القائمة
基于专家 Signal、编排 trace 与外部 MCP 工具完成 Orchestrator LLM 仲裁，输出兼容 ArbitrationResult 的最终交易决策 JSON。
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
财报分析 Skill v2。用现金流量表和资产负债表交叉验证利润表，按七步链「利润质量/现金流匹配/需求真实性/资本开支/债务与利率敏感性/扩张质量/行业特殊口径」判断公司真实经营质量；输出符合 AI_Renaissance 标准 Signal 的 JSON。触发：财报分析、财务报表、利润质量、现金流验证、合同负债、资本开支、扩张风险、Signal。
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。
基于 AkShare 的资金流全景数据契约，一次返回个股基础信息、个股主力资金、相关行业/概念板块资金、大盘主力资金与北向资金概览；真实执行逻辑位于 data_sources/akshare.py。
开发2组仲裁方法论Skill。基于桥水经济机器模型的场景化专家权重体系，支持三种模式：(1)场景设计与权重配置迭代；(2)7专家Signal仲裁执行（含场景自动选择、评分制匹配、共识/分歧标注、贡献追踪）；(3)权重回测校准。当用户讨论仲裁权重、场景选择逻辑、match_signals规则、仓位公式设计、权重校准或标准化推理链时调用。
用"节点叙事"的方式分析一家公司的发展路径——把公司的成长拆解成一系列关键决策节点（创立、转型、并购、融资、控制权变更、产品突破等），逐个节点深挖其交易结构、估值逻辑、对手方动机、买方意图、时代背景与协同效应，最终串联成一条清晰的版图扩张路径，并推演未来格局与风险。任何时候用户说"讲讲 XX 公司""分析一下 XX 公司""研究 XX 公司""XX 公司是怎么发展起来的""XX 公司的并购史""XX 公司的发展历程"——都要用这个 skill。即使用户没明说"按节点分析"或"做深度报告"，只要他们想了解一家公司是如何一步步走到今天的，就用这个 skill。这个 skill 必须配合 web_search 主动联网搜索公司的真实历史信息，绝不允许凭记忆杜撰节点、日期、金额或交易细节。
对个股、指数、ETF 或 OHLCV CSV 运行专家二组“四模型传统技术指标融合”分析。使用本工程的 fusion_traditional_models Python 程序只生成可复核 JSON 结果，再由大模型读取 JSON 并按中文模板生成融合结果解读报告。适用于用户要求测试股票、输出融合信号、解释四模型结果、生成技术面融合结果解读报告的场景。
| name | llm-arbitration-policy |
| description | 基于专家 Signal、编排 trace 与外部 MCP 工具完成 Orchestrator LLM 仲裁，输出兼容 ArbitrationResult 的最终交易决策 JSON。 |
| owner_group | 开发2组（Orchestrator） |
| domain | orchestrator |
| status | draft |
所属小组：开发2组（Orchestrator）
适用任务：
SignalBundleagents.orchestrator.arbitration.ArbitrationResult 的最终仲裁结果边界说明：
confidence，必要时输出 wait 或 holdstock_code：股票代码signal_bundle：专家 Agent 产出的信号集合，包含方向、置信度、权重、推理和来源execution_trace：Orchestrator 编排 trace，包含专家执行状态、失败数、超时数、无效数等available_skills：当前框架加载到的 Skill 列表required_output_schema：必须遵守的最终输出结构mcp_tools：可用 MCP 工具列表及注册信息signal_bundle.signals 为空，输出 decision: "wait"、direction: "neutral"，confidence 不高于 0.3，position_ratio 为 0risks 中说明数据覆盖不足，并降低 confidencerisks 或 reasoning_chain 中说明外部验证不足按下面步骤执行：
signal_bundle，按方向统计 bullish、bearish、neutral 信号数量。confidence 与 weight，评估看多、看空和中性证据强度。execution_trace，识别专家失败、超时、无效输出和数据覆盖缺口。bullish，明显偏空时为 bearish，证据冲突或不足时为 neutral。confidence：方向一致性越高、专家覆盖越完整、证据质量越高，置信度越高；反之降低。position_ratio：只在 direction 为 bullish 或 bearish 且 confidence 足够时给出非零仓位；中性或等待时为 0。bullish，且无重大风险抵消时，输出 direction: "bullish"bearish，或风险类信号强烈负面时，输出 direction: "bearish"direction: "neutral"direction: "bullish" 且 confidence >= 0.6 时，通常输出 decision: "buy"direction: "bearish" 且 confidence >= 0.6 时，通常输出 decision: "sell"direction: "neutral" 或多空证据冲突时，通常输出 decision: "hold"decision: "wait"position_ratio 必须在 0 到 1 之间decision 为 hold 或 wait 时，position_ratio 应为 0confidence、信号一致性和风险水平调整需要重点识别并写入 risks：
必须只返回一个 JSON 对象，字段如下：
{
"decision": "buy | hold | sell | wait",
"direction": "bullish | bearish | neutral",
"confidence": 0.0,
"position_ratio": 0.0,
"reasoning": "",
"signals_summary": {
"total": 0,
"bullish": 0,
"bearish": 0,
"neutral": 0,
"by_type": {}
},
"risks": [],
"reasoning_chain": []
}
字段约束：
decision 只能是 buy、hold、sell、waitdirection 只能是 bullish、bearish、neutralconfidence 必须是 0 到 1 之间的数字position_ratio 必须是 0 到 1 之间的数字signals_summary 必须是对象risks 必须是字符串数组reasoning_chain 必须是字符串数组reasoning 必须是字符串，简明说明最终结论{
"decision": "buy",
"direction": "bullish",
"confidence": 0.72,
"position_ratio": 0.25,
"reasoning": "多数高置信度专家信号偏多，且未发现足以抵消的重大风险；考虑到部分外部验证不足，仓位保持克制。",
"signals_summary": {
"total": 5,
"bullish": 3,
"bearish": 1,
"neutral": 1,
"by_type": {
"financial": {"bullish": 1, "bearish": 0, "neutral": 0},
"news": {"bullish": 1, "bearish": 0, "neutral": 0},
"risk": {"bullish": 0, "bearish": 1, "neutral": 0}
}
},
"risks": [
"存在一条风险类负面信号",
"外部 MCP 市场上下文覆盖不足"
],
"reasoning_chain": [
"统计专家信号：看多 3 条，看空 1 条，中性 1 条。",
"看多信号在数量和加权置信度上占优。",
"风险信号提示需控制仓位。",
"最终输出 buy，仓位比例 0.25。"
]
}
agents/orchestrator/arbitration_strategy.py：加载本 Skill，并将其作为 LLM 仲裁框架的外部裁决方法来源agents/orchestrator/arbitration.py：定义 ArbitrationResult 结构，约束最终输出字段agents/orchestrator/agent.py：收集专家信号后调用仲裁策略