원클릭으로 Manus에서 모든 스킬 실행

시작하기

$pwd:

ai-prediction-workflow

Name: Ai Prediction Workflow
Author: konglr

// Logic and process for AI-driven lottery analysis and prediction.

Manus에서 실행

$ git log --oneline --stat

stars:6

forks:2

updated:2026년 3월 7일 16:43

SKILL.md

readonly

package.json

"author": "konglr"

"repository": "konglr/Lottery"

GitHub 저장소 열기

$ install --globalskills.sh

$ download --local

Manus에서 실행

[HINT] SKILL.md 및 모든 관련 파일을 포함한 전체 스킬 디렉토리를 다운로드합니다

원클릭으로 모든 스킬 실행

name	AI Prediction Workflow
description	Logic and process for AI-driven lottery analysis and prediction.

AI Prediction Workflow

This skill documents the technical flow and logic for AI model integration within the Lottery project.

1. System Components

UI Interaction: app.py -> render_ai()
Logic Helper: funcs/ai_helper.py -> prepare_lottery_data_text(), generate_ai_prediction(), _build_prediction_prompt()
API Clients: google-genai (Gemini), openai (NVIDIA, MiniMax, DashScope)

2. Logic Flow

Step 1: Data Preparation

The user selects a lottery and the number of periods (N) to analyze. app.py extracts the latest N rows from the historical CSV data.

Step 2: Data Textualization

funcs/ai_helper.py converts the raw dataframe rows into a human-readable text format suitable for Large Language Models (LLMs). This includes draw numbers, red balls, and blue balls.

Step 3: Prompt Engineering

The system constructs a detailed "Prompt" (instruction book) for the AI. Key components:

Expert Role: Assigns the AI as a professional lottery analyst.
Constraints: Enforces lottery-specific rules (e.g., SSQ ranges 1-33).
Morphology Focus: Explicitly instructs the AI to consider "Morphological distributions" such as consecutive numbers (连号), jump numbers (跳号), and repeated numbers (重号).

Step 4: API Dispatch

The system routes the prompt to the selected AI provider:

Gemini: Direct integration via Vertex AI or Gemini API.
DeepSeek: Routes via OpenAI client using the https://api.deepseek.com base URL.
OpenAI Compatible Providers: Routes via OpenAI client using provider-specific base URLs and API keys.

Step 5: Result Rendering

The AI returns a Markdown report containing:

Deep analysis of historical patterns.
5 groups of recommended numbers (for standard lotteries) or 20 numbers (for KL8).
Rationale for the selections.

3. Key Configuration

API keys must be stored in the .Renviron file or system environment variables:

GEMINI_API_KEY
DEEPSEEK_API_KEY
NV_API_KEY (NVIDIA)
MINIMAX_API_KEY
ALIYUNCS_API_KEY (DashScope)

4. 数据同步与规范化 (Data Synchronization & Normalization)

项目使用 request_data_update.py 进行增量数据更新，并有一套严格的期号（Issue）规范化流程，以解决不同来源数据格式不一致的问题。

期号规范化规则 (`normalize_issue`)

根据彩种所属机构，系统会自动转换并统一期号格式：

体育彩票 (Sports Lottery): 统一使用 5位格式 (YYNNN)。
- 涉及彩种：超级大乐透 (281), 排列三 (283), 排列五 (284), 七星彩 (287)。
- 转换逻辑：2026022 (7位) $\rightarrow$ 26022 (5位)；7001 (4位) $\rightarrow$ 07001 (5位)。
福利彩票 (Welfare Lottery): 统一使用 7位格式 (YYYYNNN)。
- 涉及彩种：双色球 (1), 福彩3D (2), 七乐彩 (3), 快乐8 (6)。
- 转换逻辑：26024 (5位) $\rightarrow$ 2026024 (7位)。

增量更新流程 (`request_data_update.py`)

