| name | industrial_sentinel |
| description | 产业链中观分析框架。三维度独立展示：产业链景气度、产业链拐点、产业链生命周期。
基于项目数据层注入的财报数据与行业数据，输出可溯源的结构化分析。
System B 仅做个股类型判定（成长/周期/价值/主题/混合），不写交易计划。
触发词：景气度、/景气度。
|
Industrial Sentinel | 产业链中观分析框架
Trigger: 当用户提到"景气度"、"/景气度"时激活。
1. 快速开始
本 skill 位于 AI_Renaissance 项目 skills/industry/industrial_sentinel/ 目录下，由 Agent 通过 runtime.py 调用。
1.1 环境准备
cd skills/industry/industrial_sentinel
./run.sh 002916.SZ
./run.sh 深南电路
前置依赖：Python 3.9+。独立方法论框架尽量只依赖标准库；项目集成模式通过 data_sources/ 使用主项目已有 provider 与依赖。
1.2 触发方式
常见触发词：/景气度 [代码]、景气度 [行业/个股]
输入股票代码、简称、行业词或 preset 时，项目级 IndustryAgent 会先做输入归一化，再调用项目 data_sources/ 获取或注入标准化数据，最后由 runtime.py 输出行业景气度、拐点状态、生命周期、个股类型和产业链结构摘要。
项目级 IndustryAgent 接入时只返回标准 Signal 和结构化 meta，不生成、不落盘、不返回 HTML 报告路径。HTML 仅用于 ./run.sh / core/pipeline.py 的独立 CLI 或人工调试模式。
CLI 完整输出（默认）：
- 产业链结构卡片（上游/中游/下游）
- 产业链景气度判定（行业周期/供需拐点/政策催化剂）
- 拐点状态（五态模型）
- 生命周期阶段
- System B 个股类型判定
- HTML 仪表盘报告
如需轻量版（只看产业链结构）：
./run.sh <code> --lite
1.3 项目级执行流程（关键）
这是本 skill 的核心设计：Skill 不直接联网抓数，项目数据层负责 provider 获取、解析和缓存。
当主项目调用 IndustryAgent.analyze() 后，应按以下流程执行：
Step 1: IndustryAgent 识别输入类型
→ stock_code / stock_name / industry / preset
Step 2: stock_code 输入调用 data_sources.industrial_sentinel
→ 获取行业景气数据、财务数据、缓存状态与降级原因
Step 3: industry / preset 输入只做框架路由
→ 不把 preset 命中当作真实景气结论
Step 4: runtime.py 消费标准化 industry_result / financial_data / config
→ 生成 direction / confidence / reasoning / signals / meta
Step 5: IndustryAgent 包装为标准 Signal
→ Signal 构造异常时返回 neutral，并标记 needs_human_review
重要：
- 不要在 Skill 内新增 provider 抓数逻辑
- 真实 fetching/parsing/provider 放在项目
data_sources/
- 数据缺失时输出低置信降级结果、
needs_data、缺失字段和采集任务，不编造行业景气度
- HTML 只属于 CLI / 人工调试路径，不进入 Orchestrator 主流程
2. 核心架构
2.1 三维度独立展示
当前框架不合成单一“产业拐点指数”，三个维度各自独立展示：
| 维度 | 核心问题 | 展示形式 |
|---|
| 产业链景气度 | 行业当前景气如何？ | 三维度描述（行业周期/供需拐点/政策催化剂）+ 真实数据 |
| 产业链拐点 | 处于五态模型的哪个阶段？ | 五态判定 + 信号匹配详情 |
| 产业链生命周期 | 行业处于生命周期的哪个阶段？ | 大卡片（导入期/成长期/成熟期/衰退期） |
禁止项：
- 三维评分（周期/供需/政策数值评分）
- 生命周期推断评分
- 任何没有真实出处的数字
必须项：
- 每个数字标注来源（财报/研报/新闻/机构）
