/游戏/有声/漫画）。(c) 工具栈 — 写作软件（壹写作、码字猫、橙瓜码字、墨者写作、汤圆/小黑屋专注码字、Scrivener、WPS/Word）、设定与大纲管理（壹写作设定卡、幕布/思维导图、Excel 人物关系表、世界观 wiki）、平台作家后台与数据（起点作家专区、晋

日本語の概要は準備中です。原文の説明を表示しています。

数据工程 — 数据平台从业者的认知操作系统, 覆盖把数据从源系统搬运成可靠 / 可查询 / 可信赖形态供分析 / ML / 数据产品消费的全生命周期 (生成 → 摄取 → 存储 → 转换 → 服务 + 安全/数据管理/DataOps/数据架构/编排/软件工程 六条暗流, Reis & Housley 框架): 摄取与集成 (批 + CDC 变更数据捕获 Debezium + EL 工具 Fivetran/Airbyte/Meltano/dlt + Kafka Connect + schema drift) / 存储与文件表格式 (对象存储数据湖 + 列存 Parquet/ORC/Arrow/Avro + 开放表格式 Apache Iceberg/Delta Lake/Apache Hudi + lakehouse + 分区/compaction) / 转换与建模 (ELT dbt/SQLMesh + Spark + 维度建模 Kimball + Inmon + Data Vault + 大宽表 OBT + 渐变维 SCD + 增量模型 + 语义/指标层) / 编排与工作流 (Apache Airflow/Dagster/Prefect/Mage/Kestra/Apache DolphinScheduler + DAG + 幂等 + 回填 backfill + 数据资产调度) / 批流与实时 (Apache Kafka/Apache Flink/Spark Structured Streaming/Kinesis/Pulsar/Redpanda + Lambda vs Kappa + watermark/窗口/exactly-once + 流式 SQL Materialize/RisingWave + 实时 OLAP ClickHouse/Apache Druid/Apache Pinot/StarRocks/Apache Doris) / 数仓与查询引擎 (Snowflake/BigQuery/Redshift/Databricks SQL/Trino/Presto/DuckDB/Polars + 存算分离 + MPP) / 数据质量测试与可观测性 (dbt tests/Great Expectations/Soda + 数据契约 + Monte Carlo data downtime + 新鲜度/量/schema 异常检测) / 数据治理编目与血缘 (DataHub/Amundsen/OpenMetadata/Unity Catalog + 列级血缘 + PII 分类 + 访问控制 + GDPR) / DataOps 与可靠性 (数据 CI/CD + 转换版本控制 + 环境隔离 + 幂等重处理 + 数据 SLA/SLO + 计算存储 FinOps) / 数据架构范式 (现代数据栈 + lakehouse + data mesh + data fabric + 去中心化 vs 中心化所有权) / 分析工程角色 (dbt 时代连接数据工程与分析的桥) — 不含 数据科学/ML 建模本身 (是下游消费者) / BI 仪表盘制作 (serving 下游) / 数据分析报表为终点 / 'data engineer = 跑 Hadoop 的' 过时窄化 / 通用后端应用开发 (平行学科) (Data Engineering — the cognitive operating system of practitioners who design, build, and operate the data platform: moving data from source systems into reliable, queryable, trustworthy form for analytics / ML / products, covering (a) the data engineering lifecycle (generation → ingestion → storage → transformation → serving, with the undercurrents security / data management / DataOps / data architecture / orchestration / software engineering — Reis & Housley framing), (b) ingestion & integration (batch + CDC change-data-capture with Debezium, EL tools Fivetran / Airbyte / Meltano / dlt, Kafka Connect, API + file + database sources, schema drift handling), (c) storage & file/table formats (object storage data lakes, columnar formats Parquet / ORC / Arrow / Avro, open table formats Apache Iceberg / Delta Lake / Apache Hudi, lakehouse architecture, partitioning / compaction / Z-ordering), (d) transformation & modeling (ELT with dbt / SQLMesh, Spark, dimensional modeling Kimball, Inmon CIF, Data Vault, One Big Table / wide tables, normalization vs denormalization, slowly changing dimensions, incremental models, the semantic / metrics layer), (e) orchestration & workflow (Apache Airflow, Dagster, Prefect, Mage, Kestra, Apache DolphinScheduler, DAGs, idempotency, backfills, data-aware / asset-based scheduling), (f) batch vs streaming & real-time (Apache Kafka, Apache Flink, Spark Structured Streaming, Kinesis / Pulsar / Redpanda, the Lambda vs Kappa debate, watermarks / windowing / exactly-once, streaming SQL Materialize / RisingWave, real-time OLAP ClickHouse / Apache Druid / Apache Pinot / StarRocks / Apache Doris), (g) warehouses & query engines (Snowflake, BigQuery, Redshift, Databricks SQL, Trino / Presto, DuckDB, Polars, decoupled storage & compute, MPP), (h) data quality, testing & observability (dbt tests, Great Expectations, Soda, data contracts, Monte Carlo / data downtime, freshness / volume / schema anomaly detection, unit / integration testing of pipelines), (i) data governance, catalog & lineage (DataHub, Amundsen, OpenMetadata, Unity Catalog, column-level lineage, PII / data classification, access control, GDPR / data privacy), (j) DataOps & reliability (CI/CD for data, version control of transformations, environments, idempotent reprocessing, SLAs / SLOs for data, cost / FinOps for compute & storage), (k) data architecture paradigms (modern data stack, data lakehouse, data mesh, data fabric, decentralized vs centralized ownership), (l) the analytics engineering role (the dbt-era bridge between data engineering and analysis); N

