@huicai/cli 2026.714.0 → 2026.721.0

package/skills/sec-compliance/references/dengbao-checklist.md

@@ -0,0 +1,43 @@
+# 等保三级技术核查与测评准备（sec-compliance 落笔件;以当日标准与测评机构口径为准）
+
+## 1. 三级高频技术核查表(自查用,测评前逐项过)
+
+| # | 要求 | 工程落点 | 证据材料 | 状态 |
+|---|---|---|---|---|
+| 1 | 双因素认证(管理/运维入口) | 后台+堡垒机 MFA:__ | 登录流程截图/配置导出 | □ |
+| 2 | 审计日志 ≥6 个月且防篡改 | 集中日志__+保留策略__+完整性__ | 保留配置/样例日志/存储量 | □ |
+| 3 | 口令策略与失败锁定 | 复杂度/有效期/锁定阈值:__ | 策略配置导出 | □ |
+| 4 | 账号与最小权限 | 季度清理记录/离职即禁流程 | 账号清单+清理记录 | □ |
+| 5 | 默认口令与测试账号清零 | 巡检:__ | 扫描记录 | □ |
+| 6 | 通信加密 | 全站 TLS(内网含)__;弱套件禁用 | 扫描报告/网关配置 | □ |
+| 7 | 存储加密(敏感字段) | 字段清单__;算法__(密评场景国密) | 字段清单+实现说明 | □ |
+| 8 | 安全区域边界 | 网络分区图/访问控制策略表 | 拓扑图+策略导出 | □ |
+| 9 | 入侵防范/恶意代码 | WAF__/主机防护__/漏洞 SLA 记录 | 部署证明+修复台账 | □ |
+| 10 | 数据备份(异地)与恢复演练 | 3-2-1:__;最近演练__ | 备份策略+演练记录 | □ |
+| 11 | 剩余信息保护 | 删除/退租清除机制:__ | 机制说明(删除证明模板) | □ |
+| 12 | 安全管理制度与培训 | 制度文档/培训记录 | 文档清单+签到 | □ |
+
+## 2. 证据包目录结构(平时归档,测评直接交)
+
+```
+等保证据/YYYY/
+├── 01-定级备案(定级报告/备案证明)
+├── 02-拓扑与资产(拓扑图/主机清单=CMDB 导出,ops-fleet)
+├── 03-配置证据(按核查表编号存截图与导出)
+├── 04-台账(漏洞修复/账号清理/补丁状态/例外清单)
+├── 05-记录(备份演练/应急演练/培训/巡检)
+└── 06-制度(管理制度/应急预案/上次测评报告与整改)
+```
+
+## 3. 整改分级登记
+
+| 风险项(测评报告编号) | 级别(高/中/低) | 整改动作 | Owner | 期限 | 复测证据 |
+|---|---|---|---|---|---|
+
+> 高风险项阻塞;中低风险带整改计划;整改项同步进安全例外台账(有期限有接受人)。
+
+## 4. 密评触发自查(适用才填)
+
+- 触发依据:□关基 □客户合同 □行业要求:__
+- 国密落点:传输套件__/存储 SM4 字段__/签名 SM2 场景__/密钥管理__
+- 双轨兼容:不支持国密的客户端占比__,降级策略__