本地检测: 读取 data/ 目录下各彩种 CSV，获取最大期号，并调用 normalize_issue 进行规范化。
系统检测: 调用 get_latest_issue_from_system 获取官方接口最新期号，并同样进行规范化。
格式化比较: 将两个规范化后的期号转换为整数进行对比。
抓取与过滤: 若系统有新期号，请求最近 100 条记录。在解析时对每一条记录执行 normalize_issue，确保存入本地 CSV 的期号格式始终保持项目约定的标准。
合并与排序: 将新记录与旧数据合并，按期号降序排列并去重。

5. 自动批量预测与归档 (`ai_batch_predict.py`)

系统支持全彩种每日自动预测。当数据同步完成后，ai_batch_predict.py 会遍历所有配置的彩种，调用 Gemini 1.5 Pro/Flash 模型进行分析，并将生成的预测报告（带时间戳）保存在 data/ai_predictions_history.csv 中，供前端（如 app.py 的历史归档页面）展示。

6. 多模型机器学习引擎 (`multi_model.py`)

项目集成了一套基于传统统计学与现代机器学习的本地预测引擎，支持多种模型的并行分析与综合推荐。

6.1 建模逻辑：双奖池 vs 单奖池 (Dual-Pool vs Single-Pool)

根据彩种真实的摇奖机制，系统采用两种不同的建模策略：

双奖池模式 (Separate Pool = True):
- 适用彩种: 双色球 (SSQ), 超级大乐透 (DLT), 七星彩 (XQXC)。
- 核心逻辑: 红球和蓝球来自独立奖池（号码可重复）。
- 模型目标: 目标向量构造为 [红球位向量] + [蓝球位向量]（例如双色球为 33+16=49位）。
- 特征分离: 红球和蓝球的遗漏值（Omissions）与出现频率分别作为独立特征输入。
- 输出: 独立生成并展示红球与蓝球的推荐列表。
单奖池模式 (Separate Pool = False):
- 适用彩种: 七乐彩 (QLC), 快乐8 (KL8), 福彩3D/排列三/排列五。
- 核心逻辑: 所有号码（含特别号）来自同一奖池（号码不重复）。
- 模型目标: 视为单一序列进行整体训练。
- 输出: 针对七乐彩等彩种，从预测的 Top N 号码中按规则分离出“基本号”与“特别号”展示。

6.2 特征工程 (Feature Engineering)

引擎动态提取以下核心特征：

遗漏特征 (Omission Features): 每个号码自上次出现以来的间隔期数。双奖池模式下红蓝球遗漏独立计算。
统计特征 (Statistical Features): 动态识别并计算和值、AC值、跨度、奇数比例、大号比例、重/邻/孤号分布。
模式特征 (Pattern Features): 自动识别二连、三连、二跳、三跳等走势模式。
末尾频率 (Tail Frequencies): 号码尾数 (0-9) 的分布情况。

6.3 预测模型与综合策略 (Ensemble Strategy)

系统并行运行四种性质不同的模型：

Method A (统计相似度): 基于历史走势片段的模式匹配与属性范围分析。
Method B (随机森林 RF): 捕捉非线性特征关联，处理高维遗漏数据。
Method C (XGBoost): 梯度提升决策树，强化对强特征（如遗漏）的利用。
Method D (深度学习 LSTM): 使用 Embedding 层处理号码 ID，捕捉时序规律。

综合推荐 (Ensemble): 采用“基于回测命中率权重的标准化概率融合”方案。仅筛选历史回测表现优异的模型进入综合池，通过 Min-Max 标准化消除不同模型概率分布的差异，生成最终建议。

name	AI Prediction Workflow
description	Logic and process for AI-driven lottery analysis and prediction.

AI Prediction Workflow

This skill documents the technical flow and logic for AI model integration within the Lottery project.