日本語の概要は準備中です。原文の説明を表示しています。

取数 / 查数据 / 拉数据 / 跑 SQL。把自然语言取数需求转为 SQL，经数据湖仓执行后返回查询结果供下游分析。**任何需要业务数据的任务在工作区缺少对应文件时都必须先调用此技能**——覆盖 BI 业务分析、留存 / 转化 / 同期群分析、数据探索 EDA、统计建模、定量计算、元数据查询、数据查询。命中任一即触发：(1) 直接索要指标或记录，如「DAU 多少」「上月销售额」「3 月留存率」「这个客户的订单」；(2) 取数口语，如「查 / 查一下 / 取一下 / 拉一下 / 抓数据 / 找数据 / 搜数据 / 跑 SQL / 写 SQL / 导出 / 缺数据 / 没数据 / 数据不够」；(3) 涉及数据来源，如「从语义层 / 数据湖仓 / 仓库 / 数据库取」；(4) 问元数据 / 口径，如「字段含义 / 表结构 / 这两张表怎么关联 / 可用数据源 / 指标怎么算」；(5) 下游任务在工作区找不到所需数据。

日本語の概要は準備中です。原文の説明を表示しています。

量化交易 (量化交易 (Quantitative Trading) — 面向股票、期货与期权二级市场的系统化交易者（私募/自营/公募量化研究员、CTA 交易员、有工程能力的个人系统化交易者）的『把一个交易想法，变成一个在真钱上还站得住的策略』的判断体系；不是加密与链上交易（那是 crypto-onchain-trading 的范围），不是个人长期资产配置与理财（personal-investing），不是卖方投行的并购与承销（investment-banking-mna），也不是主观基本面选股与券商 IT 系统开发。覆盖：(a) 第一性张力 —— 这行的核心世界观分歧：**经济学解释先行 ⇄ 数据里挖出来就行**（一派要求任何超额收益背后先有风险补偿或行为偏差的故事，否则视为噪音；另一派认为解释是事后编的，只信严格的样本外与实盘，机器学习派把这条推到极致，两派对同一个因子会给出完全相反的判断）；**横截面选股 ⇄ 时序趋势跟踪**（选股要在同一时点比较一篮子标的的相对好坏、假设均值回复与相对定价，CTA 趋势在单一品种的时间序列上假设动量延续，两者的研究方法、回测口径、风险来源和亏损形态几乎不重叠，却常被外行混为一谈）；**样本内的漂亮曲线 ⇄ 多重检验之后还剩什么**（因子动物园与可复制性危机是本行最重要的一次集体自省：显著性门槛该抬多高、发表后收益衰减多少、大量已发表因子在严格复制下失效，以及回测过拟合的概率如何度量）；**回测至上 ⇄ 只信实盘**（回测是唯一能低成本证伪的工具，也是最容易骗自己的工具：前视偏差、幸存者偏差、时点数据缺失、参数寻优、重复使用同一份历史数据；于是有人把纸上交易与小仓位实盘当成唯一可信的检验）；**alpha ⇄ 容量与成本**（一个策略的规模是它自己的敌人：冲击成本随规模上升、换手越高越吃成本、拥挤度让同类策略在回撤时同时踩踏；毛收益漂亮而净收益为负是新手最常见的死法）；**风险预算 ⇄ 收益最大化**（波动率目标、凯利与部分凯利、风险平价、回撤止损、杠杆与尾部，这一层的分歧决定了同一个信号在不同人手里是稳健产品还是爆仓故事）；**高频做市 ⇄ 中低频统计套利与基本面量化**（延迟、撮合机制、报单结构与硬件是一套技能树，因子构建、组合优化与风险模型是另一套，混谈两者是外行破绽之一）；**学术公开 ⇄ 业界闭源**（真正在赚钱的策略通常不发表，公开材料存在系统性的幸存者偏差与选择性披露，这是本行诚实边界的核心）；**中国市场的制度约束 ⇄ 教科书假设**（T+1、涨跌停、融券与做空成本、股指期货基差与贴水、行业与市值中性化的实际口径、指数增强与市场中性产品的收益来源，以及监管对程序化交易与高频交易的报告与差异化收费要求，让直接照搬美股论文的做法在 A 股经常失效）；**模型信心 ⇄ 制度与市场结构变化**（策略衰减、结构性断点、极端行情下相关性同时上升、去杠杆踩踏，这些不是尾部意外而是本行的常态风险）。