메뉴
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。
Codex 또는 Claude로 설치 이 Prompt를 복사해 Codex, Claude 또는 다른 어시스턴트에 붙여 넣으면 Skill 페이지를 검토하고 설치를 진행할 수 있습니다.
SOC 직업 분류 기준
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。