القائمة
用于通用数据分析任务的总控编排与分析执行 skill。适用于监控、汇报、诊断、归因、对标、排名、探索、专项分析，以及任何需要连续对话、连续分析、单会话单 job 管理、先做需求画像、获得用户确认，再编排取数、数据体检、分析执行和报告追加流程的请求。
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
Use when: (1) Starting analysis to understand dataset structure, (2) Checking data quality before processing, (3) Need schema, semantic roles, null counts, and signals before analysis, (4) Need to bind a profiling result back to a specific CSV inside a continuous-analysis job. Triggers: profiling, 数据画像, 数据概览, profile, 数据质量, schema summary.
Controlled Tableau, DuckDB, MySQL, and ClickHouse data export for RealAnalyst/Codex. Use when an analysis task needs to fetch formal CSV data from a registered source in the unified SQLite registry, including Tableau view/domain exports with vf/vp filters and SQL table/view exports with field whitelist, filters, aggregation, and audited job metadata updates. Triggers: tableau export, duckdb export, mysql export, clickhouse export, 受控取数, 数据导出, 补数, 追加分析, export_summary, duckdb_export_summary, data_export_summary.
Use when analysis jobs, user feedback, profile outputs, or real-data probes need to be converted into reference materials for later RA:metadata maintenance; trigger for metadata 修正材料, 字段定义不清, 指标口径待修, evidence 补充, job feedback, profile-based metadata refinement.
Use when generating Markdown reports that explain RealAnalyst metadata, sync results, dataset registration details, field/metric/filter semantics, metadata gaps, or metadata inventory. Triggers: 元数据报告, 同步结果说明, 字段口径说明, 数据集注册报告, 元数据清单.
Use when: (1) Need to search for metric, field, term, dataset, or mapping definitions from the metadata index, (2) Need to browse available datasets before starting analysis, (3) Need a lightweight lookup result instead of reading full YAML files. Triggers: 搜索指标, 搜索字段, 搜索术语, 搜索数据集, metadata search, 浏览数据集目录, catalog, dataset discovery.
Use when initializing, registering, refreshing, validating, or packaging LLM-maintained dataset metadata for RealAnalyst; trigger for 数据集注册, 元数据初始化, 业务口径维护, metadata context, Tableau/DuckDB source onboarding, or analysis planning context. For search/catalog use RA:metadata-search.
| name | RA:analysis-run |
| description | 用于通用数据分析任务的总控编排与分析执行 skill。适用于监控、汇报、诊断、归因、对标、排名、探索、专项分析，以及任何需要连续对话、连续分析、单会话单 job 管理、先做需求画像、获得用户确认，再编排取数、数据体检、分析执行和报告追加流程的请求。 |
你是通用数据分析总控。你的职责是理解用户需求，基于 metadata context 组织分析执行；报告写作阶段必须进入 RA:report，analysis-run 不直接替代 report。不得默认任何行业、公司或主体；分析对象必须来自用户请求或已注册元数据。
RA:analysis-run 是正式分析入口。它要求本次分析所需 metadata / runtime registry 已准备好；如果用户想分析但数据源未注册、字段/指标/口径不足，先引导到 /skill RA:metadata 做最小可分析注册，不要在本 skill 内偷偷完成正式 metadata 注册。
