| name | sentiment-entity-linker |
| description | 舆情分析子技能（sentiment-entity-linker），由 sentiment-analysis-agent 编排调用。 |
子步骤：实体关联
⚠️ CRITICAL: 证据优先级 (READ FIRST)
ALWAYS follow this evidence hierarchy:
- FIRST: 硬性证据 (Hard Evidence) - 官方公告、财务报告、招股书、中标文件、合作协议、股权结构图等。
- SECOND: 可靠第三方证据 (Reliable 3rd-Party) - 主流财经媒体深度报道、权威行业报告、政府公开数据。
- THIRD: 逻辑推测 (Logical Inference) - 基于行业知识和业务逻辑的合理推断。
- NEVER use as primary evidence: 社交媒体传闻、论坛帖子、无法验证来源的自媒体文章。
Why this matters: 确保实体关联的严肃性和可信度，避免基于不实信息得出错误结论。
1. 概述 (Overview)
SentimentEntityLinker 旨在超越简单的关键词匹配，对证券行业舆情文本中的实体进行深度、多维、证据链驱动的关联。它通过整合文本信息与结构化金融数据，构建实体间的逻辑关系，确保关联的准确性和可追溯性。
ALWAYS ask yourself first:
- “本次舆情的核心驱动事件是什么？”
- “关联的目的是为了寻找投资机会还是规避风险？”
- “需要关联到多深的层次？（直接关联/二级关联/全产业链）”
1.1 流水线中的锚点优先级（必读）
在流水线里，本步骤的 user 中会包含 用户原问题、【意图识别结果】JSON 与 前序步骤输出（多步拼接）。请按下列优先级锁定实体与传导关系：
- 用户问题本身：用户明确写出的公司名、股票代码、行业/板块、事件名、时间范围 —— 这是首要锚点，必须先解析并纳入三层实体表。
- 意图识别中的
entities：用于补全、消歧与对齐（如用户只说简称时对应到标的与板块）。
- 前序步骤中的新闻/资讯/数据：作为证据与线索，用于佐证关联与传导；不得仅因某主体只出现在新闻里、而用户问题完全未涉及，就把它当作唯一核心标的（除非用户问题本就是「根据下列新闻分析」）。
- 宏观/政策/地缘类问题：即使前序新闻未覆盖同一事件，也应从「问题中的事件或政策」出发推导 受影响板块与代表公司，再与新闻证据交叉验证。
禁止：仅对前序新闻里随机出现的公司做罗列，却忽略用户在问题里点名的主体或事件。
2. 核心能力 (Capabilities)
- 多源实体识别与消歧
- 知识图谱构建与证据链关联
- 关联强度量化与类型识别
- 产业链与生态位分析
- 供应链穿透与订单级关联
3. 分析框架与使用指南 (Analytical Frameworks & Usage)
3.1 三层实体分类框架 (Three-Tier Entity Classification Framework)
为了系统性地组织从舆情中提取的实体，并理解事件影响的广度与深度，必须采用宏观、中观、微观的三层分类框架。
| 层级 | 定义 | 示例 |
|---|
| 宏观层 (Macro) | 政策主体、制度性安排、宏观经济因素 | 中美两国政府、关税政策、301调查、美国最高法院、ITC、美联储利率决议 |
| 中观层 (Meso) | 行业、板块、产业链环节、主题概念 | 出口贸易、家电、消费电子、新能源材料、稀土、农业、半导体、港口物流 |
| 微观层 (Micro) | 上市公司、个股、关键人物 | 北方稀土(600111.SH)、美的集团(000333.SZ)、贝特瑞(835185.BJ) |
3.2 事件传导路径推导方法 (Event Transmission Path Derivation)
超越简单的实体提及，必须归纳和推导出从宏观事件到微观影响的逻辑传导路径。
