Menü
CriticAgent 用于复盘单个策略 attempt 的完整流程，包含读取产物、阶段归因、过拟合判断、基准对比、风险分析和输出 next_action。
Mit Codex oder Claude installieren Kopieren Sie diesen Prompt, fügen Sie ihn in Codex, Claude oder einen anderen Assistant ein und lassen Sie die Skill-Seite prüfen und installieren.
Basierend auf der SOC-Berufsklassifikation
| name | single-attempt-review |
| description | CriticAgent 用于复盘单个策略 attempt 的完整流程，包含读取产物、阶段归因、过拟合判断、基准对比、风险分析和输出 next_action。 |
| license | Proprietary project skill |
当调用方要求你复盘一个具体 attempt 时使用本 skill。典型任务：
请复盘 run_state_path=... 下的 attempt_001。
请判断 attempt_wf_score_smoke 是否过拟合，是否值得继续优化。
调用方通常只会自然语言说明任务。你需要自行读取文件、运行必要命令并生成复盘产物。
必须从任务中识别：
run_state_path
attempt_id
如果没有明确 attempt_id，应读取 run_state.json，优先选择状态为 ready_for_review 的最近 attempt；如果仍不明确，应在最终回复中说明无法确定。
先读取：
run_state.json
attempts/{attempt_id}/optimization/attempt_summary.json
attempts/{attempt_id}/optimization/attempt_summary.md
如果 attempt_summary 不存在，先运行：
python -m strategy_lab.cli signal summarize-attempt RUN_STATE_PATH ATTEMPT_ID
然后根据 attempt_summary.json 中的 critic_inputs 读取必要文件，重点包括：
market_profile/market_profile.json
market_profile/market_profile.md
market_profile/market_profile_chart.png
attempts/{attempt_id}/strategy/strategy.py
attempts/{attempt_id}/strategy/strategy_spec.md
attempts/{attempt_id}/strategy/param_space.json
attempts/{attempt_id}/strategy/strategy_meta.json
attempts/{attempt_id}/optimization/best_individual.json
attempts/{attempt_id}/optimization/population_summary.csv
attempts/{attempt_id}/optimization/walk_forward_summary.json
attempts/{attempt_id}/backtests/full/metrics.json
attempts/{attempt_id}/backtests/full/report.md
attempts/{attempt_id}/backtests/full/equity_curve.parquet
attempts/{attempt_id}/backtests/full/benchmark_curve.parquet
attempts/{attempt_id}/backtests/full/orders.parquet
attempts/{attempt_id}/backtests/full/daily_signals.parquet
attempts/{attempt_id}/backtests/full/strategy_vs_benchmark.png
读取 parquet/csv 时，优先写小脚本或使用命令输出摘要，不要把完整数据打印进上下文。
单 attempt 复盘必须检查是否已有阶段归因：
attempts/{attempt_id}/analysis/stage_attribution/
stage_attribution.json
stage_attribution.csv
stage_attribution.md
stage_return_comparison.png
如果没有，必须先运行：
python -m strategy_lab.cli signal stage-attribution RUN_STATE_PATH ATTEMPT_ID
阶段归因用于回答：
策略在哪些市场阶段赚钱？
在哪些市场阶段跑输基准？
下跌段是否控制回撤？
震荡段是否频繁交易或失效？
上涨段收益是否只是跟随基准？
每个趋势阶段内的交易是否集中在不利位置？
trade_summary 和 trades 是否显示过度交易、追涨杀跌、迟滞退出或暴露不足？
新版 stage_attribution.json 每个阶段包含 trade_summary 和按时间顺序排列的 trades。复盘时必须结合阶段标签、阶段收益、阶段回撤和每笔交易明细，不要只看全局 order_count。
SignalAgent 当前策略统一框架是：
SignalStrategy =
RegimeDetector 市场状态识别
+ RegimeAlphaPolicy 分状态多周期 Alpha
+ Filters 辅助过滤器
+ ExitPolicy 出场与风控
+ PositionMapper 仓位映射
+ StateRules 状态与交易纪律
策略输出必须是 target_S ∈ [0, 1]，不是加减仓动作。
SignalAgent 默认优先使用 RegimeSwitchingAlpha + MultiTimeframeAlpha：先判断市场状态，再在不同状态下使用长 / 中 / 短周期组合 Alpha，最后统一映射为 target_S。
复盘时必须先从 strategy_spec.md 和 strategy_meta.json 识别该 attempt 的六个模块和 RegimeAlphaMap；如果说明文件不完整，应在复盘中指出，并根据 strategy.py 做事实推断。
提出下一轮建议时，必须按模块表达：