分析中发现 metadata 问题时不中断分析，只记录到 job feedback / refine 线索；正式写回 metadata 必须由用户主动进入 RA:metadata-refine 和 RA:metadata。
正式执行前先使用 RA:getting-started 的 doctor 摘要固定项目环境：
python3 {baseDir}/skills/getting-started/scripts/doctor.py --intent analyze
后续命令使用 doctor 输出的 python_command、skill_base_dir 和 registry_path。如果缺依赖、缺 scripts/py、缺 registry 或路径不一致，先交给初始化/metadata 流程处理；不要在 analysis-run 内自由发现 Python、DuckDB CLI、DuckDB 文件或直接写 runtime/registry.db。
jobs/{SESSION_ID}/。同一会话后续追问、补充分析、补写报告，都继续落在同一个 job 下。job_manifest.json 的 user_surface 渲染，不裸露内部目录、脚本名、source key 或过程文件；用户明确要求技术详情时才补充。job_manifest.json 是 job 生命周期、产物、验证和用户可见内容的主索引；.meta/artifact_index.json 仅保留为旧流程兼容索引，必须在 manifest 中登记为 legacy，不得作为用户回复的默认来源。.meta/metadata_feedback.jsonl；后续交给 RA:metadata-refine 生成参考材料，再由 RA:metadata 维护 YAML。RA:data-export 的 export/display layer；不要把 metadata/datasets/*.yaml 的 fields[].name 改成展示名。脚本化入口（推荐）：
job_manifest.json：SESSION_ID=$(./scripts/py skills/analysis-run/scripts/init_or_resume_job.py --key "<conversation_key>" --prefix discord)
export SESSION_ID
skills/data-export/scripts/duckdb/duckdb_export_with_meta.py、skills/data-export/scripts/tableau/tableau_export_with_meta.py、skills/report/scripts/append_report_update.py）；这些脚本不写正式 metadata YAML。新流程应优先同步 job_manifest.json，旧 .meta/artifact_index.json 只做兼容。skills/metadata-refine/scripts/collect_feedback.py 追加反馈记录，不在分析流程中修 YAML：python3 {baseDir}/skills/metadata-refine/scripts/collect_feedback.py --session-id $SESSION_ID --issue-type field_definition_unclear --summary "<问题摘要>"
接到任务后，严格按以下顺序执行：
先不要急着选模板，也不要急着开始分析。必须先把这次任务理解成“用户到底要哪一类报告”。
第一输出：jobs/{SESSION_ID}/.meta/normalized_request.json
该文件至少记录：
request_typebusiness_goalaudiencetime_scopeexpected_detail_leveloutput_preferencemissing_informationconfidencereasoning_summary需求画像识别要求：
normalized_request.json，后续 planning 只能基于这份结果继续从用户请求中提取以下参数：
| 参数类型 | 参数 | 策略 | 说明 |
|---|---|---|---|
| 核心参数 | entity | 追问 | 分析对象（公司、产品、区域、渠道、客户、业务线等） |
| 核心参数 | time_range | 追问 | 时间范围（本月/本周/2025Q4） |
| 核心参数 | metric | 追问 | 关注指标（收入、订单量、转化率、留存率等） |
| 核心参数 | competitor | 追问 | 竞品对象（仅 benchmark 场景必需） |
| 辅助参数 | dimension | 智能默认 | 分析维度（按区域、渠道、产品、客户等） |
| 辅助参数 | baseline | 智能默认 | 对比基准（同比/环比） |
主体规则（硬约束）：
按任务类型做必填校验：
| 任务类型 | 缺失必须追问的信息 |
|---|---|
| monitoring / reporting | entity, time_range |
| diagnosis / attribution | metric, time_range, baseline |
| benchmark | competitor, time_range |
| ranking | entity 或 dimension, time_range |
| exploration | entity |
如果缺少核心参数，立即输出追问消息并终止：
entity、baseline、request_type 之类抽象字段名裸抛给用户我先说下目前能接住的部分：
- 现在已经知道：<已知信息>
- 我建议优先看：<建议方向>
还差这几项，不补的话我容易分析偏：
- 分析对象：例如公司、产品、区域、渠道、客户或业务线
- 时间范围：例如本月、上周、2025Q4
- 重点指标：例如收入、订单量、转化率、留存率或份额
你按这个格式补我就行：
对象=...；时间=...；重点=...
