version: "1.0.1" name: industrial_sentinel domain: industry description: | 产业链中观分析框架。三维度独立展示：产业链景气度、产业链拐点、产业链生命周期。 基于项目数据层注入的财报数据与行业数据，输出可溯源的结构化分析。 System B 仅做个股类型判定（成长/周期/价值/主题/混合），不写交易计划。 触发词：景气度、/景气度。

Industrial Sentinel | 产业链中观分析框架

Trigger: 当用户提到"景气度"、"/景气度"时激活。

1. 快速开始

本 skill 位于 AI_Renaissance 项目 skills/industry/industrial_sentinel/ 目录下，由 Agent 通过 runtime.py 调用。

1.1 环境准备

# 进入 skill 目录（在 AI_Renaissance 项目根目录下）
cd skills/industry/industrial_sentinel
 
# 运行分析（支持代码/简称）
./run.sh 002916.SZ
./run.sh 深南电路

前置依赖：Python 3.9+。独立方法论框架尽量只依赖标准库；项目集成模式通过 data_sources/ 使用主项目已有 provider 与依赖。

1.2 触发方式

常见触发词：/景气度 [代码]、景气度 [行业/个股]

输入股票代码、简称、行业词或 preset 时，项目级 IndustryAgent 会先做输入归一化，再调用项目 data_sources/ 获取或注入标准化数据，最后由 runtime.py 输出行业景气度、拐点状态、生命周期、个股类型和产业链结构摘要。

项目级 IndustryAgent 接入时只返回标准 Signal 和结构化 meta，不生成、不落盘、不返回 HTML 报告路径。HTML 仅用于 ./run.sh / core/pipeline.py 的独立 CLI 或人工调试模式。

CLI 完整输出（默认）：

• 产业链结构卡片（上游/中游/下游）
• 产业链景气度判定（行业周期/供需拐点/政策催化剂）
• 拐点状态（五态模型）
• 生命周期阶段
• System B 个股类型判定
• HTML 仪表盘报告

如需轻量版（只看产业链结构）：

./run.sh <code> --lite

1.3 项目级执行流程（关键）

这是本 skill 的核心设计：Skill 不直接联网抓数，项目数据层负责 provider 获取、解析和缓存。

当主项目调用 IndustryAgent.analyze() 后，应按以下流程执行：

Step 1: IndustryAgent 识别输入类型
        → stock_code / stock_name / industry / preset
 
Step 2: stock_code 输入调用 data_sources.industrial_sentinel
        → 获取行业景气数据、财务数据、缓存状态与降级原因
 
Step 3: industry / preset 输入只做框架路由
        → 不把 preset 命中当作真实景气结论
 
Step 4: runtime.py 消费标准化 industry_result / financial_data / config
        → 生成 direction / confidence / reasoning / signals / meta
 
Step 5: IndustryAgent 包装为标准 Signal
        → Signal 构造异常时返回 neutral，并标记 needs_human_review

重要：

• 不要在 Skill 内新增 provider 抓数逻辑
• 真实 fetching/parsing/provider 放在项目 data_sources/
• 数据缺失时输出低置信降级结果、needs_data、缺失字段和采集任务，不编造行业景气度
• HTML 只属于 CLI / 人工调试路径，不进入 Orchestrator 主流程

2. 核心架构

2.1 三维度独立展示

当前框架不合成单一“产业拐点指数”，三个维度各自独立展示：

禁止项：

• 三维评分（周期/供需/政策数值评分）
• 生命周期推断评分
• 任何没有真实出处的数字

必须项：

• 每个数字标注来源（财报/研报/新闻/机构）
• 每个数字标注时间
• 产业链景气度判断必须基于真实数据推断，并明确标注推断依据
• 如数据缺失，直接标注"数据缺失"，不得用算法填充

2.2 System A — 行业景气度与拐点判断

输入：标准化行业数据与同业/个股验证数据。System A 只消费行业级信号，System B 才消费个股级信号。

活跃子维度（景气度分析）：

休眠子维度（保留接口但不展示）：

• 宏观环境（GDP/PMI/CPI）
• 产业链验证（上下游同步共振）

输出：

• 拐点状态：拐点前 / 拐点初期 / 拐点确认 / 拐点晚期 / 拐点后衰退
• 生命周期阶段：导入期 / 成长期 / 成熟期 / 衰退期
• 信号匹配详情（具体参数 + 置信度 + 数据来源层级）
• 异动分析（偏离度/异常检测）
• 中轴共振（多维度信号一致性评估）