(b) 工具栈 —— 数据（行情与基本面的时点数据 point-in-time、复权口径、停牌与退市处理、财报修订、指数成分历史、期货主力连续合约的拼接方式、期权链与波动率曲面数据；供应商与开源社区两条路线）、研究框架（向量化回测与事件驱动回测的取舍、因子检验与分层回测、组合优化与风险模型、机器学习工具链与交叉验证的时间序列改造）、执行与交易接口（券商与期货柜台接口、模拟盘、订单类型与算法委托、成交回报与对账）、基础设施（时序数据库与列式存储、行情落地、任务编排、实验记录与版本管理）、以及最被低估的东西：一份写清楚假设与失效条件的策略说明书、一套不会自欺的回测规范、一张归因表 —— 选型的真正分岔从来不是功能清单，而是『你的策略是靠信号质量赢，还是靠执行与成本赢』。(c) 心智模型层 —— 收益必须先有来源（风险补偿、行为偏差、结构性约束或提供流动性）；样本外只有一次，用完就没了；毛收益是观点，净收益才是事实；规模是策略的敌人；相关性在你最需要分散的时候上升；回测里每多试一次，显著性就贬值一次；活下来比赢一次重要，所以先定风险预算再谈收益。(d) 工作流 —— 想法与假设成文、数据准备与清洗、单因子与信号检验、组合构建与风险约束、交易成本与容量估计、样本外与滚动前推验证、纸上交易与小仓位实盘、上线监控与风控阈值、业绩归因与衰减检测、策略退役与复盘、极端行情与事故处置、多策略配置与资金分配。(e) 表达 DNA、质量基准（什么算一次可信的回测与一次合格的策略上线）、反模式（外行与新手最容易犯的错：只看年化与最大回撤、参数寻优后的曲线拟合、忽略成本与容量、用未来数据、拿主力连续合约当真实可交易序列、把杠杆当收益来源、爆仓后归因于黑天鹅）、智识谱系（学术因子与资产定价派、系统化 CTA 与趋势跟踪派、金融机器学习派、市场微观结构与执行派、期权与波动率交易派、风险管理与尾部批评派、中国私募的指数增强与市场中性实践派）。) Master OS — automated mastery of 量化交易 (Quantitative Trading) — 面向股票、期货与期权二级市场的系统化交易者（私募/自营/公募量化研究员、CTA 交易员、有工程能力的个人系统化交易者）的『把一个交易想法，变成一个在真钱上还站得住的策略』的判断体系；不是加密与链上交易（那是 crypto-onchain-trading 的范围），不是个人长期资产配置与理财（personal-investing），不是卖方投行的并购与承销（investment-banking-mna），也不是主观基本面选股与券商 IT 系统开发。