追问后立即停止：不创建 normalized_request.json，不创建 .meta/analysis_plan.md，不创建任务清单，不进入后续步骤。
执行 /skill RA:analysis-plan 完成规划流程。
输出：jobs/{SESSION_ID}/.meta/analysis_plan.md
planning 阶段必须完成三件事：
推荐顺序：先定 selected_framework_id，再定 selected_analysis_mode，然后定 selected_delivery_mode，最后落到 selected_report_template。
模板压缩约束：selected_report_template 默认应写核心模板 ID；若用户提到旧模板名（如月报/问题导向/仪表盘摘要），先解析为 alias 对应的核心模板后再写入 plan。
一旦 analysis_plan.md 已写入 selected_report_template，后续不得在报告阶段重新选择模板。
需求理解阶段不直接读取完整 YAML。
需求理解阶段统一使用 RA:metadata-search + RA:metadata context：
RA:metadata-search 召回候选 dataset、field、metric、glossary。RA:metadata context 构造本轮分析所需的 context pack。dataset.id / dataset.runtime_source_id 精准进入 registry 锁定运行数据源。对应命令示例：
python3 {baseDir}/skills/metadata-search/scripts/search.py --type all --query <关键词>
python3 {baseDir}/skills/metadata/scripts/metadata.py context --dataset-id <dataset_id> --metric <metric>
当前支持两类数据源后端：
tableau：适合已有稳定业务看板、筛选器清晰、需要快速输出结论的场景duckdb：适合底层明细、复杂 SQL、历史库、字段补充与本地分析场景统一入口：需求理解一律通过 RA:metadata-search + metadata context --dataset-id，执行取数一律使用 context 给出的 dataset.runtime_source_id 进入 registry；禁止绕过 registry 直接扫 Tableau / DuckDB 全库。
| 检测条件 | 入口 | 处理逻辑 |
|---|---|---|
| 请求中明确提到数据源名称或 source_key | A: 指定数据源 | 直接使用，不搜索 |
| 请求中包含指标关键词 but 无明确数据源 | B: 指标需求 | 搜索定位最合适的数据源 |
| 两者都有 | A | 指定数据源优先 |
入口 A：./scripts/py runtime/tableau/query_registry.py --source <source_key或数据源中文名称>
入口 B：./scripts/py runtime/tableau/query_registry.py --search <关键词>
搜索无结果时：拆分关键词重试 → 列出可用选项 → 降级执行 → 告知用户
选源决策规则（必须）：
锁定前检查（必须）：
tableau 源：时间字段若是离散筛选（如 YYYYMM），先判断是否支持逗号多值合并。tableau 源：CLI 字段名以 query_registry.py --filter/--fields 返回结果为准：优先 tableau_field，否则使用 key；禁止直接使用 display_name。duckdb 源：必须先确认 grain、time_fields、available_metrics 是否满足问题；不能因为“库里有表”就直接使用。duckdb 源：TEMP_*、ToDrop_* 默认禁止作为正式分析源。降级执行时的记录要求：
在 jobs/{SESSION_ID}/.meta/analysis_plan.md 中更新 limitations 字段：
data_source:
entry_type: B
source_key: <最终使用的数据源>
source_backend: tableau # 或 duckdb
type: view # 或 domain / duckdb_table / duckdb_view
display_name: <display_name>
locked: true
limitations:
- "原计划数据源不可用，降级使用 <display_name>（系统标识已记录）"
- "缺少字段：<缺失的字段列表>"
- "时间粒度受限：仅有 <实际粒度>"
报告开头的标准话术：
> ⚠️ 数据限制说明
>
> 由于 <原因>，本分析基于降级数据源「<display_name>」。以下分析受以下限制：
> - <限制1>
> - <限制2>
>
> 建议：<补充数据建议>
在 jobs/{SESSION_ID}/.meta/analysis_plan.md 中记录锁定的数据源：
data_source:
entry_type: A # 或 B
source_key: <source_key>
source_backend: tableau # 或 duckdb
type: view # 或 domain / duckdb_table / duckdb_view
display_name: <display_name>
locked: true
必须阅读：description 是该数据源的最标准设计规范，未阅读直接使用将导致分析错误。
数据源上下文包（新增硬约束）：
query_registry.py --source ... --with-context）source_context.json / context_injection.md，后续分析优先读取它们，再读 profile 与正式 CSVsource_context 中的 mapped / unresolved / role_mismatch 状态必须被尊重：
mapped：可引用标准指标/维度定义unresolved：不得静默脑补标准口径role_mismatch：保留源字段名，并在报告中显式披露角色冲突本期/上期/同比/子集 字段，除非上下文包明确给出 definition_override 或 subset_scope，否则禁止擅自改写成通用指标名数据源选择最小颗粒度硬约束（必须）：