package/skills/securities-chain/SKILL.md

@@ -0,0 +1,69 @@
+---
+name: securities-chain
+description: 证券与资本市场技能链总控（研究估值/IPO 上市/信息披露/投资分析/并购资本五条主线→技能路由与端到端工作流）。当资本市场诉求跨环节（"从辅导到上市""董秘全年披露怎么管""组合从分析到报告"）或不确定用哪个技能时先载入。
+version: 1.0.0
+---
+
+# 证券技能链总控
+
+全链三条铁律：**不构成投资建议**（quant/portfolio/research 声明必带）;
+**内幕信息高压线**（未披露重大信息不进任何分析与对外口径）;
+**规则以现行为准**（上市/披露/减持规则常修订,拿现行原文对照,中介机构牵头）。
+
+## 场景路由表
+
+| 资本市场场景 | 高频事项 | 技能 |
+|---|---|---|
+| 卖方/买方研究 | 公司研究框架/DCF 可比估值/业绩点评 | **securities-research** |
+| 行情与策略 | 收益回撤夏普/技术指标/回测 | **quant-analysis** |
+| 组合管理 | 贡献分解/Brinson 归因/再平衡 | **portfolio-analysis** |
+| IPO 上市 | 条件对照/规范整改/申报/问询 | **ipo-listing** |
+| 信息披露 | 定期临时公告/内幕管理/窗口期 | **info-disclosure** |
+| 公司治理 | 三会决议/章程/三重一大 | corporate-governance |
+| 并购与资本 | 尽调资料室/交割/ESOP/清算 | capital-ops + financial-modeling |
+| 财务底层 | 勾稽比率/建模/审计配合 | finance-chain 全链 |
+
+## 端到端工作流
+
+### ① 深度研究链（研究员）
+标的初筛（行业框架五力）→ 财务解构（finance-analysis 勾稽先行——**勾稽不过的公司
+直接红旗**）→ 业务调研（long-doc-analysis 深读年报招股书+出处引用）→ 建模
+（financial-modeling 驱动式）→ 估值（valuation:DCF 敏感性+可比分位,两法并列）→
+量化补充视角（quant-analysis:估值锚 vs 价格行为）→ 报告（securities-research 规范+
+合规声明）→ 跟踪表（业绩点评快评节奏）。
+
+### ② IPO 全程链（拟上市公司，2–3 年周期）
+体检（ipo-listing 条件对照+finance-analysis 自洁）→ 股改与治理（corporate-governance
+三会实转+章程,代持清理）→ 规范整改台账（财务/法律/治理三线并进,internal-audit
+内审先行——**中介进场前自己先审一遍**）→ 辅导期 → 申报材料（doc-chain 长文档生产线+
+全书数字一致性）→ 问询攻防（先答后证+三向一致）→ 发行上市 → **切换持续督导模式**
+（info-disclosure 接管,上市不是终点是披露义务的起点）。
+
+### ③ 董秘年度披露链（上市公司常态）
+披露日历（四期定期报告倒排+股东会节点,office-automation 例程）→ 定期报告编制
+（info-disclosure 分工矩阵+audit-chain 年审链并行）→ 临时公告值守（重大性判定留痕+
+时限管理）→ 内幕名单与窗口期台账 → 业绩说明会（pr-comms 攻防+已披露边界）→
+年度合规回顾（披露考评对照自查）。
+
+### ④ 投资组合管理链（投资者/机构）
+数据整备（行情与持仓,复权口径 quant 纪律）→ 组合体检（portfolio:贡献/集中度/相关性）→
+归因（Brinson 多期滚动——**连续同向才谈能力**）→ 再平衡评估（偏离+成本两个数）→
+定期报告（模板+图+声明）→ 例程化（月度自动出组合报告初稿）。
+
+### ⑤ 并购交易链（按单）
+标的筛选（strategy-planning 协同逻辑）→ 估值区间（valuation 三口径）→ 尽调
+（capital-ops 三资料室+ip-management IP 室+litigation-support 诉讼核查）→