- 每个数字标注时间
- 产业链景气度判断必须基于真实数据推断，并明确标注推断依据
- 如数据缺失，直接标注"数据缺失"，不得用算法填充
2.2 System A — 行业景气度与拐点判断
输入：标准化行业数据与同业/个股验证数据。System A 只消费行业级信号，System B 才消费个股级信号。
活跃子维度（景气度分析）：
| 子维度 | 核心问题 | 数据来源 |
|---|
| 行业周期 | 行业处于生命周期的哪个阶段？ | 产业链结构、技术成熟度、渗透率曲线 |
| 供需拐点 | 供需是否出现结构性反转？ | 订单backlog、产能利用率、库存天数、价格趋势 |
| 政策催化剂 | 政策是否进入密集释放期？ | 产业补贴、准入壁垒、技术标准、试点推广 |
休眠子维度（保留接口但不展示）：
- 宏观环境（GDP/PMI/CPI）
- 产业链验证（上下游同步共振）
输出：
- 拐点状态：拐点前 / 拐点初期 / 拐点确认 / 拐点晚期 / 拐点后衰退
- 生命周期阶段：导入期 / 成长期 / 成熟期 / 衰退期
- 信号匹配详情（具体参数 + 置信度 + 数据来源层级）
- 异动分析（偏离度/异常检测）
- 中轴共振（多维度信号一致性评估）
数据防火墙：System A 禁止输入任何公司特定数据。允许：行业订单增速、行业产能利用率、行业价格趋势。禁止：某公司订单增速、某公司现金流、某公司市场份额。
2.3 System B — 个股类型判定
定位：不做交易计划，不做仓位建议，只做类型判定。
判定规则：
| 类型 | 判定条件 |
|---|
| 成长型 | 营收增速≥25%，或2025全年营收增速≥50%；研发投入占比≥5%；处于高景气赛道 |
| 周期型 | 营收增速<25%但净利润波动大；毛利率随行业周期波动；重资产运营模式 |
| 价值型 | 营收增速<15%；ROE稳定≥10%；股息率≥2%；PE低于行业中位数 |
| 主题型 | 营收增速不稳定；受政策/事件驱动；基本面与股价背离 |
| 混合型 | 兼具两种以上特征；或多业务板块分属不同类型 |
输出：
- 个股类型（成长型/周期型/价值型/主题型/混合型）
- 判定理由（3-5句话）
- 核心矛盾（一句话提炼）
- 跟踪指标（5个后续需关注的指标）
- 风险清单（5个核心风险）
禁止：
- 不写交易计划（建仓区间、加仓触发、止盈止损）
- 不给仓位建议
- 不给目标价
2.4 产业链结构区块
展示形式：3张卡片（上游·材料与芯片 / 中游·模块与器件 / 下游·设备与云厂商）
每张卡片包含：
底部增加：
优先使用 references/preset-chains/ 中的产业链 preset；未覆盖行业应返回清晰的 needs_data 和补充任务，不返回空白结构冒充完整分析。
3. 数据层原则
3.1 数据来源层级
| 层级 | 名称 | 数据源 | 置信度基准 |
|---|
| L1 | 官方/财报 | 公司财报、交易所公告 | 90分 |
| L2 | 券商研报 | 券商研究报告 | 70分 |
| L3 | 行业新闻 | 产业新闻、公司公告 | 50分 |
| L4 | 知识库 | 历史数据、分析框架 | 30分 |
3.2 数据处理铁律
- 禁止MOCK数据：数据缺失则标注"数据缺失"，不得编造数字
- 禁止评分数字：不展示三维评分、不推断生命周期阶段评分、不用算法打分
- 来源必填：每个数据点必须携带 source + source_url + source_type + date
- 时间标注：所有数据必须标注获取时间
- 数据验证：CLI 调试时先用
scripts/validate_data.py 检查数据完整性；项目 Agent 通过 Signal.meta 暴露数据质量
3.3 数据补充流程
核心设计：框架本身不爬数据。项目级接入时，缺失数据应由 data_sources/ 或上游数据服务补齐；独立 CLI 调试时，才使用本地数据模板与采集任务清单。
项目级流程：
CLI / 手工调试流程：
./run.sh <code>
./run.sh <code>
任务清单包含什么（以光模块为例）：
| 字段 | 内容 |
|---|
task_id | 唯一标识，如 signal_barometric_InP衬底价格_0 |
layer | 所属维度（System A五态/产业链结构/生命周期/System B个股） |
chinese_queries | 中文搜索词列表，如 ["光模块 InP衬底价格 2026", "光模块 InP衬底价格 最新数据"] |