1. System Components

UI Interaction: app.py -> render_ai()
Logic Helper: funcs/ai_helper.py -> prepare_lottery_data_text(), generate_ai_prediction(), _build_prediction_prompt()
API Clients: google-genai (Gemini), openai (NVIDIA, MiniMax, DashScope)

2. Logic Flow

Step 1: Data Preparation

The user selects a lottery and the number of periods (N) to analyze. app.py extracts the latest N rows from the historical CSV data.

Step 2: Data Textualization

funcs/ai_helper.py converts the raw dataframe rows into a human-readable text format suitable for Large Language Models (LLMs). This includes draw numbers, red balls, and blue balls.

Step 3: Prompt Engineering

The system constructs a detailed "Prompt" (instruction book) for the AI. Key components:

Expert Role: Assigns the AI as a professional lottery analyst.
Constraints: Enforces lottery-specific rules (e.g., SSQ ranges 1-33).
Morphology Focus: Explicitly instructs the AI to consider "Morphological distributions" such as consecutive numbers (连号), jump numbers (跳号), and repeated numbers (重号).

Step 4: API Dispatch

The system routes the prompt to the selected AI provider:

Gemini: Direct integration via Vertex AI or Gemini API.
DeepSeek: Routes via OpenAI client using the https://api.deepseek.com base URL.
OpenAI Compatible Providers: Routes via OpenAI client using provider-specific base URLs and API keys.

Step 5: Result Rendering

The AI returns a Markdown report containing:

Deep analysis of historical patterns.
5 groups of recommended numbers (for standard lotteries) or 20 numbers (for KL8).
Rationale for the selections.

3. Key Configuration

API keys must be stored in the .Renviron file or system environment variables:

GEMINI_API_KEY
DEEPSEEK_API_KEY
NV_API_KEY (NVIDIA)
MINIMAX_API_KEY
ALIYUNCS_API_KEY (DashScope)

4. 数据同步与规范化 (Data Synchronization & Normalization)

项目使用 request_data_update.py 进行增量数据更新，并有一套严格的期号（Issue）规范化流程，以解决不同来源数据格式不一致的问题。

期号规范化规则 (`normalize_issue`)

根据彩种所属机构，系统会自动转换并统一期号格式：

体育彩票 (Sports Lottery): 统一使用 5位格式 (YYNNN)。
- 涉及彩种：超级大乐透 (281), 排列三 (283), 排列五 (284), 七星彩 (287)。
- 转换逻辑：2026022 (7位) $\rightarrow$ 26022 (5位)；7001 (4位) $\rightarrow$ 07001 (5位)。
福利彩票 (Welfare Lottery): 统一使用 7位格式 (YYYYNNN)。
- 涉及彩种：双色球 (1), 福彩3D (2), 七乐彩 (3), 快乐8 (6)。
- 转换逻辑：26024 (5位) $\rightarrow$ 2026024 (7位)。

增量更新流程 (`request_data_update.py`)

本地检测: 读取 data/ 目录下各彩种 CSV，获取最大期号，并调用 normalize_issue 进行规范化。
系统检测: 调用 get_latest_issue_from_system 获取官方接口最新期号，并同样进行规范化。
格式化比较: 将两个规范化后的期号转换为整数进行对比。
抓取与过滤: 若系统有新期号，请求最近 100 条记录。在解析时对每一条记录执行 normalize_issue，确保存入本地 CSV 的期号格式始终保持项目约定的标准。
合并与排序: 将新记录与旧数据合并，按期号降序排列并去重。

5. 自动批量预测与归档 (`ai_batch_predict.py`)

6. 多模型机器学习引擎 (`multi_model.py`)

项目集成了一套基于传统统计学与现代机器学习的本地预测引擎，支持多种模型的并行分析与综合推荐。

6.1 建模逻辑：双奖池 vs 单奖池 (Dual-Pool vs Single-Pool)