+交易结构（corporate-governance 决议路径+**三重一大留痕**）→ 交割清单 →
+整合 100 天计划（project-management）→ 投后对赌跟踪（承诺条款台账）。
+
+## 自动化例程配方
+
+- 披露日历：定期报告节点 T-30/T-7 倒排提醒;窗口期开始/结束自动通知名单人员;
+- 组合月报：每月 1 日自动跑贡献+归因+偏离初稿;
+- 研究跟踪：覆盖标的业绩披露日提醒,快评模板预填;
+- 问询台账：回复截止 T-3 升级提醒。
+
+## 使用纪律
+
+链上数字同源（研究模型/申报材料/披露文件各自成体系但同源可溯）;
+所有对外产出过合规声明检查;涉未披露信息的分析仅限内部并入内幕登记视角评估。

package/skills/securities-research/SKILL.md

@@ -0,0 +1,58 @@
+---
+name: securities-research
+description: 证券研究（公司/行业研究框架、DCF 与可比估值、研报撰写规范、业绩点评）。当用户说"研报/公司研究/估值/行业分析/业绩点评/招股书分析"时使用。输出为研究分析，不构成投资建议。
+version: 1.0.0
+---
+
+# 证券研究（研究框架 + 可复算估值 + 研报规范）
+
+## 合规红线（每份产出末尾固定声明）
+
+「本内容为数据整理与研究分析,不构成投资建议;数据来自用户提供材料/公开资料,请以官方披露为准。」
+**禁止**：目标价拍脑袋（估值必须给假设与敏感性）、"必涨/建议买入"式措辞（评级留给持牌机构）、
+未标注来源的关键数据。
+
+## 公司研究框架（深度报告的章节即按此展开）
+
+1. **生意本质**：商业模式一句话（向谁收钱/为什么是它/钱怎么变多）;收入结构拆分（产品×区域×客户集中度）。
+2. **行业与格局**：空间（TAM/SAM,给测算过程）、增速驱动、竞争格局（CR5/份额趋势）、
+   产业链位置（对上下游议价力,用应收/预收结构佐证）。
+3. **护城河校验**：提出的每条壁垒都要找财务证据（高毛利持续性/研发投入/客户留存/规模成本曲线）。
+4. **财务解构**：调用 finance-analysis（勾稽→比率→杜邦→现金流质量）,研究视角加：
+   盈利驱动拆解（量×价×成本）、资本开支周期位置、股权激励与减持。
+5. **估值**（见下）；6. **风险**：至少 3 条**具体**风险（"宏观波动"不算）,每条给触发信号与影响量级。
+
+## 估值（`read_skill_file` 读 `scripts/valuation.py`，全部可复算）
+
+- **DCF**：`dcf()` —— 显性期 FCF 预测 + 永续增长;**必须输出敏感性矩阵**（WACC × 永续 g）,
+  单点估值无意义;假设表（增速/利润率/资本开支/WACC 取数逻辑）与结果同页。
+- **可比公司**：`comps()` —— PE/PB/EV-EBITDA 三口径,给中位数与分位区间;
+  可比公司选择理由必须写（业务相似性>市值相似性）。
+- 两法结果并列给区间,差异大要解释（成长期公司 DCF 敏感、周期股用 PB 分位）。
+- 亏损公司：PS/单用户价值等替代口径,并注明局限。
+
+## 业绩点评（快评模板，1 页）
+
+超预期与否（对比：一致预期/自建预期）→ 分项归因（量/价/毛利/费用/非经常）→
+对全年指引含义 → 估值位置更新 → 风险提示。全程数字说话。
+
+## 长文档场景
+
+招股书/年报深读走 long-doc-analysis（分段通读+笔记+引用）;重点区间：业务与技术、
+财务报告、风险因素、募投项目;关联交易与客户集中度专项摘录。
+
+## 产出物
+
+深度报告（docx-author,20 页级）/ 快评（1 页）/ 估值模型（xlsx,假设-测算-敏感性三 Sheet,
+公式可改）/ 路演 PPT（slides-html）。图表规范走 data-analysis。
+
+## 验收自查
+
+- [ ] 关键数据均有来源标注;测算给了过程
+- [ ] 估值有假设表 + 敏感性矩阵,无单点结论
+- [ ] 风险具体且有触发信号
+- [ ] 末尾合规声明在;无荐股措辞
+
+## 附件
+
+- `scripts/valuation.py` — dcf（含敏感性矩阵）/ comps（三口径分位）/ wacc 计算;可直接执行自测