- 归纳核心驱动路径: 将多源新闻稿中的碎片化信息，按因果逻辑归纳为几条核心的传导路径。例如，"中美贸易谈判达成积极成果"事件，可以归纳为"成本降低"、"预期改善"、"特定协议"三条主路径。
- 构建逻辑链条: 为每条主路径构建清晰的、一步步的因果链。例如，"成本降低"路径可以分解为：
关税降低 → 美国进口商成本下降 → 增加对华采购订单 → 利好出口导向型行业。
- 可视化呈现: 使用 Mermaid 的
graph 图表将传导路径清晰地可视化，展示从宏观事件到中观行业，再到微观公司的完整逻辑链。
3.3 使用指南 (Usage)
输入要求
text: 待分析的证券舆情文本。context_entities: (可选) 预设的关注实体列表。external_data_sources: (可选) 外部金融数据源接口凭证。historical_documents_path: (可选) 历史公告、财报等文档存储路径。
关联逻辑
- 文本预处理
- 多源证据收集
- 知识图谱推理
- 结果输出
4. Red Flags & Warning Signs
🚩 关联证据薄弱: 仅有媒体猜测，无任何官方或第三方佐证。
🚩 关联逻辑牵强: 跨行业、无业务交集的“概念”炒作。
🚩 信息源单一: 所有关联证据均来自同一篇自媒体文章。
When in doubt, mark as "逻辑推测关联（待验证）".
5. 输出规范 (Output Requirements)
实体关联分析的最终输出应是一份结构化的 Markdown 报告，而非简单的 entity_pair 列表。报告必须包含以下四个核心部分：
5.1 核心关联实体表 (Three-Tier Entity Table)
使用表格形式，清晰展示在宏观、中观、微观三个层级上识别出的核心实体。
示例:
| 实体层级 | 具体实体 |
|:---|:---|
| **宏观层 (Macro)** | 中美两国政府、关税政策、ITC |
| **中观层 (Meso)** | 出口贸易、家电、新能源材料、稀土 |
| **微观层 (Micro)** | 北方稀土、美的集团、贝特瑞 |
5.2 事件传导路径图 (Event Transmission Path Diagram)
使用 Mermaid graph 图表，可视化从宏观事件到微观影响的传导路径。
5.3 影响层级划分表 (Impact Tiering Table)
根据影响的直接性、强度、确定性，将受影响的中观和微观实体划分为 Tier 1, Tier 2, Tier 3 三个层级。
示例:
| 层级 | 行业板块 | 关联逻辑 | 典型公司 |
|:---:|:---|:---|:---|
| **Tier 1**<br>**(直接核心受益)** | 家电、新能源材料 | **成本降低路径**：关税直接取消，立刻改善盈利。 | 美的集团、贝特瑞 |
| **Tier 2**<br>**(间接显著受益)** | 稀土、半导体 | **预期改善路径**：消除出口管制担忧，提振估值。 | 北方稀土、中芯国际 |
| **Tier 3**<br>**(潜在关联受益)** | 农业 | **特定协议路径**：扩大采购协议，影响复杂但利好供应链。 | 北大荒 |
5.4 详细证据链附录 (Detailed Evidence Appendix)
作为报告的附录，提供详细的实体关联证据表，用于支撑以上分析。此表应遵循以下格式：
| 关联实体对 | 关联类型 | 证据类型 | 证据详情 | 证据来源 | 验证状态 |
|---|
| (贝特瑞, ITC) | 监管裁定 | 硬性证据 | ITC裁定取消对华负极材料双反关税 | 新浪财经 | 已验证 |
| (美的集团, 关税) | 成本影响 | 逻辑推测 | 关税降低将提升其出口产品价格竞争力 | 兴业证券研报 | 已验证 |
6. Output Checklist
7. Continuous Improvement
- 本次关联中最难验证的环节是什么？
- 是否有新的数据源可以提高关联的准确性？
- 下次进行类似事件的关联时，可以如何优化流程？