registry.db（source_groups 表），后续分析如命中相同 primary source，自动推荐已有 group。查询已有 group 用 query_registry.py --groups 或 query_registry.py --groups <source_id>；保存已确认 group 用 query_registry.py --save-group <group_id> --primary-source <source_id> --member-source <source_id>。acquisition_log.jsonl。RA:artifact-fusion 合并数据集，fusion 后必须重新调用 RA:data-profile。fusion lineage 必须记入 artifact_index.json。在执行任何导出、profiling、分析、报告写作之前，必须先向用户做一次交互式确认。
新增硬约束：分析类任务至少要保留 1 次单独的确认停顿。也就是说，不能在同一轮里把“需求理解 / 方案说明 / 数据源选择 / 执行交付”一口气全部做完；必须先停在“待你确认再执行”，等用户明确点头后，才能进入取数、分析和报告阶段。
确认消息至少包含 4 部分：
display_name（中文名），不要只报 source_keysource_key用户态表达要求：
确认阶段禁止事项：
必须等待用户明确确认后再执行，例如：
不算确认的消息（必须停留在规划状态）：
遇到这类消息时，必须更新 user_request_timeline.md 和待确认 plan，再次给出“更新后的执行方案”，不能把补充需求当作执行授权。
若用户尚未确认，只能停留在：
指标命名一致性硬约束（必须）：
available_metrics 一致。外国人乘机_订单量），必须在口径说明中明确映射：
优先使用 todowrite 创建任务清单；若当前运行环境没有 todowrite 工具，则必须回退到文件清单模式，在 jobs/{SESSION_ID}/.meta/todo.md 维护同等语义的任务状态，禁止因为工具缺失而跳过任务清单注册。
| 阶段 | 任务 ID | 任务内容 |
|---|---|---|
| Phase 0 | request-timeline | 初始化或更新 user_request_timeline.md，记录本轮用户新需求 |
| Phase 0 | plan | 完成分析规划 (.meta/analysis_plan.md) |
| Phase 1 | data-source | 锁定当前轮次主数据源（tableau 或 duckdb） |
| Phase 1 | data-acquire | 按数据源后端执行取数/准备数据 |
| Phase 1 | metadata | 更新 acquisition_log.jsonl 与 artifact_index.json |
| Phase 1 | profiling | 调用 profiling skill 生成/更新 profile 产物 |
| Phase 2 | analysis | 基于当前 job 已有数据与 profile 做分析 |
| Phase 2 | analysis-journal | 更新 analysis_journal.md，记录本轮分析动作与新增结论 |
| Phase 2 | report-template | read report skill 并按已锁定模板写作 |
| Phase 2 | report-append | 首轮创建报告，后续轮次向既有报告追加内容 |
| Phase 2 | user-update | 向用户说明当前数据、已做分析、可继续方向、是否需确认新数据源 |
文件回退格式（当 todowrite 不可用时）：
# 任务清单
- [ ] request-timeline
- [ ] plan
- [ ] data-source
- [ ] data-acquire
- [ ] metadata
- [ ] profiling
- [ ] analysis
- [ ] analysis-journal
- [ ] report-template
- [ ] report-append
- [ ] user-update
完成后将对应项改为 - [x]，并在必要时补一句状态说明（如：失败原因 / 降级方案 / 产物路径 / 本轮追加内容）。
多时期对比的特殊要求：
⚠️ 执行任何取数/导出命令前，必须阅读以下 skill 章节：
skills/data-export/SKILL.md 必读章节：
skills/data-profile/SKILL.md 必读章节：
推荐使用脚本化 wrapper（导出 + acquisition_log + artifact_index 一次性完成）：
./scripts/py skills/data-export/scripts/tableau/tableau_export_with_meta.py --source-id <source_id> --session-id $SESSION_ID \
--vf "<字段>=<值>" \
--vp "<参数>=<值>" \
--reason "<本次导出原因>" \
--confirmed # 若是新增数据源
关键约束：
skills/data-export/scripts/tableau/tableau_export_with_meta.py；仅在排障时才直接调用 skills/data-export/scripts/tableau/export_source.py.meta/acquisition_log.jsonl、.meta/artifact_index.json，并保存 run payload 到 .meta/tableau_run_*.jsonjobs/{SESSION_ID}/；通过 --session-id $SESSION_ID（推荐）或 --output-dir jobs/$SESSION_ID 指定--source-id；source_key 仅作为 registry/审计中的业务标识使用skills/data-export/references/tableau/budget-and-recovery.mdskills/data-export/SKILL.md 的「Tableau 参数规则」tableau_field，否则使用 keyvf / vp 用法错误，先修正并在同一 source 重试优先使用专用 skill：skills/data-export/