package/skills/securities-research/scripts/valuation.py

@@ -0,0 +1,93 @@
+# 估值计算件（经 run_python 执行）：WACC / DCF（含 WACC×g 敏感性矩阵）/ 可比公司三口径。
+# 全部输出假设与过程，可复算。直接执行本文件 = 自测。
+import numpy as np
+import pandas as pd
+
+
+def wacc(rf, beta, mrp, cost_debt, tax, e_weight):
+    """WACC = E% × (rf + β×MRP) + D% × Kd × (1-t)。返回 (wacc, cost_equity)。"""
+    ke = rf + beta * mrp
+    w = e_weight * ke + (1 - e_weight) * cost_debt * (1 - tax)
+    print(f'[WACC] Ke={ke:.2%}（rf={rf:.1%} β={beta} MRP={mrp:.1%}）| WACC={w:.2%}')
+    return w, ke
+
+
+def dcf(fcf_list, wacc_rate, g, net_debt=0.0, shares=None):
+    """两阶段 DCF：显性期 FCF 列表 + 永续（Gordon）。返回 dict（企业价值/股权价值/每股）。"""
+    if g >= wacc_rate:
+        raise ValueError(f'永续增长率 g={g:.1%} ≥ WACC={wacc_rate:.1%}：模型不成立，检查假设')
+    years = np.arange(1, len(fcf_list) + 1)
+    pv_explicit = float(np.sum(np.array(fcf_list) / (1 + wacc_rate) ** years))
+    tv = fcf_list[-1] * (1 + g) / (wacc_rate - g)
+    pv_tv = tv / (1 + wacc_rate) ** len(fcf_list)
+    ev = pv_explicit + pv_tv
+    eq = ev - net_debt
+    out = {'PV显性期': round(pv_explicit, 1), 'PV永续': round(pv_tv, 1), '企业价值EV': round(ev, 1),
+           '股权价值': round(eq, 1), '永续占比%': round(pv_tv / ev * 100, 1)}
+    if shares:
+        out['每股价值'] = round(eq / shares, 2)
+    print('[DCF] ' + ' | '.join(f'{k}={v}' for k, v in out.items()))
+    if out['永续占比%'] > 80:
+        print('[DCF] ⚠ 永续价值占比 >80%：结论对 g/WACC 极敏感，务必看敏感性矩阵而非单点')
+    return out
+
+
+def dcf_sensitivity(fcf_list, wacc_center, g_center, net_debt=0.0, shares=None,
+                    wacc_step=0.005, g_step=0.005, n=2):
+    """敏感性矩阵（行=WACC，列=g），输出每股价值（无股数则股权价值）。"""
+    rows = {}
+    for dw in range(-n, n + 1):
+        w = wacc_center + dw * wacc_step
+        row = {}
+        for dg in range(-n, n + 1):
+            g = g_center + dg * g_step
+            try:
+                years = np.arange(1, len(fcf_list) + 1)
+                pv = float(np.sum(np.array(fcf_list) / (1 + w) ** years))
+                tv = fcf_list[-1] * (1 + g) / (w - g) / (1 + w) ** len(fcf_list) if g < w else np.nan
+                eq = pv + tv - net_debt
+                row[f'g={g:.1%}'] = round(eq / shares, 2) if shares else round(eq, 1)
+            except Exception:
+                row[f'g={g:.1%}'] = np.nan
+        rows[f'WACC={w:.1%}'] = row
+    m = pd.DataFrame(rows).T
+    print('[敏感性]\n' + m.to_markdown())
+    return m
+
+
+def comps(peers, target_metrics):
+    """可比公司三口径：peers 列含 名称/PE/PB/EV_EBITDA；target_metrics={'净利润':..,'净资产':..,'EBITDA':..,'净债务':..}。
+    输出各口径中位/25-75 分位隐含价值区间。"""
+    out = {}
+    for col, base, adj in (('PE', '净利润', 0), ('PB', '净资产', 0), ('EV_EBITDA', 'EBITDA', -target_metrics.get('净债务', 0))):
+        s = pd.to_numeric(peers[col], errors='coerce').dropna()
+        if not len(s) or base not in target_metrics:
+            continue
+        q25, med, q75 = s.quantile([0.25, 0.5, 0.75])
+        b = target_metrics[base]
+        out[col] = {'中位倍数': round(med, 1),
+                    '隐含价值区间': [round(q25 * b + adj, 1), round(q75 * b + adj, 1)],
+                    '中位隐含': round(med * b + adj, 1), '样本数': int(len(s))}
+    for k, v in out.items():
+        print(f'[可比] {k}: 中位 {v["中位倍数"]}x -> {v["中位隐含"]}（区间 {v["隐含价值区间"]}，n={v["样本数"]}）')
+    return out
+
+
+if __name__ == '__main__':
+    w, _ = wacc(rf=0.025, beta=1.1, mrp=0.06, cost_debt=0.045, tax=0.25, e_weight=0.7)
+    assert 0.07 < w < 0.09
+    fcf = [100, 115, 130, 145, 158]
+    r = dcf(fcf, wacc_rate=0.09, g=0.025, net_debt=200, shares=100)
+    assert r['每股价值'] > 0 and r['永续占比%'] > 50
+    try:
+        dcf(fcf, 0.05, 0.06)
+        raise AssertionError('g≥WACC 应抛错')
+    except ValueError:
+        pass
+    m = dcf_sensitivity(fcf, 0.09, 0.025, net_debt=200, shares=100)
+    assert m.shape == (5, 5) and m.iloc[0, -1] > m.iloc[-1, 0]  # 低WACC高g 应最贵
+    peers = pd.DataFrame({'名称': list('甲乙丙丁'), 'PE': [18, 22, 25, 30],
+                          'PB': [2.1, 2.8, 3.0, 4.2], 'EV_EBITDA': [10, 12, 13, 16]})
+    c = comps(peers, {'净利润': 8, '净资产': 60, 'EBITDA': 15, '净债务': 20})
+    assert c['PE']['中位隐含'] == round(23.5 * 8, 1)
+    print('OK valuation.py')

