create-dwy 0.10.0 → 0.11.0

package/templates/claude-global/skills/dwy-mirror-source/SKILL.md

@@ -1,6 +1,7 @@
 ---
 name: dwy-mirror-source
 description: "国内镜像源加速配置检查与修复：扫描 pip/uv/poetry/npm/pnpm/yarn/Docker/Go/Cargo/Maven/Gradle/Homebrew/Flutter 等 13 类工具的用户级和项目级配置，识别使用境外默认源或缺失配置的项，提供阿里云/清华/中科大镜像源切换。触发条件：用户说'检查镜像源'、'配置加速'、'换镜像源'、'mirror 检查'、'安装慢'、'下载慢' 时。"
+category: 运维发布
 ---
 
 # 镜像源加速配置（mirror-source）

package/templates/claude-global/skills/dwy-pentest/SKILL.md

@@ -1,6 +1,7 @@
 ---
 name: dwy-pentest
 description: "白帽渗透测试：对指定服务器执行全面安全评估。触发条件：用户说'渗透测试'、'pentest'、'安全测试'、'漏洞扫描'、'安全审计' 时。"
+category: 安全
 ---
 
 # 白帽渗透测试

package/templates/claude-global/skills/dwy-publish/SKILL.md

@@ -1,6 +1,7 @@
 ---
 name: dwy-publish
 description: "发布版本：测试 → bump → changelog → build → publish → tag。触发条件：用户说'发版'、'发布'、'release'、'bump version' 时。"
+category: 运维发布
 ---
 
 # 发布版本流程

package/templates/claude-global/skills/dwy-tech-stack/SKILL.md

@@ -1,6 +1,7 @@
 ---
 name: dwy-tech-stack
 description: 跨栈技术选型强制约束（FastAPI / Vue 3 / Flutter / UV / pnpm / Docker / S3 / DolphinDB 等）。触发场景：用户提到「用什么 ORM / 缓存 / 状态管理 / 路由 / 包管理 / 组件库」/ 引入新依赖 / 替换现有库 / 调研选型 / 新项目初始化 / 架构评估；AI 准备执行 `pnpm add` / `uv add` / `pip install` / `flutter pub add` / `npm install` 前；讨论涉及后端 Web 框架、ORM、关系数据库、缓存、消息队列、异步任务、JWT / 密码哈希、Linter；前端 Vue 框架、构建工具、组件库、状态管理、样式方案、表单校验、测试；移动端 Flutter、状态管理、HTTP 客户端、路由、本地存储、代码生成；容器化、对象存储、时序数据库时。强制：每个领域只有唯一方案，AI 不得选替代，不得「建议改用 XX」。
+category: 脚手架
 ---
 