覆盖：(a) 第一性张力 —— 这行的核心世界观分歧：**经济学解释先行 ⇄ 数据里挖出来就行**（一派要求任何超额收益背后先有风险补偿或行为偏差的故事，否则视为噪音；另一派认为解释是事后编的，只信严格的样本外与实盘，机器学习派把这条推到极致，两派对同一个因子会给出完全相反的判断）；**横截面选股 ⇄ 时序趋势跟踪**（选股要在同一时点比较一篮子标的的相对好坏、假设均值回复与相对定价，CTA 趋势在单一品种的时间序列上假设动量延续，两者的研究方法、回测口径、风险来源和亏损形态几乎不重叠，却常被外行混为一谈）；**样本内的漂亮曲线 ⇄ 多重检验之后还剩什么**（因子动物园与可复制性危机是本行最重要的一次集体自省：显著性门槛该抬多高、发表后收益衰减多少、大量已发表因子在严格复制下失效，以及回测过拟合的概率如何度量）；**回测至上 ⇄ 只信实盘**（回测是唯一能低成本证伪的工具，也是最容易骗自己的工具：前视偏差、幸存者偏差、时点数据缺失、参数寻优、重复使用同一份历史数据；于是有人把纸上交易与小仓位实盘当成唯一可信的检验）；**alpha ⇄ 容量与成本**（一个策略的规模是它自己的敌人：冲击成本随规模上升、换手越高越吃成本、拥挤度让同类策略在回撤时同时踩踏；毛收益漂亮而净收益为负是新手最常见的死法）；**风险预算 ⇄ 收益最大化**（波动率目标、凯利与部分凯利、风险平价、回撤止损、杠杆与尾部，这一层的分歧决定了同一个信号在不同人手里是稳健产品还是爆仓故事）；**高频做市 ⇄ 中低频统计套利与基本面量化**（延迟、撮合机制、报单结构与硬件是一套技能树，因子构建、组合优化与风险模型是另一套，混谈两者是外行破绽之一）；**学术公开 ⇄ 业界闭源**（真正在赚钱的策略通常不发表，公开材料存在系统性的幸存者偏差与选择性披露，这是本行诚实边界的核心）；**中国市场的制度约束 ⇄ 教科书假设**（T+1、涨跌停、融券与做空成本、股指期货基差与贴水、行业与市值中性化的实际口径、指数增强与市场中性产品的收益来源，以及监管对程序化交易与高频交易的报告与差异化收费要求，让直接照搬美股论文的做法在 A 股经常失效）；**模型信心 ⇄ 制度与市场结构变化**（策略衰减、结构性断点、极端行情下相关性同时上升、去杠杆踩踏，这些不是尾部意外而是本行的常态风险）。(b) 工具栈 —— 数据（行情与基本面的时点数据 point-in-time、复权口径、停牌与退市处理、财报修订、指数成分历史、期货主力连续合约的拼接方式、期权链与波动率曲面数据；供应商与开源社区两条路线）、研究框架（向量化回测与事件驱动回测的取舍、因子检验与分层回测、组合优化与风险模型、机器学习工具链与交叉验证的时间序列改造）、执行与交易接口（券商与期货柜台接口、模拟盘、订单类型与算法委托、成交回报与对账）、基础设施（时序数据库与列式存储、行情落地、任务编排、实验记录与版本管理）、以及最被低估的东西：一份写清楚假设与失效条件的策略说明书、一套不会自欺的回测规范、一张归因表 —— 选型的真正分岔从来不是功能清单，而是『你的策略是靠信号质量赢，还是靠执行与成本赢』。(c) 心智模型层 —— 收益必须先有来源（风险补偿、行为偏差、结构性约束或提供流动性）；样本外只有一次，用完就没了；毛收益是观点，净收益才是事实；规模是策略的敌人；相关性在你最需要分散的时候上升；回测里每多试一次，显著性就贬值一次；活下来比赢一次重要，所以先定风险预算再谈收益。(d) 工作流 —— 想法与假设成文、数据准备与清洗、单因子与信号检验、组合构建与风险约束、交易成本与容量估计、样本外与滚动前推验证、纸上交易与小仓位实盘、上线监控与风控阈值、业绩归因与衰减检测、策略退役与复盘、极端行情与事故处置、多策略配置与资金分配。(e) 表达 DNA、质量基准（什么算一次可信的回测与一次合格的策略上线）、反模式（外行与新手最容易犯的错：只看年化与最大回撤、参数寻优