english_queries | 英文搜索词（备用） |
source_priority | 数据来源优先级，如 ["行业研报/券商调研", "行业协会/咨询机构", "公司公告"] |
required_level | ★必填 / ☆推荐 / ○可选 |
freshness | 时效要求，如 "最近30天行业数据" / "最近季度财报（90天内）" |
validation_rule | 校验规则，如 ">30%为高毛利，环比改善↑" |
fallback_strategy | 搜不到时的降级策略，如 "用往期财报毛利率推算趋势" |
field_path | 回填路径，如 industry_signals.industry_price_yoy |
数据质量校验：
补充数据时必须执行：
- 来源校验：数字必须有
source（财报/研报/新闻/公告）和 date（YYYY-MM-DD）
- 时效校验：超过90天的数据标注"数据老化"
- 优先级校验：优先使用
source_priority 排第一的来源
- 缺失降级：搜不到时用
fallback_strategy，绝不编造
- 趋势标注：按
validation_rule 标注数值趋势（↑/↓/→）
3.4 CLI 手动数据准备流程（备选）
以下流程只用于 ./run.sh / core/pipeline.py 的独立调试，不是项目级 Agent 主流程：
python scripts/generate_data_template.py <code> --name <名称> --industry <行业> --position <产业链位置>
python scripts/validate_data.py <code>
./run.sh <code>
4. 五态拐点模型
4.1 状态定义
| 状态 | 判定条件 | 研究含义 |
|---|
| 拐点前 | 信号<2个匹配，或营收增速<10% | 观察等待，补充验证数据 |
| 拐点初期 | 2-3个信号匹配，营收增速10-20% | 重点跟踪新增信号 |
| 拐点确认 | 4-5个信号匹配，营收增速≥20% | 提高行业关注优先级 |
| 拐点晚期 | 5-6个信号匹配但增速放缓 | 关注过热和反转风险 |
| 拐点后衰退 | 信号反转≥2个 | 降低关注，等待新周期证据 |
4.2 信号匹配详情
展示具体参数（产能利用率%、库存天数等）及其置信度+数据来源层级，禁止抽象评分。
5. 方法论溯源
本框架与以下方法论耦合：
| 来源 | 方法论 | 本框架映射 |
|---|
| 高盛 | 经济周期四阶段×行业轮动 | 五态拐点模型（宏观→产业链降维） |
| 桥水 | 四象限+不合成单一指标 | 三维度独立展示（景气度/拐点/生命周期各自独立） |
| 花旗 | 行业周期定位 | 产业链生命周期（渗透率曲线→技术代际+产能周期） |
| 摩根士丹利 | Q-C-G轮动+估值锚定 | System B类型判定 |
| 麦肯锡 | MECE拆解 | 产业链结构卡片（上游/中游/下游） |
| 波特 | 价值链分析 | 价值分配与议价权分析 |
6. 常见问题与排障
6.1 数据缺失
现象：报告中出现"数据缺失"
解决：
- 项目级 Agent：检查
Signal.meta.needs_data、degradation_reasons 和 data_collection_tasks
- 通过
data_sources/ 或上游数据服务补齐行业级、同业篮子和公司财务字段
- CLI 调试：可运行
python scripts/validate_data.py <code>，补齐 data/<code>_real_data.json 后重新运行 ./run.sh <code>
6.2 行业识别失败
现象："无法识别行业"
解决：检查 core/auto_detect_preset.py 的本地 preset 路由与 data_sources/ 返回的行业字段。
6.3 产业链结构不显示
现象：产业链结构区块空白
解决：优先使用 references/preset-chains/ 中的 preset YAML；未覆盖行业应新增对应 preset 结构，不要在主流程中返回空白结构冒充完整分析。
7. 维护原则
- 行业模块不维护独立发布节奏，迭代跟随主项目。
- Skill 不直接联网抓数或落盘 provider 结果，真实数据获取统一放在
data_sources/。
- System A 与 System B 的数据边界必须清晰：行业级信号判断景气度，个股级信号判断标的类型。