根据彩种真实的摇奖机制，系统采用两种不同的建模策略：

双奖池模式 (Separate Pool = True):
- 适用彩种: 双色球 (SSQ), 超级大乐透 (DLT), 七星彩 (XQXC)。
- 核心逻辑: 红球和蓝球来自独立奖池（号码可重复）。
- 模型目标: 目标向量构造为 [红球位向量] + [蓝球位向量]（例如双色球为 33+16=49位）。
- 特征分离: 红球和蓝球的遗漏值（Omissions）与出现频率分别作为独立特征输入。
- 输出: 独立生成并展示红球与蓝球的推荐列表。
单奖池模式 (Separate Pool = False):
- 适用彩种: 七乐彩 (QLC), 快乐8 (KL8), 福彩3D/排列三/排列五。
- 核心逻辑: 所有号码（含特别号）来自同一奖池（号码不重复）。
- 模型目标: 视为单一序列进行整体训练。
- 输出: 针对七乐彩等彩种，从预测的 Top N 号码中按规则分离出“基本号”与“特别号”展示。

6.2 特征工程 (Feature Engineering)

引擎动态提取以下核心特征：

遗漏特征 (Omission Features): 每个号码自上次出现以来的间隔期数。双奖池模式下红蓝球遗漏独立计算。
统计特征 (Statistical Features): 动态识别并计算和值、AC值、跨度、奇数比例、大号比例、重/邻/孤号分布。
模式特征 (Pattern Features): 自动识别二连、三连、二跳、三跳等走势模式。
末尾频率 (Tail Frequencies): 号码尾数 (0-9) 的分布情况。

6.3 预测模型与综合策略 (Ensemble Strategy)

系统并行运行四种性质不同的模型：

Method A (统计相似度): 基于历史走势片段的模式匹配与属性范围分析。
Method B (随机森林 RF): 捕捉非线性特征关联，处理高维遗漏数据。
Method C (XGBoost): 梯度提升决策树，强化对强特征（如遗漏）的利用。
Method D (深度学习 LSTM): 使用 Embedding 层处理号码 ID，捕捉时序规律。

ai-prediction-workflow

AI Prediction Workflow

1. System Components

2. Logic Flow

Step 1: Data Preparation

Step 2: Data Textualization

Step 3: Prompt Engineering

Step 4: API Dispatch

Step 5: Result Rendering

3. Key Configuration

4. 数据同步与规范化 (Data Synchronization & Normalization)

期号规范化规则 (normalize_issue)

增量更新流程 (request_data_update.py)

5. 自动批量预测与归档 (ai_batch_predict.py)

6. 多模型机器学习引擎 (multi_model.py)

6.1 建模逻辑：双奖池 vs 单奖池 (Dual-Pool vs Single-Pool)

6.2 特征工程 (Feature Engineering)

6.3 预测模型与综合策略 (Ensemble Strategy)

AI Prediction Workflow

1. System Components

2. Logic Flow

Step 1: Data Preparation

Step 2: Data Textualization

Step 3: Prompt Engineering

Step 4: API Dispatch

Step 5: Result Rendering

3. Key Configuration

4. 数据同步与规范化 (Data Synchronization & Normalization)

期号规范化规则 (normalize_issue)

增量更新流程 (request_data_update.py)

5. 自动批量预测与归档 (ai_batch_predict.py)

6. 多模型机器学习引擎 (multi_model.py)

6.1 建模逻辑：双奖池 vs 单奖池 (Dual-Pool vs Single-Pool)

6.2 特征工程 (Feature Engineering)

6.3 预测模型与综合策略 (Ensemble Strategy)

期号规范化规则 (`normalize_issue`)

增量更新流程 (`request_data_update.py`)

5. 自动批量预测与归档 (`ai_batch_predict.py`)

6. 多模型机器学习引擎 (`multi_model.py`)

期号规范化规则 (`normalize_issue`)

增量更新流程 (`request_data_update.py`)

5. 自动批量预测与归档 (`ai_batch_predict.py`)

6. 多模型机器学习引擎 (`multi_model.py`)