package/skills/slides-html/SKILL.md

@@ -0,0 +1,50 @@
+---
+name: slides-html
+description: 设计感/炫酷 PPT（HTML 幻灯片管线，桌面端渲染导出 PDF/PPTX）。当用户要"炫酷/好看/发布会级 PPT、设计感演示"时使用；朴素结构稿用 pptx-author。
+version: 1.0.0
+---
+
+# HTML 幻灯片（桌面端专属管线：HTML → 渲染 → PDF/PPTX/放映页）
+
+原理：每页 = 一个 1280×720 的自包含 HTML；桌面端 `slides_render` 工具离屏逐页渲染——
+产出每页 PNG 缩略图、整份 PDF、整页贴图 PPTX 与键盘翻页的放映 HTML，并把**每页截图注入给你自检**。
+表现力上限=CSS（渐变/阴影/网格排版），远超 python-pptx 版式。
+
+## 流程
+
+1. **大纲先行**：逐页大纲（每页=标题+要点+版式选择），页数 8–15，重要汇报先让用户确认。
+2. **读模板**：`read_skill_file` 读 `scripts/template.html`——含四主题（navy/tech/mono/warm）CSS 变量
+   与七种版式（cover/section/bullets/two-col/kpi/quote/end）的完整片段。
+3. **逐页产出**：写 `slides/01-cover.html`、`slides/02-agenda.html`…（两位数前缀定顺序）。
+   每个文件 = 模板骨架 + 选定版式片段填入内容；**整页自包含**。
+4. **渲染**：调用 `slides_render`（参数 dir="slides"、name="<中文成品名>"）。
+5. **自检回路（关键）**：对照注入的每页截图过验收清单——溢出/截断/挤压/对比度不足，
+   改对应 html 后**重新渲染**，直到全部合格再交付。
+6. 交付物：`<name>.pdf`（首选交付）、`<name>.pptx`（整页贴图，**不可编辑文字**——如实告知用户，
+   要可编辑版用 pptx-author 另出结构稿）、`<name>-放映.html`（内置浏览器/浏览器全屏演示）。
+
+## 硬约束（违反=渲染必翻车）
+
+- 尺寸锁死：`.slide` 1280×720、`overflow:hidden`；内容装不下就**拆页**，禁止缩小字号硬塞。
+- **禁一切外链**（CDN 字体/图标/脚本）：离屏渲染不等外网，字体用系统栈
+  `-apple-system, "PingFang SC", "Microsoft YaHei", sans-serif`；图标用 Emoji/Unicode/内联 SVG。
+- 图片用相对路径引用项目内文件（如 `../销售图.png`），必须是已存在的文件。
+- 字号下限 18px（正文 22px+，标题 44px+）；每页一个视觉焦点；要点 ≤5 条 × ≤20 字。
+- 图表：先按 data-analysis 出 png 再引用，或直接内联 SVG 手绘简图。
+
+## 无 slides_render 工具时（CLI / IDE / 例程环境）
+
+工具仅桌面端注册。此时仍按上述规范产出 `slides/*.html` 并告知用户：
+「在 Work Twin 桌面端打开本目录可一键渲染导出 PDF/PPTX」；或改用 pptx-author 出直接可用的结构稿。
+
+## 验收自查（对照注入截图逐页过）
+
+- [ ] 无溢出/截断（右缘底缘完整，无被吃掉的行）
+- [ ] 中文全部正常渲染，无缺字方块
+- [ ] 主题一致（同一套配色变量，无串色页）
+- [ ] 每页焦点清晰，文字对比度充足（浅底深字/深底浅字）
+- [ ] 已如实告知用户 PPTX 为贴图不可编辑
+
+## 附件
+
+- `scripts/template.html` — 骨架 + 四主题变量 + 七版式片段（可直接浏览器打开预览）