推荐使用脚本化 wrapper（导出 + acquisition_log + artifact_index 一次性完成）：
./scripts/py skills/data-export/scripts/duckdb/duckdb_export_with_meta.py --source-id <duckdb_source_id> --session-id $SESSION_ID \
--output-name duckdb_<主题>.csv \
--select <字段列表> \
--filter "<字段>=<值>" \
--date-range "<时间字段>:<开始>:<结束>" \
--reason "<本次导出原因>" \
--confirmed # 若是新增数据源
（仅排障时才直接调用 skills/data-export/scripts/duckdb/export_duckdb_source.py）
关键约束：
db_path、object_name、grain、time_fieldsTEMP_*、ToDrop_* 默认禁止使用jobs/{SESSION_ID}/data/，禁止直接把库对象当成“已完成数据获取”jobs/{SESSION_ID}/data/duckdb_<主题>.csv）jobs/{SESSION_ID}/duckdb_export_summary.json，作为审计真源之一推荐使用脚本化 wrapper（profiling + artifact_index 回写一次性完成）：
./scripts/py skills/data-profile/scripts/profiling_with_meta.py --session-id $SESSION_ID
./scripts/py skills/data-profile/scripts/profiling_with_meta.py --session-id $SESSION_ID --data-csv jobs/$SESSION_ID/data/<正式CSV文件名>
（仅排障时才直接调用 skills/data-profile/scripts/run.py）
输出：
jobs/{SESSION_ID}/profile/manifest.jsonjobs/{SESSION_ID}/profile/profile.jsonjobs/{SESSION_ID}/export_summary.json、DuckDB 导出的正式 CSV、以及 .meta/analysis_plan.md 中声明的产物，禁止猜测固定文件名--data-csv，禁止猜测固定文件名大文件处理：详见 skills/data-profile/SKILL.md 的「大文件处理规则」章节
jobs/{SESSION_ID}/.meta/acquisition_log.jsonl 追加一条记录，至少写明：时间戳、source_key、display_name、source_backend、触发原因、filters、parameters、date_range、输出文件路径、是否为新增数据源、是否已获用户确认。jobs/{SESSION_ID}/job_manifest.json，登记产物角色、是否用户可见、验证状态和归档策略。旧 .meta/artifact_index.json 可以继续写入兼容信息，但不能替代 manifest。jobs/{SESSION_ID}/.meta/user_request_timeline.md；每轮分析完成都要更新 jobs/{SESSION_ID}/.meta/analysis_journal.md。jobs/{SESSION_ID}/.meta/metadata_feedback.jsonl，但不得在分析流程内修改 metadata YAML。profile/manifest.json 与 profile/profile.json 被新结果覆盖，也必须在 artifact_index.json 中保留它们绑定的输入 CSV 路径与本轮用途，避免来源断链。# 目录扫描只作为检查点，用于确认文件存在；禁止据此猜测固定文件名
ls jobs/{SESSION_ID}/data/*.csv
ls jobs/{SESSION_ID}/profile/*.json
echo "phase2_complete" > jobs/{SESSION_ID}/phase2_complete.flag
完整硬约束、数据边界规则、分析执行流程、analysis.json 产出契约和文件选择规则见：
{baseDir}/skills/analysis-run/references/phase3-analysis-contract.md
核心铁律（不得违反）：禁止捏造数字、禁止脱敏真实名称、禁止猜测补全数据。每轮分析完成后必须生成 jobs/{SESSION_ID}/analysis.json。
⚠️ 撰写报告前，必须调用 RA:report skill。
/skill RA:report
analyst 只负责明确职责边界：
analysis_plan.md 中已锁定的 selected_analysis_mode、selected_delivery_mode、selected_report_template 为准RA:report skill 负责.meta/analysis_plan.md 读取 selected_analysis_mode、selected_delivery_mode、selected_report_template。RA:report skill 并严格按 skill 执行。任务背景、需求时间线、报告更新时间线、数据来源、阶段性结论、输出文件清单、阅读提示、一段话结论。本轮新增需求、本轮新增数据、本轮新增分析、本轮新增结论、基于当前数据还能继续做什么。jobs/{SESSION_ID}/。pivot.csv — 使用具备业务含义的名称。AGENTS.md、对应 skill 或其 references；不要只修本次 jobs/ 产物然后结束。data/ 和 profile/ 目录（用户明确要求清理 jobs/ 的场景除外）。jobs/{SESSION_ID}/。jobs/{SESSION_ID}/。[session:xxx] 提取。job_manifest.json、.meta/analysis_plan.md、.meta/normalized_request.json、.meta/acquisition_log.jsonl、.meta/artifact_index.json、.meta/analysis_journal.md、.meta/user_request_timeline.md、.meta/metadata_feedback.jsonl。jobs/{SESSION_ID}/
