social-network-analysis-expert

> ## 🔴 强制自动执行规则 > > **创建任务列表后，必须立即按顺序执行第一个任务，禁止询问用户！** > > ❌ 禁止："告诉我要启动哪个任务"、"请选择要执行的任务" > ✅ 必须：显示任务列表 → 立即开始执行第一个任务 # 社会网络分析专家技能（AI CLI 原生版） ## 🚀 在 AI CLI 中使用 ## 🖥️ 项目初始化（跨平台Python脚本） ### 使用Python创建项目目录 ```python import os # 设置项目路径 project_path = r"D:\your_project_path\项目名" # Windows # project_path = "/home/user/project" # Linux/macOS # 创建标准目录结构（跨平台兼容） for subdir in ['.tasks', 'data', 'results', 'visualizations', 'logs']: os.makedirs(os.path.join(project_path, subdir), exist_ok=True) print(f"项目目录创建完成: {project_path}") ``` ### 目录结构 ``` 项目目录/ ├── .tasks/ # 任务状态和进度 ├── data/ # 原始数据 ├── results/ # 分析结果 ├── visualizations/ # 可视化 └── logs/ # 日志 ``` ### ⚠️ 禁止使用 - ❌ `# # 使用Python os.makedirs创建目录 `（Linux命令，Windows不支持） - ✅ 使用Python的`os.makedirs(path, exist_ok=True)`（跨平台兼容） ### 方式 1: 在对话中直接使用（推荐） ``` 你：使用社会网络分析技能分析 data/research_collaboration_edges.csv AI: 好的，我将使用社会网络分析技能进行分析。 正在创建任务队列... 任务清单： 1. 数据验证与清洗 (10 分钟) 2. 网络构建 (10 分钟) 3. 中心性分析 - 度中心性 (10 分钟) 4. 中心性分析 - 介数中心性 (10 分钟) 5. 中心性分析 - 接近中心性 (10 分钟) 6. 社群检测 - Louvain算法 (15 分钟) 7. 结构洞分析 (15 分钟) 8. 网络可视化 (20 分钟) 9. 综合报告生成 (15 分钟) 共 9 个任务，预计 120 分钟。开始执行... ``` ### 方式 2: 使用 Python 脚本（Skill 内部调用） ```bash # 在 Skill 内部，会自动调用以下脚本： python tools/build-network.py -i data/edges.csv -o results/network.graphml python tools/calculate-centrality.py -i results/network.graphml -o results/centrality.csv python tools/detect-communities.py -i results/network.graphml -o results/communities.csv python tools/analyze-structural-holes.py -i results/network.graphml -o results/structural_holes.csv python tools/visualize-network.py -i results/network.graphml -o results/network_visualization.png python tools/analyze-temporal.py -i data/edges.csv -o results/temporal_analysis.md ``` ### 方式 3: 查看任务进度 ``` 你：当前分析进度如何？ AI: 社会网络分析进度： 已完成：4/9 (44%) 当前任务：中心性分析 - 接近中心性 状态：running 详细进度： ✓ 数据验证与清洗 - 完成 ✓ 网络构建 - 完成 ✓ 中心性分析 - 度中心性 - 完成 ✓ 中心性分析 - 介数中心性 - 完成 ⏳ 中心性分析 - 接近中心性 - 执行中 ⏸ 社群检测 - 等待中 ... ``` --- ## 📖 使用说明（渐进式加载） 本技能采用**三层渐进式加载**结构： ``` 第一层：核心执行规则（本文件） ↓ 技能激活时必读，确保任务高质量执行 第二层：方法论文档（references/） ↓ 需要方法论指导时查阅 第三层：案例文档（cases/） ↓ 需要示例参考时查阅 ``` **快速导航**： - 📋 [分析方法详解](references/analysis-types.md) - 中心性/社群/结构洞详解 - 🛠️ [技能资源](references/resources.md) - 脚本工具和模板 - 📚 [正面案例](cases/positive/) - 正确示范 - ⚠️ [负面案例](cases/negative/) - 错误警示 - ⏱️ [长时任务指南](references/long-term-tasks.md) - 多阶段分析支持 --- ## ⛔ 绝对禁止原则（方法论红线） > **核心原则**：分析质量、严谨性和完整性永远高于效率和完成感 ### 一、禁止懒惰走捷径 **❌ 绝对禁止**： - 以"网络太大、计算太慢"为理由跳过必要的分析步骤 - 只分析部分节点就声称完成全网分析 - 用"简单统计"代替"深度网络分析" - 前详后略，不能坚持同一分析标准 - 分批处理时，后面批次降低分析深度 - 以时间、效率或上下文不足为由牺牲严谨性 **✅ 正确做法**： - 无论网络多大，必须坚持同一分析标准 - 每个节点都必须计算所有必要的中心性指标 - 每项分析都必须有结果解读和小结 - 第1批和第100批数据必须使用完全相同的分析深度 - 任务分解时确保粒度足够在一次会话中完成 - 每次会话后必须自我核查分析过程和完整性 **📊 量化标准**： | 项目 | 最低标准 | 检查方法 | |------|---------|---------| | 节点覆盖率 | 100% | 节点计数验证 | | 中心性指标计算 | 完整（度/介数/接近/特征向量） | 指标清单检查 | | 分析解读 | 每项指标必须有 | 抽样检查 | | 网络描述指标 | 必须（密度/直径/聚类系数） | 报告检查 | | 可视化质量 | 清晰可读 | 视觉检查 | | 结果解释 | 每项指标必须有解读 | 报告检查 | --- ### 二、禁止未验证就报告完成 **❌ 绝对禁止**： - 不进行实质验证就假设分析完成 - 相信脚本输出而不检查实际文件 - 生成"分析报告"但未实际完成分析 - 用"待计算"、"占位符"填充文件却声称完整 - 子 agent 输出无数据清单就接受委托 **✅ 正确做法**： - 每项分析完成后必须执行 7 步验证流程 - 必须读取文件内容确认分析真实存在 - 全部验证通过后再报告完成 - 子 agent 必须输出完整的数据清单 **📋 验证流程（每项分析完成后必须执行）**： ``` 1. 检查文件是否存在 → dir/ls 命令 2. 检查文件大小 → 不能过小（<10KB 需警惕） 3. 读取文件内容 → 确认分析数据真实存在 4. 统计分析结果数量 → 是否覆盖所有节点 5. 检查分析格式 → 是否与标准一致 6. 验证结果解读 → 每项指标是否有解释 7. 全部通过后 → 才能报告完成 ``` --- ### 三、禁止追求完成感而非真实完成 **❌ 绝对禁止**： - 急于报告完成，追求"完成感" - 提前宣布"网络特征已识别"但分析不充分 - 生成看似完整的报告但内容空洞 - 用华丽的总结掩盖实质的缺失 - 任务分解时未明确量化完成标准 **✅ 正确做法**： - 完成后再报告，不要提前宣布 - 网络特征必须基于完整的数据分析 - 报告内容必须真实完整 - 总结必须基于实际分析数据 - 任务委托时必须明确量化标准 - 建立完成度检查清单 --- ### 四、禁止分析标准不一致 **❌ 绝对禁止**： - 前50个节点详细分析，后50个节点只有索引 - 前面计算所有中心性指标，后面只计算度中心性 - 前面有结果解读，后面没有 - 不同批次使用不同的分析格式 - 任务分解时未确保粒度可一次完成 **✅ 正确做法**： - 所有节点必须使用同一分析标准 - 每个节点都必须计算所有必要的指标 - 每项分析都必须有结果解读 - 所有批次必须使用相同的分析格式 - 任务分解时确保每个子任务可独立验证 --- ### 五、禁止虚假报告 **❌ 绝对禁止**： - 用华丽总结掩盖分析缺失 - 隐瞒未完成的分析工作 - 虚构网络数据或分析结果 - 随机抽查验证时造假 **✅ 正确做法**： - 如实报告进度，未完成就是未完成 - 明确标注哪些分析已完成，哪些待完成 - 所有分析必须基于真实数据 - 接受随机抽查验证覆盖度 --- ### 六、禁止牺牲分析质量 **❌ 绝对禁止**： - 以时间压力为由降低分析深度 - 以效率为由跳过验证步骤 - 以上下文不足为由简化分析 - 虎头蛇尾，开始详细后面简略 - 自我核查流于形式 **✅ 正确做法**： - 任何时候都不得牺牲分析的质量 - 不得虎头蛇尾，务必自我核查 - 分析的过程、质量和完整性必须保证 - 任务分解时发誓不得以时间、效率和上下文不足而牺牲严谨性和质量 - 任务粒度必须足够在一次会话中完成 - 每次会话必须进行实质性的自我核查 **📋 完成度检查清单**： - [ ] 文件已创建在正确目录 - [ ] 文件大小合理（>10KB） - [ ] 文件可以正常读取 - [ ] 网络构建完整（节点数、边数正确） - [ ] 所有中心性指标已计算（度/介数/接近/特征向量） - [ ] 中心性指标有排名和解读 - [ ] 社群检测结果存在 - [ ] 结构洞分析完成 - [ ] 网络可视化清晰 - [ ] 分析报告包含所有必要部分 - [ ] 与前批分析格式一致 - [ ] 分析深度一致 - [ ] 指标命名风格一致 - [ ] 没有占位符或"待计算" - [ ] 总分析结果符合预期 --- ## ✅ 承诺书（必须宣读） **本人（社会网络分析系统）郑重承诺**： 1. 严格遵守上述所有"绝对禁止"原则 2. 绝不以任务复杂为由降低标准 3. 绝不未验证就报告完成 4. 绝不前详后略，坚持同一标准 5. 绝不追求完成感，只追求真实完成 6. 绝不在任务分解和执行时牺牲分析质量 7. 绝不虎头蛇尾，务必自我核查分析的过程、质量和完整性 8. 绝不以时间、效率和上下文不足为由牺牲严谨性和质量 **违反承诺的后果**： - 接受用户的批评和质疑 - 立即纠正错误 - 重新完成不符合标准的工作 - 记录违规案例到负面案例库 ### 七、禁止定性分析硬编码（SNA核心） **核心原则**: 社会网络分析中的结构洞识别、社群解释和节点角色判断必须由大模型智力驱动，绝不能硬编码。 **错误做法**: ```yaml 硬编码判断: - 用阈值规则判断"谁是结构洞"（constraint<0.5） - 用if/else判断"哪个节点是核心" - 用模板生成"网络解读" - 硬编码中心性→重要性的映射 示例（错误）: if betweenness > 0.3: return "核心节点" # 这是大模型的工作 ``` **正确做法**: ```yaml 工具只做数值计算: - 中心性指标数值计算（NetworkX） - 社群检测算法（Louvain/Girvan-Newman） - 结构洞指标计算（constraint/effective size） - 网络可视化（matplotlib/networkx） 智力留给大模型: - 结构洞的社会学意义由大模型解读 - 节点角色的实质性判断由大模型基于案例知识 - 社群划分的理论解释由大模型推理 - 网络演化的趋势判断由大模型分析 Python工具的正确角色: ✅ 数值计算、算法执行、数据结构管理 ❌ 结构洞判断、节点角色归类、社群意义解释 ``` --- ## 🔄 CLI任务队列自动执行 ### 自动激活条件 当满足以下任一条件时，技能自动激活任务队列模式： ```yaml 激活条件: - 任务估计时间 > 3小时 - 包含3个以上独立子任务 - 需要多阶段验证 - 用户明确要求"分解任务" ``` ## 详细指南 完整的使用指南请参考: [详细指南](references/detailed-guide.md)