package/skills/slides-html/scripts/template.html

@@ -0,0 +1,117 @@
+<!DOCTYPE html>
+<!-- slides-html 模板：每页幻灯片 = 本骨架 + 下方选一个版式片段放入 <body>。
+     用法：拷本文件为 slides/NN-xxx.html，改 <html data-theme="...">，body 里只留一个 .slide。
+     主题：navy(深蓝商务,默认) / tech(科技紫) / mono(极简灰) / warm(活力橙)。
+     硬约束：1280×720、overflow:hidden、禁外链（字体系统栈/图标 Emoji/图用相对路径或内联 SVG）。 -->
+<html lang="zh-CN" data-theme="navy">
+<head>
+<meta charset="utf-8">
+<style>
+  :root { --bg:#ffffff; --text:#333333; --muted:#7a828e; }
+  [data-theme="navy"] { --primary:#1F4E79; --accent:#2E75B6; --soft:#DEEBF7; --grad:linear-gradient(135deg,#16385c,#2E75B6); }
+  [data-theme="tech"] { --primary:#5B2D90; --accent:#9A66CC; --soft:#EDE4F7; --grad:linear-gradient(135deg,#3d1e63,#9A66CC); }
+  [data-theme="mono"] { --primary:#333333; --accent:#7F7F7F; --soft:#F2F2F2; --grad:linear-gradient(135deg,#2b2b2b,#6e6e6e); }
+  [data-theme="warm"] { --primary:#C55A11; --accent:#ED7D31; --soft:#FBE5D6; --grad:linear-gradient(135deg,#8f3f08,#ED7D31); }
+
+  * { margin:0; padding:0; box-sizing:border-box; }
+  body { width:1280px; height:720px; overflow:hidden;
+         font-family:-apple-system,"PingFang SC","Microsoft YaHei","Noto Sans CJK SC",sans-serif;
+         background:var(--bg); color:var(--text); }
+  .slide { width:1280px; height:720px; overflow:hidden; position:relative; padding:56px 72px; }
+  .bar { position:absolute; top:0; left:0; right:0; height:10px; background:var(--accent); }
+  h1 { font-size:30px; color:var(--primary); margin-bottom:28px; }
+  .foot { position:absolute; bottom:22px; left:72px; right:72px; display:flex; justify-content:space-between;
+          font-size:14px; color:var(--muted); }
+</style>
+</head>
+<body>
+
+<!-- ═══ 版式 1/7：cover 封面（深色渐变整版） ═══ -->
+<div class="slide" style="background:var(--grad); color:#fff; display:flex; flex-direction:column; justify-content:center;">
+  <div style="font-size:20px; opacity:.75; letter-spacing:6px; margin-bottom:18px;">2026 · 半年度</div>
+  <div style="font-size:58px; font-weight:700; line-height:1.25;">经营分析与下半年计划</div>
+  <div style="width:88px; height:5px; background:#fff; opacity:.85; margin:30px 0;"></div>
+  <div style="font-size:20px; opacity:.85;">数据一部 · 2026-07</div>
+</div>
+
+<!-- ═══ 版式 2/7：section 章节页 ═══
+<div class="slide" style="display:flex; align-items:center;">
+  <div class="bar"></div>
+  <div>
+    <div style="font-size:88px; font-weight:700; color:var(--soft); position:absolute; top:120px;">01</div>
+    <div style="font-size:46px; font-weight:700; color:var(--primary); position:relative;">经营概览</div>
+    <div style="font-size:20px; color:var(--muted); margin-top:16px; position:relative;">整体达成 · 分区表现 · 关键变化</div>
+  </div>
+</div>
+═══ -->
+
+<!-- ═══ 版式 3/7：bullets 要点页 ═══
+<div class="slide">
+  <div class="bar"></div>
+  <h1>核心结论</h1>
+  <ul style="list-style:none; font-size:24px; line-height:2.1;">
+    <li>▸ 营收 <b style="color:var(--primary)">3.6 亿</b>，同比 +18%</li>
+    <li>▸ 毛利率 32.5%，环比 +1.2pct</li>
+    <li>▸ 华东贡献过半，西南承压明显</li>
+  </ul>
+  <div class="foot"><span>Work Twin</span><span>3 / 12</span></div>
+</div>
+═══ -->
+
+<!-- ═══ 版式 4/7：two-col 图文页（图用相对路径引项目内已有文件） ═══
+<div class="slide">
+  <div class="bar"></div>
+  <h1>分区域销售</h1>
+  <div style="display:flex; gap:40px; align-items:center; height:520px;">
+    <img src="../销售图.png" style="max-width:640px; max-height:500px; border-radius:10px; box-shadow:0 12px 36px rgba(0,0,0,.14);">
+    <ul style="list-style:none; font-size:22px; line-height:2; flex:1;">
+      <li>▸ 华东领先：1.2 亿（+21%）</li>
+      <li>▸ 华南稳健：0.95 亿（+9%）</li>
+      <li>▸ 西南下滑：0.64 亿（-6%）</li>
+    </ul>
+  </div>
+  <div class="foot"><span>Work Twin</span><span>5 / 12</span></div>
+</div>
+═══ -->
+
+<!-- ═══ 版式 5/7：kpi 大数字页 ═══
+<div class="slide">
+  <div class="bar"></div>
+  <h1>核心指标</h1>
+  <div style="display:flex; gap:32px; margin-top:64px;">
+    <div style="flex:1; background:var(--soft); border-radius:16px; padding:44px 0; text-align:center;">
+      <div style="font-size:54px; font-weight:700; color:var(--primary);">3.6 亿</div>
+      <div style="font-size:18px; color:var(--muted); margin-top:10px;">营收</div>
+    </div>
+    <div style="flex:1; background:var(--soft); border-radius:16px; padding:44px 0; text-align:center;">
+      <div style="font-size:54px; font-weight:700; color:var(--primary);">+18%</div>
+      <div style="font-size:18px; color:var(--muted); margin-top:10px;">同比增速</div>
+    </div>
+    <div style="flex:1; background:var(--soft); border-radius:16px; padding:44px 0; text-align:center;">
+      <div style="font-size:54px; font-weight:700; color:var(--primary);">32.5%</div>
+      <div style="font-size:18px; color:var(--muted); margin-top:10px;">毛利率</div>
+    </div>
+  </div>
+  <div class="foot"><span>Work Twin</span><span>4 / 12</span></div>
+</div>
+═══ -->
+
+<!-- ═══ 版式 6/7：quote 引用/金句页 ═══
+<div class="slide" style="display:flex; align-items:center; justify-content:center; background:var(--soft);">
+  <div style="max-width:900px; text-align:center;">
+    <div style="font-size:120px; color:var(--accent); line-height:.6; font-family:Georgia,serif;">“</div>
+    <div style="font-size:34px; font-weight:600; color:var(--primary); line-height:1.7;">增长的关键不是更多线索，而是把交付周期从 14 天压到 5 天。</div>
+    <div style="font-size:18px; color:var(--muted); margin-top:26px;">—— 华东大区复盘</div>
+  </div>
+</div>
+═══ -->
+
+<!-- ═══ 版式 7/7：end 结尾页 ═══
+<div class="slide" style="background:var(--grad); color:#fff; display:flex; flex-direction:column; align-items:center; justify-content:center;">
+  <div style="font-size:52px; font-weight:700;">谢谢 · 欢迎讨论</div>
+  <div style="font-size:18px; opacity:.8; margin-top:22px;">附件：完整数据表与分析报告见交付物中心</div>
+</div>
+═══ -->
+
+</body>
+</html>