日本語の概要は準備中です。原文の説明を表示しています。

使用自然语言查询金融数据，支持A股股票、基金、期货等上市品种，覆盖基本资料、财务数据、日频行情信息、持仓信息及各类分析指标等数据。也支持宏观经济数据，包括世界经济数据、全球经济数据、中国经济数据、区域经济数据、行业经济数据、利率走势数据、商品数据和特色数据等。当需要查询上述金融相关数据查询时使用此 skill。

日本語の概要は準備中です。原文の説明を表示しています。

用于火山引擎（Volcengine）数据库（MySQL、veDB-MySQL、PostgreSQL、SQL Server、MongoDB、Redis）和公网自建数据库（MySQL和PostgreSQL系列）的元数据管理、数据分析、开发变更、运维诊断、巡检。覆盖实例列表查询、实例下数据库列表查询、表列表查询、表结构查询、数据查询、数据分析与可视化报告（含跨数据源/文件联合分析）、数据治理（资产盘点/数据画像/数据质量/敏感数据识别）、慢查询诊断、死锁与锁等待分析、事务与活跃会话排查、错误日志查询、表空间分析、健康巡检、监控指标查询、变更工单申请等场景。不支持字节云（ByteCloud）数据库，如 ByteRDS / ByteDoc / ByteRedis。

日本語の概要は準備中です。原文の説明を表示しています。

Excel 数据分析多步编排器。覆盖：(1) 读取多 Sheet Excel 文件并统计行数，(2) 大文件检测（≥10k 行自动 Parquet 优化），(3) 数据清洗（缺失值、文本标准化、无效字符），(4) 条件筛选与分类提取，(5) 跨 Sheet 统计聚合，(6) 导出 Excel/CSV 并提供下载链接。覆盖从数据读取到报告生成全流程，按步骤编排 capability 子 skill。**遇到以下任一情况就主动使用本 skill，不要自行写几行 pandas 就回答**：①用户出现触发词：Excel 分析 / 表格分析 / 数据分析 / 数据清洗 / 数据统计 / 数据筛选 / 数据可视化 / 数据导出 / 汇总统计 / 透视表 / 分组统计 / 交叉分析 / 趋势分析 / 对比分析 / 异常值检测 / 去重 / 缺失值处理 / Excel 报告 / 生成报表 / analyze Excel / data analysis / data cleaning / pivot table；②用户上传或指定了 .xlsx / .xls / .csv 文件并要求分析、清洗、统计或可视化；③任务涉及多 Sheet 读取、条件筛选、分类汇总、图表生成中的任意一项；④用户要求导出带格式的 Excel 报告或下载链接。仅不用于：不涉及表格数据的纯文本处理、图片分析（使用 sn-da-image-caption）、单个公式计算的简单问答。