数据防火墙：System A 禁止输入任何公司特定数据。允许：行业订单增速、行业产能利用率、行业价格趋势。禁止：某公司订单增速、某公司现金流、某公司市场份额。

2.3 System B — 个股类型判定

定位：不做交易计划，不做仓位建议，只做类型判定。

判定规则：

输出：

• 个股类型（成长型/周期型/价值型/主题型/混合型）
• 判定理由（3-5句话）
• 核心矛盾（一句话提炼）
• 跟踪指标（5个后续需关注的指标）
• 风险清单（5个核心风险）

禁止：

• 不写交易计划（建仓区间、加仓触发、止盈止损）
• 不给仓位建议
• 不给目标价

2.4 产业链结构区块

展示形式：3张卡片（上游·材料与芯片 / 中游·模块与器件 / 下游·设备与云厂商）

每张卡片包含：

• 利润占比
• 核心玩家
• 壁垒/现状
• 议价权

底部增加：

• 价值分配总结
• 标的定位

优先使用 references/preset-chains/ 中的产业链 preset；未覆盖行业应返回清晰的 needs_data 和补充任务，不返回空白结构冒充完整分析。

3. 数据层原则

3.1 数据来源层级

3.2 数据处理铁律

1. 禁止MOCK数据：数据缺失则标注"数据缺失"，不得编造数字
2. 禁止评分数字：不展示三维评分、不推断生命周期阶段评分、不用算法打分
3. 来源必填：每个数据点必须携带 source + source_url + source_type + date
4. 时间标注：所有数据必须标注获取时间
5. 数据验证：CLI 调试时先用 scripts/validate_data.py 检查数据完整性；项目 Agent 通过 Signal.meta 暴露数据质量

3.3 数据补充流程

核心设计：框架本身不爬数据。项目级接入时，缺失数据应由 data_sources/ 或上游数据服务补齐；独立 CLI 调试时，才使用本地数据模板与采集任务清单。

项目级流程：

# 1. data_sources/ 获取或注入标准化行业数据与财务数据
# 2. IndustryAgent 将数据传入 runtime.py
# 3. runtime.py 输出 Signal 字典与 data_collection_tasks
# 4. Orchestrator 只消费标准 Signal，不依赖本地 JSON 或 HTML

CLI / 手工调试流程：

# 首次运行：数据为空 → 生成采集任务清单 → 提示补充缺失字段
./run.sh <code>
 
# 手工或调试工具补齐 data/<code>_real_data.json 后再次运行：
./run.sh <code>
# → 生成 CLI HTML 报告

任务清单包含什么（以光模块为例）：

数据质量校验：

补充数据时必须执行：

1. 来源校验：数字必须有 source（财报/研报/新闻/公告）和 date（YYYY-MM-DD）
2. 时效校验：超过90天的数据标注"数据老化"
3. 优先级校验：优先使用 source_priority 排第一的来源
4. 缺失降级：搜不到时用 fallback_strategy，绝不编造
5. 趋势标注：按 validation_rule 标注数值趋势（↑/↓/→）

3.4 CLI 手动数据准备流程（备选）

以下流程只用于 ./run.sh / core/pipeline.py 的独立调试，不是项目级 Agent 主流程：

# 1. 使用你的AI搜索工具搜索财报和行业数据
# 搜索示例："<code> Q1 2026 财报 营收 毛利率"
 
# 2. 生成空白模板
python scripts/generate_data_template.py <code> --name <名称> --industry <行业> --position <产业链位置>
 
# 3. 填入搜索到的数据
# 编辑 data/<code>_real_data.json
 
# 4. 验证数据完整性
python scripts/validate_data.py <code>
 
# 5. 生成报告
./run.sh <code>

4. 五态拐点模型

4.1 状态定义

4.2 信号匹配详情

展示具体参数（产能利用率%、库存天数等）及其置信度+数据来源层级，禁止抽象评分。

5. 方法论溯源

本框架与以下方法论耦合：

6. 常见问题与排障

6.1 数据缺失

现象：报告中出现"数据缺失" 解决：

1. 项目级 Agent：检查 Signal.meta.needs_data、degradation_reasons 和 data_collection_tasks
2. 通过 data_sources/ 或上游数据服务补齐行业级、同业篮子和公司财务字段
3. CLI 调试：可运行 python scripts/validate_data.py <code>，补齐 data/<code>_real_data.json 后重新运行 ./run.sh <code>