package/skills/statistical-testing/SKILL.md

@@ -0,0 +1,51 @@
+---
+name: statistical-testing
+description: 专业统计分析与假设检验（t 检验、卡方、方差分析 ANOVA、相关、正态性、效应量与检验力）。当用户说"有没有显著差异/显著性/假设检验/两组比较/相关性/方差分析"时使用。Excel 分析链之统计环。
+version: 1.0.0
+---
+
+# 专业统计与假设检验（Excel 分析链 · 统计环；全景见 excel-analysis-chain）
+
+统计检验的价值是**区分"真差异"与"随机波动"**——但它极易被误用。本技能内置误用防护。
+
+## 检验选择决策（先选对再算，`read_skill_file` 读 `scripts/stat_tests.py`）
+
+| 问题 | 数据 | 方法 | 函数 |
+|---|---|---|---|
+| 两组均值有差异吗 | 连续，两组 | 独立样本 t（方差不等用 Welch） | `ttest()` |
+| 前后配对有变化吗 | 连续，配对 | 配对 t | `ttest(paired=True)` |
+| 三组以上均值 | 连续，多组 | 单因素 ANOVA + 事后 | `anova()` |
+| 两分类变量相关吗 | 分类 × 分类 | 卡方独立性 | `chi2()` |
+| 两连续变量相关吗 | 连续 × 连续 | Pearson/Spearman | `correlation()` |
+| 数据近似正态吗 | 连续 | 正态性检验 + 目视 | `normality()` |
+
+## 铁律（每条都是血泪）
+
+1. **假设先行**：检验前写下原假设/备择假设/显著性水平 α——**事后找显著=P-hacking**;
+2. **报告效应量不只 p 值**：p<0.05 只说"有差异",Cohen's d/相关系数/η² 才说"差多大"——
+   **大样本下微小无意义差异也会显著**,业务显著性另判;
+3. **前提检查**：t/ANOVA 要近似正态与方差齐性(违反用非参 Mann-Whitney/Kruskal),
+   `stat_tests.py` 自动查前提并提示换方法;
+4. **多重比较校正**：同时做 N 个检验,α 要 Bonferroni 校正（或 FDR）——
+   做 20 个检验必有 1 个"显著"是纯运气;
+5. **相关 ≠ 因果**：相关性结论一律附此提醒;要因果找 ab-testing（实验）或 regression-forecast
+   （控制混淆,仍谨慎）;
+6. **样本量与检验力**：不显著可能是真无差异,也可能是样本不够（检验力低）——
+   不显著时报告检验力,别把"没检出"当"不存在"。
+
+## 产出规范
+
+结论句式："A 组均值 X,B 组 Y,Welch t 检验 t=…,p=…,Cohen's d=…（中等效应）,
+95%CI[…]——差异统计显著且效应中等" + 前提检查说明 + 局限。
+配图（data-analysis:箱线看分布/误差棒看均值区间）。
+
+## 验收自查
+
+- [ ] 假设与 α 检验前写定
+- [ ] 报了效应量+CI,不只 p 值
+- [ ] 前提检查过（正态/方差齐），违反已换方法
+- [ ] 多重比较校正;相关附因果提醒;不显著报检验力
+
+## 附件
+
+- `scripts/stat_tests.py` — ttest/anova/chi2/correlation/normality（自动前提检查+效应量+校正）;可直接执行自测