保留：哪个 RegimeDetector / RegimeAlphaPolicy / RegimeAlphaMap / Filter / ExitPolicy / PositionMapper / StateRules。
修改：哪个模块、为什么、依据哪项数据。
避免：不要同时大改多个模块，不要为了收益牺牲 Sharpe 和 walk-forward 稳定性。
参数：哪些参数应收窄、扩展、固定或删除。
对 RegimeSwitchingAlpha + MultiTimeframeAlpha 的复盘重点：
1. RegimeDetector 是否与 market_profile 的走势阶段和 stage_attribution 的真实阶段一致。
2. uptrend / range / downtrend / high_vol 等状态是否覆盖了主要行情，而不是过度细分。
3. 每个 regime 绑定的 Alpha 是否适合该阶段：趋势阶段是否用趋势/突破，震荡阶段是否用回归，下跌/高波是否防御。
4. 是否存在“所有 regime 共用同一个 alpha_score，只是根据 regime 调仓位”的问题；如果存在，必须指出。
5. long_window / mid_window / short_window 是否分工清楚：长期方向、中期主信号、短期入场/过热控制。
6. 不同周期是否互相确认，还是出现长期看多、短期追高、或中期信号滞后的冲突。
7. StateRules 是否抑制了 regime 频繁切换、target_S 剧烈变化和无效交易。
8. 某个阶段表现差时，要判断是 regime 识别错、该 regime 的 Alpha 不适配、PositionMapper 太保守/激进，还是 ExitPolicy 退出迟滞。
9. 如果 Alpha 本身不适合，应直接建议替换某个 regime 的 Alpha；不要只建议调参数。
可参考：
/src/strategy_lab/skills/signal_agent/strategy-authoring/references/signal_strategy_library.md
重点参考其中的 RegimeSwitchingAlpha、MultiTimeframeAlpha、Filters、ExitPolicy、PositionMapper、StateRules 模板。不要直接替 SignalAgent 写完整策略脚本；你只输出可执行的修复方向。
如果需要理解图像（调用方明确要求看图，或图像能提供数据文件没有直接表达的视觉信息时），例如：
market_profile_chart.png
strategy_vs_benchmark.png
stage_return_comparison.png
如果你是多模态模型，可以使用read_file tool或 image-review skill ；如果你不是多模态模型，只使用image-review skill
使用 image-review skill，通过命令调用独立多模态服务：
python -m strategy_lab.cli image review IMAGE_PATH --question "请描述这张图中与策略复盘有关的关键信息"
1. 总体判断
promising / weak / overfit / unstable / needs_more_tests
2. 收益质量
total_return、annual_return、sharpe、calmar、max_drawdown。
3. 基准对比
benchmark_total_return、excess_total_return、information_ratio、outperform_day_ratio。
4. train / validation / walk-forward
train_score、validation_score、walk_forward_mean_score、walk_forward_std_score、walk_forward_min_score。
5. 过拟合风险
train-validation gap、validation 是否显著好于 train、walk-forward 最差 fold、参数搜索候选数量。
6. 市场阶段适应性
使用 stage_attribution 分析每个阶段的策略收益、基准收益、超额收益、回撤、交易次数、trade_summary 和 trades。
7. Regime 与多周期 Alpha 适配性
判断策略说明中的 regime 与真实市场阶段是否匹配；判断 RegimeAlphaMap 是否清楚；判断是否所有 regime 共用同一 Alpha；判断长/中/短周期窗口是否有效分工；判断失效阶段应优先修改 RegimeDetector、某个 regime 的 Alpha、PositionMapper 还是 ExitPolicy。
8. 交易行为
order_count、signal_changes、exposure_mean、阶段内买卖次数、gross_turnover、target_signal_before/after，判断是否过度交易、过低暴露、追涨杀跌或退出迟滞。
9. 风险
最大回撤、最差阶段、最差 fold、收益是否集中在少数阶段。
10. 下一轮建议
给 SignalAgent 明确说明保留什么、修改什么、避免什么；建议必须映射到 RegimeDetector / RegimeAlphaPolicy / RegimeAlphaMap / Filters / ExitPolicy / PositionMapper / StateRules。任何阶段都可以建议替换 Alpha，只要有数据证据。
必须写入：
attempts/{attempt_id}/review/
critic_review.json
critic_review.md
next_action.json
{
"run_id": "...",
"attempt_id": "...",
"review_status": "completed",
"overall_judgement": "promising | weak | overfit | unstable | needs_more_tests",
"confidence": 0.0,
"score": 0.0,
"evidence_files": [],
"key_findings": [],
"strengths": [],
"weaknesses": [],
"overfit_analysis": {
"judgement": "low | medium | high",
"evidence": []
},
"walk_forward_analysis": {
"judgement": "stable | mixed | unstable",
"evidence": []
},