8. 文件结构
industrial_sentinel/
├── README.md # 项目首页
├── SKILL.md # 本文件
├── runtime.py # Agent 调用入口（run_industrial_sentinel）
├── run.sh # 启动脚本
├── core/
│ ├── pipeline.py # 主流水线（4步）
│ ├── system_a.py # 五态拐点判定 + 生命周期判定
│ ├── system_b.py # 个股类型判定
│ ├── auto_detect_preset.py # 本地 preset 路由
│ └── data_collection_guide.py # AI数据采集任务生成器
├── scripts/
│ ├── generate_data_template.py # CLI 数据模板生成器
│ └── validate_data.py # 数据验证器
├── data/
│ └── mappings/ # 股票→行业映射表
│ ├── stock-to-industry-optical.json
│ └── ...
├── references/
│ ├── framework-structure.md # 方法论详细文档
│ ├── industry-benchmark-database.yaml # 行业基准数据库
│ ├── stock-to-industry-mapping.json # 股票→行业映射
│ ├── data-requirements.md # 数据字段清单
│ ├── methodology-mapping.md # 数据→判断映射规则
│ ├── data-standardization.md # 数据标准化指南
│ └── preset-chains/ # 黄仁勋AI五层蛋糕预设
│ ├── layer1-energy/
│ │ └── ai-energy.yaml # 能源/散热/电力
│ ├── layer2-chip/
│ │ ├── ai-chip.yaml # AI芯片/先进封装
│ │ ├── semiconductor-equipment.yaml # 半导体设备/材料
│ │ └── storage.yaml # 存储/HBM
│ ├── layer3-infrastructure/
│ │ ├── optical-module.yaml # 光通信/光模块
│ │ ├── ai-infrastructure.yaml # 服务器/数据中心
│ │ └── pcb.yaml # PCB/覆铜板/载板
│ ├── layer4-model/
│ │ └── ai-model.yaml # 大模型/训练推理
│ └── layer5-application/
│ └── robotics.yaml # 机器人/具身智能
├── templates/
│ └── pipeline-output.html # HTML报告模板
└── reports/ # CLI 运行时生成报告，项目接入不依赖
方法论详细说明请参阅 references/framework-structure.md
附录：维护者代码陷阱
陷阱0：不要在 Skill runtime 里建数据抓取引擎。
真实 provider、解析、缓存和离线 fallback 都放在项目 data_sources/。Skill runtime 只消费标准化后的 industry_signals、peer_basket_signals 和 company_signals。
陷阱1：preset 路由不是景气结论。
命中 robotics、optical-module 等 preset 只能选择分析框架；没有真实行业数据时必须低置信度降级并标记 needs_data。
陷阱2：项目 Agent 不输出 HTML。
HTML 只属于 ./run.sh 或 core/pipeline.py 的 CLI/人工调试路径；IndustryAgent 只返回标准 Signal 与结构化 meta。
陷阱3：System A / System B 数据边界。
System A 消费行业级信号和同业篮子，System B 才消费个股财务信号。不要用单家公司财报直接代表行业景气度。
陷阱4：Signal 构造必须兜底。
runtime 返回缺字段、非法方向或非法置信度时，Agent 必须返回 neutral Signal，并在 meta 中标记 needs_human_review。