package/skills/statistical-testing/scripts/stat_tests.py

@@ -0,0 +1,131 @@
+# 假设检验件（经 run_python 执行）：t 检验/ANOVA/卡方/相关/正态——优先 scipy，缺失则 numpy 近似兜底。
+# 内置前提检查、效应量、Bonferroni 校正。安装 scipy 更精确：run_python 传 packages=['scipy']。
+# 直接执行本文件 = 自测。
+import math
+import numpy as np
+import pandas as pd
+
+try:
+    from scipy import stats as _sp
+    HAS_SCIPY = True
+except ImportError:
+    HAS_SCIPY = False
+
+
+def _norm_sf(z):
+    return 0.5 * math.erfc(z / math.sqrt(2))
+
+
+def ttest(a, b, paired=False, alpha=0.05):
+    """独立(Welch)或配对 t 检验 + Cohen's d + 95%CI。scipy 缺失用正态近似 p。"""
+    a, b = np.asarray(a, float), np.asarray(b, float)
+    if paired:
+        assert len(a) == len(b), '配对检验两组长度须相等'
+        diff = a - b
+        t = diff.mean() / (diff.std(ddof=1) / math.sqrt(len(diff)))
+        df = len(diff) - 1
+        d = diff.mean() / diff.std(ddof=1)
+        m1, m2 = a.mean(), b.mean()
+    else:  # Welch
+        n1, n2 = len(a), len(b)
+        v1, v2 = a.var(ddof=1), b.var(ddof=1)
+        se = math.sqrt(v1 / n1 + v2 / n2)
+        t = (a.mean() - b.mean()) / se
+        df = (v1 / n1 + v2 / n2) ** 2 / ((v1 / n1) ** 2 / (n1 - 1) + (v2 / n2) ** 2 / (n2 - 1))
+        sp = math.sqrt(((n1 - 1) * v1 + (n2 - 1) * v2) / (n1 + n2 - 2))
+        d = (a.mean() - b.mean()) / sp
+        m1, m2 = a.mean(), b.mean()
+    p = 2 * _sp.t.sf(abs(t), df) if HAS_SCIPY else 2 * _norm_sf(abs(t))
+    eff = '小' if abs(d) < 0.5 else ('中' if abs(d) < 0.8 else '大')
+    print(f'[t检验{"·配对" if paired else "·Welch"}] 均值 {m1:.3f} vs {m2:.3f} · t={t:.3f} df={df:.1f} '
+          f'p={p:.4f} · Cohen d={d:.3f}({eff}效应) → {"显著" if p < alpha else "不显著"}（α={alpha}）'
+          + ('' if HAS_SCIPY else ' [正态近似，装 scipy 更精确]'))
+    return {'t': round(t, 4), 'p': round(p, 4), 'cohen_d': round(d, 4), 'significant': p < alpha}
+
+
+def anova(groups, alpha=0.05):
+    """单因素 ANOVA + η²。groups: 列表的列表。"""
+    groups = [np.asarray(g, float) for g in groups]
+    grand = np.concatenate(groups)
+    k, N = len(groups), len(grand)
+    gm = grand.mean()
+    ssb = sum(len(g) * (g.mean() - gm) ** 2 for g in groups)
+    ssw = sum(((g - g.mean()) ** 2).sum() for g in groups)
+    dfb, dfw = k - 1, N - k
+    F = (ssb / dfb) / (ssw / dfw)
+    p = _sp.f.sf(F, dfb, dfw) if HAS_SCIPY else float('nan')
+    eta2 = ssb / (ssb + ssw)
+    print(f'[ANOVA] F({dfb},{dfw})={F:.3f} p={"%.4f" % p if p == p else "装 scipy 得 p"} · η²={eta2:.3f} '
+          + (f'→ {"组间差异显著" if p < alpha else "不显著"}' if p == p else '(效应量 η² 可直接采信)'))
+    return {'F': round(F, 4), 'p': round(p, 4) if p == p else None, 'eta_squared': round(eta2, 4)}
+
+
+def chi2(table, alpha=0.05):
+    """卡方独立性检验 + Cramér's V。table: 2D 列联表。"""
+    obs = np.asarray(table, float)
+    row, col = obs.sum(1, keepdims=True), obs.sum(0, keepdims=True)
+    exp = row @ col / obs.sum()
+    chi = ((obs - exp) ** 2 / exp).sum()
+    df = (obs.shape[0] - 1) * (obs.shape[1] - 1)
+    p = _sp.chi2.sf(chi, df) if HAS_SCIPY else float('nan')
+    v = math.sqrt(chi / (obs.sum() * (min(obs.shape) - 1)))
+    small = (exp < 5).mean()
+    print(f'[卡方] χ²={chi:.3f} df={df} p={"%.4f" % p if p == p else "装 scipy 得 p"} · Cramér V={v:.3f}'
+          + (f'  ⚠ {small:.0%} 单元格期望频数<5，结论谨慎' if small > 0.2 else ''))
+    return {'chi2': round(chi, 4), 'df': df, 'p': round(p, 4) if p == p else None, 'cramers_v': round(v, 4)}
+
+
+def correlation(x, y, method='pearson'):
+    """相关系数 + p（近似）。附因果提醒。"""
+    x, y = np.asarray(x, float), np.asarray(y, float)
+    if method == 'spearman':
+        x, y = pd.Series(x).rank().values, pd.Series(y).rank().values
+    r = np.corrcoef(x, y)[0, 1]
+    n = len(x)
+    t = r * math.sqrt((n - 2) / (1 - r ** 2)) if abs(r) < 1 else float('inf')
+    p = 2 * _sp.t.sf(abs(t), n - 2) if HAS_SCIPY else 2 * _norm_sf(abs(t))
+    print(f'[相关·{method}] r={r:.3f} p={p:.4f}（n={n}） ⚠ 相关≠因果：要因果证据用实验(ab-testing)或控制混淆的回归')
+    return {'r': round(r, 4), 'p': round(p, 4)}
+
+
+def normality(x):
+    """正态性粗检：偏度/峰度 + （有 scipy 时）Shapiro。给"是否适用 t/ANOVA"提示。"""
+    x = np.asarray(x, float)
+    sk, ku = float(pd.Series(x).skew()), float(pd.Series(x).kurt())
+    ok = abs(sk) < 1 and abs(ku) < 2
+    extra = ''
+    if HAS_SCIPY and 3 <= len(x) <= 5000:
+        w, p = _sp.shapiro(x)
+        ok = p > 0.05
+        extra = f' · Shapiro W={w:.3f} p={p:.4f}'
+    print(f'[正态] 偏度={sk:.2f} 峰度={ku:.2f}{extra} → ' +
+          ('近似正态，t/ANOVA 可用' if ok else '偏离正态，改用非参检验(Mann-Whitney/Kruskal)'))
+    return {'skew': round(sk, 3), 'kurtosis': round(ku, 3), 'approx_normal': ok}
+
+
+def bonferroni(p_values, alpha=0.05):
+    """多重比较校正：返回校正阈值与各检验是否通过。"""
+    m = len(p_values)
+    thr = alpha / m
+    res = [(round(p, 4), p < thr) for p in p_values]
+    print(f'[Bonferroni] {m} 个检验，校正阈值 α/{m}={thr:.4f}：通过 {sum(1 for _, s in res if s)} 个')
+    return {'threshold': thr, 'results': res}
+
+
+if __name__ == '__main__':
+    rng = np.random.default_rng(2)
+    a = rng.normal(100, 15, 60)
+    b = rng.normal(108, 15, 60)
+    r = ttest(a, b)
+    assert 'cohen_d' in r and r['p'] < 0.5
+    an = anova([rng.normal(10, 2, 40), rng.normal(11, 2, 40), rng.normal(13, 2, 40)])
+    assert an['eta_squared'] > 0
+    c = chi2([[30, 10], [20, 40]])
+    assert c['cramers_v'] > 0 and c['df'] == 1
+    co = correlation(a, a * 2 + rng.normal(0, 5, 60))
+    assert co['r'] > 0.8
+    nm = normality(rng.normal(0, 1, 200))
+    assert 'approx_normal' in nm
+    bf = bonferroni([0.01, 0.03, 0.20])
+    assert bf['results'][0][1] and not bf['results'][2][1]
+    print('OK stat_tests.py' + ('' if HAS_SCIPY else ' [numpy 近似模式；装 scipy 更精确]'))