菜单
通用 LLM 推理 Skill，根据 prompt_template_id 参数加载对应 prompt 模板，调用 GPT-4.1 生成结构化决策。支持 5 种 prompt 模板（position_decision / portfolio_review / asset_allocation / performance_analysis / general_chat）对应 5 种意图。这是 v3.0 设计的核心创新——把"每意图一个推理 Skill"统一为"通用推理 Skill + 参数化 prompt 模板"。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
基于 SOC 职业分类
从投资决策建议生成确定性分批执行计划草案。规则引擎产出所有数字(触发价/数量/批次),LLM 只写解释文案。type=function_call(确定性 orchestrator,非 llm_dispatch)。
为单一持仓标的（股票/基金）生成投资决策建议。适用场景包括用户询问"X 还能拿吗"、"X 该不该卖"、"X 涨了好多要不要止盈"等明确针对单标的的决策问题。该 Skill 编排 5 个阶段的工作流：数据加载 → 前置校验 → 规则校验 → 信号生成 → LLM 推理，最后输出 6 档结构化决策（BUY/HOLD/TAKE_PROFIT/REDUCE/SELL/STOP_LOSS）。
从 WealthPilot 知识库中语义检索用户原则类知识。覆盖三类内容： 投资纪律（investment_principles）、投资风格（investment_style）、 资产配置原则（allocation_principles）。 适用于需要"用户原则视角"的决策场景。 注意：本 Skill 不负责标的相关投研观点（那是 wp-fetch-research 的职责）。
把投资决策对话上下文翻译为结构化行动清单草稿（ActionListDraft）。仅在用户点击"生成行动清单"按钮时调用，不在每轮对话中运行。trigger: manual_button_only。不被 LLM Skill Selector 选择。
加载决策所需的完整上下文，是 ExecutingAgent 启动时调用的组合 Skill（Composite Skill）。内部封装：用户画像 + 持仓快照 + 纪律配置 + target_position 查找（含 LLM 语义兜底）+ 投研观点（含 M7 三层基金判别）+ 数据告警累积。这是 v3.0 设计中明确的"组合能力"——服务于业务自然边界，不强行拆为多个原子 Skill。
计算用户当前组合各资产类别（权益/固收/另类/衍生品/货币）相对目标区间的偏离度。返回结构化 DeviationSnapshot，含每类资产的 current_pct / target_range / deviation 等。
| name | wp-reasoning |
| description | 通用 LLM 推理 Skill，根据 prompt_template_id 参数加载对应 prompt 模板，调用 GPT-4.1 生成结构化决策。支持 5 种 prompt 模板（position_decision / portfolio_review / asset_allocation / performance_analysis / general_chat）对应 5 种意图。这是 v3.0 设计的核心创新——把"每意图一个推理 Skill"统一为"通用推理 Skill + 参数化 prompt 模板"。 |
| version | 1.0.0 |
| type | llm_dispatch |
| entry_point | decision_engine.llm_engine |
| prompt_templates_dir | prompts/ |
| inputs | {"type":"object","properties":{"prompt_template_id":{"type":"string","enum":["position_decision","portfolio_review","asset_allocation","performance_analysis","general_chat"]},"user_query":{"type":"string"},"context":{"type":"object","description":"ExecutionContext 对象，含 loaded_data / rule_result / signal_result 等"}},"required":["prompt_template_id","user_query","context"]} |
| outputs | {"type":"LLMResult or GenericLLMResult","description":"含 chat_answer / structured_payload / decision / reasoning / risk"} |
| tags | ["llm","reasoning","prompt-template"] |
通用 LLM 推理能力。
v3.0 之前的设计是"每个意图一个推理 Skill"（5 个 Skill），但 5 个 Skill 之间的差异 仅在 prompt 内容，而不是"推理逻辑"——它们都是"调 LLM 拿结构化输出"。
v3.0 重新设计为：
通过 prompt_template_id 参数选择模板。这种设计：
| prompt_template_id | LLM engine 函数 | 模型 |
|---|---|---|
| position_decision | reason() | gpt-4.1, 4096 tokens |
| portfolio_review | review_portfolio() | gpt-4.1, 2048 tokens |
| asset_allocation | analyze_allocation() | gpt-4.1, 2048 tokens |
| performance_analysis | analyze_performance() | gpt-4.1, 2048 tokens |
| general_chat | chat() | gpt-4.1-mini, 512 tokens |
5 个 prompt 模板是 case 驱动迭代的产品资产（在 decision_engine/llm_engine.py 里
作为常量字符串存储）。v3.0 阶段保持这种存储方式不变，避免改动 prompt 文本。
v3.1 演进：把 prompt 抽到 prompts/*.md 独立文件，wp-reasoning 通过 prompt_template_id 加载。
# v3.0 当前阶段：通过 ExpressingAgent 调用，不直接 invoke
# v3.1 演进后：
from backend.skills import invoke_skill
result = invoke_skill(
"wp-reasoning",
prompt_template_id="position_decision",
user_query="茅台还能拿吗",
context=execution_output,
)