"benchmark_comparison": {
"judgement": "outperform | similar | underperform",
"evidence": []
},
"stage_attribution_analysis": {
"best_stages": [],
"worst_stages": [],
"evidence": []
},
"risk_analysis": {},
"trade_behavior_analysis": {},
"strategy_framework_analysis": {
"alpha": {"judgement": "...", "evidence": []},
"filters": {"judgement": "...", "evidence": []},
"exit_policy": {"judgement": "...", "evidence": []},
"position_mapper": {"judgement": "...", "evidence": []},
"state_rules": {"judgement": "...", "evidence": []}
},
"recommended_next_action": {
"action": "keep_and_refine | mutate_strategy | expand_param_space | narrow_param_space | discard | needs_more_tests",
"reason": "...",
"specific_instructions": []
}
}
next_action.json 是给 SignalAgent 读取的，必须短、明确、可执行：
{
"action": "keep_and_refine",
"keep": [],
"change": [],
"avoid": [],
"next_strategy_hints": [],
"next_param_space_hints": [],
"module_actions": {
"alpha": "keep | modify | replace | unclear",
"filters": "keep | add | remove | modify | unclear",
"exit_policy": "keep | add | remove | modify | unclear",
"position_mapper": "keep | modify | simplify | unclear",
"state_rules": "keep | add | remove | modify | unclear"
},
"reason": "..."
}
写完文件后，必须调用系统服务更新对应 attempt。不要手动编辑 run_state.json。
命令格式：
python -m strategy_lab.cli signal update-critic-review RUN_STATE_PATH ATTEMPT_ID --critic-review-path CRITIC_REVIEW_JSON --critic-review-md-path CRITIC_REVIEW_MD --next-action-path NEXT_ACTION_JSON --summary "复盘摘要"
示例：
python -m strategy_lab.cli signal update-critic-review artifacts\signal_runs\signal_000300_xxx\run_state.json attempt_003 --critic-review-path artifacts\signal_runs\signal_000300_xxx\attempts\attempt_003\review\critic_review.json --critic-review-md-path artifacts\signal_runs\signal_000300_xxx\attempts\attempt_003\review\critic_review.md --next-action-path artifacts\signal_runs\signal_000300_xxx\attempts\attempt_003\review\next_action.json --summary "attempt_003 已完成单 attempt 复盘。"
服务会自动写入：
status = reviewed
critic_review_path
critic_review_md_path
next_action_path
events
updated_at
最终回复前必须执行检查。检查内容：
1. review 目录下存在 critic_review.json、critic_review.md、next_action.json。
2. critic_review.json 和 next_action.json 可以被 json.loads 正常解析。
3. critic_review.md 非空，且包含总体判断、关键证据、风险分析、下一轮建议。
4. critic_review.md 必须按 Alpha / Filters / ExitPolicy / PositionMapper / StateRules 给出模块化判断。
5. run_state.json 中对应 attempt 的 status 已更新为 reviewed。
6. run_state.json 中对应 attempt 已写入 critic_review_path、critic_review_md_path、next_action_path。
7. 最终回复给调用方的路径与真实生成路径一致。
为 BudgetAgent 汇总已登记的信号层资产行情数据，生成预算层统一 OHLCV 面板、收益率宽表和数据清单。
为 BudgetAgent 基于预算层统一多资产行情面板生成 train、validation 和 walk-forward 数据切分。
指导 BudgetAgent 在预算层训练结束时登记最终选择的预算策略，生成最终选择报告并更新 budget_run_state.json。
指导 BudgetAgent 按结构化预算策略规范生成 budget_policy_config.json、budget_policy_spec.md、param_space.json 和 budget_policy_meta.json。
指导 BudgetAgent 一次性评估单个或多个预算层策略，生成参数搜索、回测摘要、阶段归因和横向排名产物。
为 BudgetAgent 生成预算层资产池画像；第一步自动补全资产简称、类型、市场、行业/主题等元数据。