日本語の概要は準備中です。原文の説明を表示しています。

行业数据查询与分析工具。接入多种合规公开数据源，支持精确匹配、模糊搜索、聚合统计、分组排序等查询方式。当前已覆盖工商企业基本信息、产业链节点区域指标、产业链企业信息、A股相关信息以及其他等大部分场景。完整的可用数据源清单及其字段结构需通过 describe_datasource 接口动态获取。 当用户提出任何涉及企业、公司、行业或产业链的数据查询意图时，都应触发此 Skill。典型场景包括但不限于： - 查询某家公司的工商注册信息（名称、法人、注册资本、成立日期、经营范围、股东、融资历史等） - 查询 A 股上市公司基本面、证券信息、F10 数据、IPO 信息、分红派息、高管信息 - 查询某条产业链的结构，包括节点企业、区域分布、各类标签企业统计（龙头、高新、专精特新、独角兽、小巨人等） - 查询产业链区域指标（营收、资产、利润率、ROE、知识产权、招投标数据等） - 按地域、行业、企业标签等维度做聚合统计或分组分析 - 用户提到"查一下某某公司"、"帮我看看这家企业"、"xx产业有哪些龙头"等任何公开数据查询意图 即使无法确定所需数据是否已覆盖，也应先调用数据源列表接口探查，不可直接拒绝或猜测。数据来自合规公开渠道，结果仅供参考，不构成决策依据。

日本語の概要は準備中です。原文の説明を表示しています。

图片理解与数据提取 skill。当图片文件（.png/.jpg/.jpeg/.gif/.webp/.bmp）是主要输入且用户需要理解、提取数据或分析图片内容时使用。提供预配置的 caption 脚本（scripts/caption.py），通过 vision 模型将图片转为文本描述，无需额外配置 API Key。覆盖：(1) 通过 scripts/caption.py 对图表/表格/截图/流程图进行 caption，(2) 将 caption 文本解析为结构化 DataFrame，(3) 基于提取数据重新生成可视化图表，(4) 导出为 Excel/CSV。**遇到以下任一情况就主动使用本 skill，不要自行猜测图片内容**：①用户出现触发词：图片分析 / 图表提取 / 表格识别 / OCR / 图片描述 / 截图分析 / 图表数据 / 提取图片中的数据 / 图片转表格 / 识别图片 / image caption / extract data from image / chart analysis / table OCR；②用户上传或指定了图片文件（.png / .jpg / .jpeg / .gif / .webp / .bmp）并要求理解、提取数据或分析内容；③任务需要从图表截图、表格截图、UI 截图、流程图中提取结构化信息；④用户要求将图片中的数据转为 Excel/CSV 或重新生成可视化图表。仅不用于：图片编辑（裁剪、滤镜、缩放）、图片生成、不含数据的风景/人物照片描述。

日本語の概要は準備中です。原文の説明を表示しています。

数据分析与办公提效全能助手。覆盖数据处理、分析洞察、报告撰写、PPT制作、数据可视化的端到端工作流。 始终从专家视角出发，帮用户多想一步。遇到不确定的问题主动与用户确认。 支持：Excel数据分析、投放数据复盘、ROI测算、数据可视化、报告生成、PPT制作、公式生成。 当用户提到"分析数据"、"做报告"、"做PPT"、"Excel"、"投放分析"、"ROI"、"复盘"、 "周报"、"月报"、"数据处理"、"图表"、"可视化"、"汇报"、"表格"、"公式"时使用此技能。

日本語の概要は準備中です。原文の説明を表示しています。

小红书个人笔记数据复盘——基于用户自己创作者后台（创作中心/蒲公英）的笔记数据，做漏斗定位、卡点归因和多篇横向规律发现。当用户说"笔记数据复盘""这条为什么没流量""帮我看看这条数据""小红书数据分析""曝光高但没人点""涨粉不行""哪类内容该加码""我导出了后台数据帮我看看"，或直接贴出后台数据截图/CSV/Excel/几个数字时使用。只分析用户自己账号的笔记表现，不抓取平台数据、不做刷量。

日本語の概要は準備中です。原文の説明を表示しています。

混合格式化器。该类通过从每个数据集中随机选择样本并合并它们来混合多个数据集，然后将合并的数据集导出为新的混合数据集。 本SKILL使用依赖data_juicer，请在调用前安装好python环境并安装data_juicer，你可用以下指令进行安装： pip install py-data-juicer 当用户提到混合数据集、合并多个数据集、数据集混合、数据融合等需求时使用此skill。