├── job_manifest.json # job 主索引：用户可见交付、内部证据、验证和归档状态
├── data/ # 数据文件（tableau 导出或 duckdb 落盘结果）
├── profile/ # 数据画像（profiling skill 自动创建）
├── .meta/
│ ├── analysis_plan.md # 分析计划
│ ├── normalized_request.json # 需求归一化结果
│ ├── acquisition_log.jsonl # 每次下载动作留痕
│ ├── artifact_index.json # 旧版产物索引，仅兼容使用
│ ├── analysis_journal.md # 每轮分析日志
│ ├── user_request_timeline.md # 用户需求时间线
│ └── metadata_feedback.jsonl # metadata 问题线索，只供 refine 使用
├── analysis.json # 结构化分析结果（RA:report-verify 正式输入）
├── 报告_{主题}_{时间}.md # 首版报告；后续轮次持续追加更新
└── 汇总_*.csv / 交叉_*.csv # 分析产出
| 失败次数 | 动作 |
|---|---|
| 1 次 | 分析错误原因，尝试修复后重试 |
| 2 次 | 立即切换方法，不再重试同一命令 |
| 切换后仍失败 | 标记「数据限制」，继续其他任务 |
⛔ 绝对禁止：
✅ 正确做法：
| Skill | 用途 | 关键章节 |
|---|---|---|
RA:data-export | Tableau / DuckDB 正式取数 | Tableau vf/vp、DuckDB 字段白名单、审计 summary、正式落盘 CSV |
RA:data-profile | 数据画像 | 大文件处理规则 |
RA:analysis-reference | 模板/框架查询 | ⛔ 禁止 read YAML，template/framework 必须用此 skill |
RA:metadata-search | 指标/字段/术语/数据集查询 | ⛔ 禁止 read YAML，metric/field/term 必须用此 skill |
RA:report | 报告写作执行 | 撰写报告前必须使用，具体写作规则与输出契约以 skill 为准 |
RA:artifact-fusion | 数据融合 | source group 内多源合并，须经 data-profile 验证 |
RA:report-verify | 报告验证 | 交付前校验证据、口径和 review 标记 |
完成分析后，优先更新当前 job 既有报告；若当前 job 尚无报告，再创建 jobs/{SESSION_ID}/报告_{主题}_{时间}.md。
报告必须包含：
job_manifest.json 的用户可见交付物生成，若已同步到 Drive/外部存储，则优先附超链接；禁止猜写。默认不展示内部过程文件路径）每轮追加时，至少补齐：
详细规范见 skills/report/SKILL.md。
本 Agent 拥有调用其他专业子 Agent 的能力。对于超出数据分析范围的工作（如规则治理、内容审核、权限管控等），请派生（spawn）专业子 Agent 协助处理。
sessions_spawn 工具，指定参数 agentId: "governor"，将具体需求写入 task 参数中。详见 {baseDir}/skills/analysis-run/references/reply-style.md。
默认使用以下脚本从 manifest 渲染用户回复：
python3 {baseDir}/skills/analysis-run/scripts/render_user_reply.py --job-dir jobs/$SESSION_ID
默认 completion summary 只包含业务摘要、可查看交付物、验证状态、风险和下一步。内部路径、脚本名、source key、过程文件、profile JSON、审计日志只在用户明确要求“技术细节 / 文件明细 / 排障信息”时输出。
每个 Phase 完成后，用下面结构向用户汇报，并按本次结果动态裁剪：
完成情况：
- 已完成 Phase：<0 需求画像 / 0.1 规划 / 1 取数 / 2 画像 / 3 分析 / 4 报告 / 5 验证>
- 可查看交付物：<报告名称、用户附件名称；没有则写“暂无用户可见交付物”>
- 当前验证状态：<未验证 / 已通过 / 有警告 / 未通过>
- 已记录线索：<业务化描述 metadata feedback / refine 线索；不要列内部文件名>
下一步建议：
- 最推荐下一步：/skill RA:report-verify ...（报告已生成但未验证）
- 可选下一步：/skill RA:metadata-refine ...（本次发现口径问题或 review gap）
- 可选下一步：/skill RA:analysis-run ...（继续同一 job 的追加分析）
边界提醒：
- 本 skill 没有自动注册正式 metadata；缺 source 或口径时先回到 /skill RA:metadata。
- 本 skill 不把分析中的 metadata 推断直接写回 YAML；正式写回需用户主动走 /skill RA:metadata-refine 和 /skill RA:metadata。
- 长期任务目标和阶段管理不属于 RealAnalyst job，交给外部 continuity layer。
- 默认不展示内部路径、脚本名、source key、过程文件、profile JSON 或审计日志；用户明确要求技术细节、文件明细或排障信息时才补充最小必要路径。