6.2 行业识别失败

现象："无法识别行业" 解决：检查 core/auto_detect_preset.py 的本地 preset 路由与 data_sources/ 返回的行业字段。

6.3 产业链结构不显示

现象：产业链结构区块空白 解决：优先使用 references/preset-chains/ 中的 preset YAML；未覆盖行业应新增对应 preset 结构，不要在主流程中返回空白结构冒充完整分析。

7. 维护原则

• 行业模块不维护独立发布节奏，迭代跟随主项目。
• Skill 不直接联网抓数或落盘 provider 结果，真实数据获取统一放在 data_sources/。
• System A 与 System B 的数据边界必须清晰：行业级信号判断景气度，个股级信号判断标的类型。

8. 文件结构

industrial_sentinel/
├── README.md                    # 项目首页
├── SKILL.md                     # 本文件
├── runtime.py                   # Agent 调用入口（run_industrial_sentinel）
├── run.sh                       # 启动脚本
├── core/
│   ├── pipeline.py              # 主流水线（4步）
│   ├── system_a.py              # 五态拐点判定 + 生命周期判定
│   ├── system_b.py              # 个股类型判定
│   ├── auto_detect_preset.py    # 本地 preset 路由
│   └── data_collection_guide.py # AI数据采集任务生成器
├── scripts/
│   ├── generate_data_template.py # CLI 数据模板生成器
│   └── validate_data.py         # 数据验证器
├── data/
│   └── mappings/                # 股票→行业映射表
│       ├── stock-to-industry-optical.json
│       └── ...
├── references/
│   ├── framework-structure.md   # 方法论详细文档
│   ├── industry-benchmark-database.yaml  # 行业基准数据库
│   ├── stock-to-industry-mapping.json    # 股票→行业映射
│   ├── data-requirements.md     # 数据字段清单
│   ├── methodology-mapping.md   # 数据→判断映射规则
│   ├── data-standardization.md  # 数据标准化指南
│   └── preset-chains/           # 黄仁勋AI五层蛋糕预设
│       ├── layer1-energy/
│       │   └── ai-energy.yaml           # 能源/散热/电力
│       ├── layer2-chip/
│       │   ├── ai-chip.yaml             # AI芯片/先进封装
│       │   ├── semiconductor-equipment.yaml  # 半导体设备/材料
│       │   └── storage.yaml             # 存储/HBM
│       ├── layer3-infrastructure/
│       │   ├── optical-module.yaml      # 光通信/光模块
│       │   ├── ai-infrastructure.yaml   # 服务器/数据中心
│       │   └── pcb.yaml                 # PCB/覆铜板/载板
│       ├── layer4-model/
│       │   └── ai-model.yaml            # 大模型/训练推理
│       └── layer5-application/
│           └── robotics.yaml            # 机器人/具身智能
├── templates/
│   └── pipeline-output.html     # HTML报告模板
└── reports/                     # CLI 运行时生成报告，项目接入不依赖

方法论详细说明请参阅 `references/framework-structure.md`

附录：维护者代码陷阱

陷阱0：不要在 Skill runtime 里建数据抓取引擎。 真实 provider、解析、缓存和离线 fallback 都放在项目 data_sources/。Skill runtime 只消费标准化后的 industry_signals、peer_basket_signals 和 company_signals。

陷阱1：preset 路由不是景气结论。 命中 robotics、optical-module 等 preset 只能选择分析框架；没有真实行业数据时必须低置信度降级并标记 needs_data。

陷阱2：项目 Agent 不输出 HTML。 HTML 只属于 ./run.sh 或 core/pipeline.py 的 CLI/人工调试路径；IndustryAgent 只返回标准 Signal 与结构化 meta。

陷阱3：System A / System B 数据边界。 System A 消费行业级信号和同业篮子，System B 才消费个股财务信号。不要用单家公司财报直接代表行业景气度。

陷阱4：Signal 构造必须兜底。 runtime 返回缺字段、非法方向或非法置信度时，Agent 必须返回 neutral Signal，并在 meta 中标记 needs_human_review。