日本語の概要は準備中です。原文の説明を表示しています。

数据时序完整性检查工具。读取时间序列数据，设定数据记录频率（如每2分钟、30分钟或60分钟）， 以此频率为基准遍历数据的时间范围，检查数据时序是否完整，发现缺失与多余数据点，最后输出为相同格式的文件。 当用户提到时序完整性检查、时间序列缺失检查、时间点完整性、数据遗漏检验等需求时使用此skill。 即使用户没有说出"时序完整性"，只要任务涉及检查时间序列数据是否有遗漏或多余的时间点，就应该使用此skill。

日本語の概要は準備中です。原文の説明を表示しています。

JeecgBoot Online表单（cgform）全生命周期管理——通过API自动创建/编辑数据库表和表单配置， 支持单表、主子表、树表，26种控件类型，以及JS/Java/SQL增强、权限配置、数据CRUD、积木报表集成。 只要用户意图涉及「Online表单」就必须使用本技能，包括但不限于： 创建或配置数据库表（"建一张请假表"、"创建online表"、"做一个带下拉选择的表"、"低代码表单"、"在线表单"、"配置表"）、 修改已有Online表字段（"加个字段"、"改字段类型"、"加子表"、"删除字段"）、 配置表单增强（"JS增强"、"自定义按钮"、"表单联动"、"Java增强"、"SQL增强"）、 配置权限（"字段权限"、"按钮权限"、"数据权限"、"授权给角色"）、 管理表单数据（"插入数据"、"查询记录"、"导出CSV"、"造测试数据"）、 以及关联积木报表（"给这个表加报表"、"集成打印"）。 即使用户只描述了业务需求而没说"online"（如"做一个员工信息管理功能，包含姓名、部门下拉、入职日期"）， 只要涉及元数据驱动的表单配置，也应触发本技能。 注意：不要与「设计器表单」(desform)混淆——desform是拖拽式表单设计器，用skill jeecg-desform处理； 也不要与「Online报表」(cgreport)或「Online图表」(onlchart)混淆——它们是SQL驱动的只读展示。

日本語の概要は準備中です。原文の説明を表示しています。

当用户直接要求进行数据集压缩测评，或在量化调优过程中需要使用 AISBench 评测工具输出数据集精度等场景时使用。 本 Skill 负责：使用 AISBench 数据集压缩代码、用 RBF Kernel Herding 算法生成压缩后的数据子集（coreset），并按用户目标交付两种产物之一： ① 接入量化调优主流程：产出独立的 coreset 数据集配置（不覆盖原始数据），回传「全集 config_name + coreset config_name」给编排层，供 evaluation.yaml 切换； ② 仅数据集压缩测评（不做量化调优）：基于 example 模板生成「全集测试脚本」和「子集测试脚本」两份 shell 脚本。 暂时支持 AIME 2025 和 GPQA，其他数据集需要再结合 aisbench tools目录下 herding_coreset_selector 源码进行分析。

日本語の概要は準備中です。原文の説明を表示しています。

调查数据清洗Skill。处理调查数据（CGSS/CHIP/CSS等）时的标准化清洗流程，包括缺失值处理、变量编码统一、数据异常值检测。触发词：数据清洗/调查数据/codebook/数据清洗流程/问卷数据处理

日本語の概要は準備中です。原文の説明を表示しています。

金融经济学实证论文计划书生成器。根据用户提供的研究方向，生成包含标题、假说、数据来源、实证策略、 预期结果表格、稳健性检验、异质性分析、机制检验等12个完整模块的研究计划书。 内置中国微观/宏观数据库（皮皮侠1599个数据集、马克数据377个数据集）和WRDS国际数据库索引， 自动匹配可用数据源。融合Edmans (2024) "Learnings From 1000 Rejections"的编辑视角作为质量护栏， 确保选题具有真正的边际贡献而非"just another determinant of Y"。 当用户提到以下任何情境时触发：写研究计划书、research proposal、论文开题、选题+计划、 帮我设计一个实证研究、empirical research design、我想研究X对Y的影响怎么做、 帮我找个能发表的选题、generate proposal、写一个可以投稿的研究方案、 研究设计、identification strategy、DID/RDD/IV研究设计。 即使用户只是描述了一个经济金融现象并想知道"能不能做成论文"，也应考虑使用此技能。

日本語の概要は準備中です。原文の説明を表示しています。

数据类型检查工具。读取被检验表，检查指定数值型字段的数据类型是否正确（是否能转换为数值型）， 并标记不合格的数据点，最后输出为相同格式的文件。 当用户提到数据类型检查、数值类型校验、字段类型检查、数据格式校验等需求时使用此skill。 即使用户没有说出"数据类型检查"，只要任务涉及检查数据字段类型是否正确，就应该使用此skill。

日本語の概要は準備中です。原文の説明を表示しています。

ByteHouse 数据资产和血缘分析 Skill。直接通过 clickhouse-connect 查询 system.tables / system.columns，抓取指定数据库的表结构、字段、引擎等元数据，生成数据资产目录、自动打标签，并识别 Distributed/Local 之间的血缘关系与列相似性。当用户提到 "ByteHouse 数据资产"、"数据资产盘点"、"表结构分析"、"血缘分析"、"字段分析"、"表引擎分布"、"元数据目录" 等诉求时使用本 Skill。

日本語の概要は準備中です。原文の説明を表示しています。

准备测试数据 / 数据隔离 / 脱敏时使用。适用于功能测试数据准备、性能测试数据生成、生产数据脱敏复制。融合 GDPR 合规、合成数据、数据隔离三层防护。

日本語の概要は準備中です。原文の説明を表示しています。

智数分析专家团主理人（诺亚 Nova · 首席数据编排师）。协调 5 位专业成员（sql-analyst、data-scientist、knowledge-researcher、dashboard-designer、report-composer）按预设 Workflow 完成端到端数据分析交付。 触发词："分析数据"、"生成报告"、"数据画像"、"查数据库"、"数据分析"、"帮我分析"、"数据可视化"、"仪表盘"。 路由逻辑：单一维度任务走单 agent 直调；综合性任务走对应 Workflow。

日本語の概要は準備中です。原文の説明を表示しています。

当电子表格文件是主要输入或输出时使用此技能。这意味着用户想要：打开、读取、编辑或修复现有的 .xlsx、.xlsm、.csv 或 .tsv 文件（例如添加列、计算公式、格式化、制图、清理混乱数据）；从头创建新的电子表格或从其他数据源创建；或在表格文件格式之间进行转换。当用户通过名称或路径引用电子表格文件时特别触发——即使是随意提及（如"我下载目录里的 xlsx"）——并且想对其进行操作或从中生成内容。也适用于将混乱的表格数据文件（格式错误的行、错位的表头、垃圾数据）清理或重构为规范的电子表格。交付物必须是电子表格文件。当主要交付物是 Word 文档、HTML 报告、独立 Python 脚本、数据库管道或 Google Sheets API 集成时不触发，即使涉及表格数据也不触发。

日本語の概要は準備中です。原文の説明を表示しています。

tushare是一个财经数据接口包，拥有丰富的数据内容，如股票、基金、期货、数字货币等行情数据，公司财务、基金经理等基本面数据。该模块通过标准化API方式统一了数据资产的对外服务方式，以帮助有需要的技术用户更实时、简洁、轻量的使用相关数据。

日本語の概要は準備中です。原文の説明を表示しています。

当电子表格文件是主要输入或输出时使用此技能。这意味着用户想要：打开、读取、编辑或修复现有的 .xlsx、.xlsm、.csv 或 .tsv 文件（例如添加列、计算公式、格式化、制图、清理混乱数据）；从头创建新的电子表格或从其他数据源创建；或在表格文件格式之间进行转换。当用户通过名称或路径引用电子表格文件时特别触发——即使是随意提及（如"我下载目录里的 xlsx"）——并且想对其进行操作或从中生成内容。也适用于将混乱的表格数据文件（格式错误的行、错位的表头、垃圾数据）清理或重构为规范的电子表格。交付物必须是电子表格文件。当主要交付物是 Word 文档、HTML 报告、独立 Python 脚本、数据库管道或 Google Sheets API 集成时不触发，即使涉及表格数据也不触发。

日本語の概要は準備中です。原文の説明を表示しています。