 # 跨栈技术选型强制约束

package/templates/claude-global/skills/dwy-dolphindb/evals/evals.json

@@ -1,67 +0,0 @@
-{
-  "skill_name": "dwy-dolphindb",
-  "evals": [
-    {
-      "id": 1,
-      "prompt": "帮我写一个 Python 函数，把一个大 pandas DataFrame（约 200 万行 tick 数据）写入 DolphinDB 的 tickDB snapshots 表。表的分区列是 trade_date 和 order_book_id。函数接收 filepath（feather 格式）和 trade_date 参数。",
-      "expected_output": "生成的代码必须使用 DDBSession 复用连接、分批次 ≤500K 行写入、每批后 del + gc.collect()、用 pyarrow 分片读取、外部输入经过校验、使用 run_ddb_with_data 或 session.upload_and_run。不能出现连接池 upload、单次 append 全部数据、pd.read_feather 全量加载。",
-      "files": [],
-      "assertions": [
-        "代码中包含 BATCH_SIZE 且值 ≤ 500000",
-        "代码中使用了 gc.collect()",
-        "代码中没有使用 pd.read_feather 一次性读取大文件",
-        "代码中使用了 DDBSession 或 run_ddb_with_data 而非连接池做 upload",
-        "代码中包含对外部输入（如 trade_date、filepath）的校验逻辑"
-      ]
-    },
-    {
-      "id": 2,
-      "prompt": "写一个 FastAPI 端点 /api/tick/query，接收 stock_code、start_date、end_date 参数，从 DolphinDB tickDB snapshots 表查询数据并返回。请直接写实现代码。",
-      "expected_output": "生成的代码必须对输入参数校验、WHERE 条件直接命中分区列（trade_date 和 order_book_id）而不使用函数包裹、只 select 需要的列、使用 DolphinDB 分页语法 limit offset, count（而非 LIMIT OFFSET）、使用 PIVOT BY 或合并聚合查询减少往返。",
-      "files": [],
-      "assertions": [
-        "WHERE 子句中没有 date()、month()、year() 等函数包裹分区列",
-        "查询中没有 select *",
-        "分页语法是 limit {offset}, {page_size} 而不是 limit {page_size} offset {offset}",
-        "代码中包含输入校验（validate_stock_code 或类似逻辑）",
-        "没有使用 asyncio.to_thread(pool.run)"
-      ]
-    },
-    {
-      "id": 3,
-      "prompt": "审查以下代码是否符合 DolphinDB 开发规范，指出所有问题并给出修复后的代码：\n```python\nasync def import_tick_data(filepath: str, trade_date: str):\n    df = pd.read_feather(filepath)\n    script = f'append!{loadTable(\"dfs://tickDB\", \"snapshots\"), data}'\n    await run_ddb(f'upload data = {df}')\n    await run_ddb(script)\n    return {\"status\": \"ok\"}\n\nasync def query_ticks(stock_code: str, start: str, end: str):\n    script = (\n        f'select * from loadTable(\"dfs://tickDB\", \"snapshots\") '\n        f'where date(trade_date) >= {start} and date(trade_date) <= {end} '\n        f'and order_book_id = \"{stock_code}\" '\n        f'limit 100 offset 0'\n    )\n    return await run_ddb(script)\n```",
-      "expected_output": "审查报告必须指出：1) pd.read_feather 全量加载问题；2) 连接池 upload + run 导致变量跨连接不可见；3) 未校验 filepath、trade_date、stock_code；4) date(trade_date) 函数包裹分区列导致全表扫描；5) select *；6) limit 100 offset 0 语法错误；7) 缺少 BATCH_SIZE 和 gc.collect()。每项必须给出修复代码。",
-      "files": [],
-      "assertions": [
-        "输出中明确指出了 date(trade_date) 或分区列被函数包裹的问题",
-        "输出中明确指出了 select * 的问题",
-        "输出中明确指出了 limit 100 offset 0 语法错误",
-        "输出中明确指出了连接池 upload + run 的问题",
-        "输出中为每个问题都提供了修复后的代码片段"
-      ]
-    },
-    {
-      "id": 4,
-      "prompt": "审查以下 DolphinDB 查询脚本是否能触发分区剪枝，并给出修复后的脚本：\n```sql\nselect * from loadTable(\"dfs://tickDB\", \"snapshots\")\nwhere 2022.12.01 <= TradeDate <= 2022.12.03\n  and order_book_id = \"000001.SZ\"\n```",
-      "expected_output": "审查必须指出：1) `2022.12.01 <= TradeDate <= 2022.12.03` 是链式比较，DolphinDB 不识别两端边界，无法做分区剪枝，会扫描全部分区；2) 给出修复方案：改为 `TradeDate between 2022.12.01 and 2022.12.03` 或拆成 `TradeDate >= 2022.12.01 and TradeDate <= 2022.12.03`；3) 同时指出 select * 浪费带宽，应只取需要的列。",
-      "files": [],
-      "assertions": [
-        "输出中明确指出了链式比较无法触发分区剪枝",
-        "输出中提供了 between ... and ... 或拆分为两个独立条件的修复方案",
-        "输出中提到了 select * 的问题"
-      ]
-    },
-    {
-      "id": 5,
-      "prompt": "帮我设计一张存储股票 tick 数据的 DolphinDB 分布式表，每天约 5000 万条记录，覆盖国内 5000 只股票，使用 TSDB 引擎。给出分区方案并说明理由。",
-      "expected_output": "方案必须：1) 一级 VALUE 分区按 TradeDate，二级用 HASH 分区按 SecurityID（约 20 桶），而不是 VALUE 分区，避免每天 5000+ 个小分区命中 maxPartitionNumPerQuery=65536 限制；2) 估算单分区大小（每天 3GB / 20 桶 ≈ 150MB，落在 TSDB 推荐区间 400MB~1GB 之下但仍可接受，或调整桶数让单分区更接近 400MB）；3) 提醒分区方案一经确定无法调整；4) 提醒 SYMBOL 列 SecurityID 写入前需校验 ≤255 字节。",
-      "files": [],
-      "assertions": [
-        "方案中二级分区使用 HASH 而非 VALUE",
-        "方案中包含单分区大小估算并参考 TSDB 100MB~1GB 推荐区间",
-        "方案中提到 maxPartitionNumPerQuery=65536 或避免分区数爆炸",
-        "方案中提到 SYMBOL 列长度校验或 ≤255 字节限制"
-      ]
-    }
-  ]
-}

package/templates/claude-global/skills/dwy-dolphindb/references/dolphindb-rules.md

@@ -1,441 +0,0 @@
-# DolphinDB 开发规则
-
-所有涉及 DolphinDB 的代码必须遵循以下规则。AI 生成或修改代码时，必须逐条检查。
-
-## 一、社区版硬约束
-
-| 约束 | 值 | 违反后果 |
-|---|---|---|
-| 最大内存 | 8GB（建议 `maxMemSize=5`，留 3GB 给 OS） | 进程 OOM 崩溃 |
-| 最大集群节点数 | 2（允许 1 controller + 1 datanode 的最小集群） | 超出被许可证拒绝;无法扩展到 3 节点以上 |
-| 最大并发客户端连接 | 512（`maxConnections=512`） | 新连接直接被拒 |
-| TSDB 单次 append | ≤ 204MB（约 800K 行 × 30 列） | 报错 `exceeds max limit` |
-| 高可用 / Raft / 异步复制 | 不支持 | 多副本能力需企业版 |
-
-### 本项目部署侧配置（非社区版硬限，是 VM/机器约束）
-
-- VM 规格：**2 核 8 GB**（与社区版 8 GB 内存硬限一致）
-- 因 CPU 只有 2 核，`workerNum` 和客户端 `dolphindb_pool_size` 按经验值 `2`，避免大量并行争抢 CPU；**这不是社区版硬限，而是 2 核机器上的合理取值**
-- 512 并发连接是协议层上限，实际可持有的连接远少于这个数，不要把它当作"应该开 512 条"的指令
-
-### 违规检测
-如果代码中出现以下情况，必须提示：
-- 单次 `append!` 数据超过 500K 行（安全上限）
-- `maxMemSize` > 8
-- 集群配置超过 2 个节点
-- 客户端 `dolphindb_pool_size` 显著高于 CPU 核数（在 2 核机器上 > 4 需说明理由）
-
-## 二、连接与会话管理
-
-### 强制规则
-
-| 场景 | 使用方式 | 原因 |
-|---|---|---|
-| 只读查询 | `run_ddb(script)` — 连接池 | 池自动管理连接复用 |
-| 单次 upload + run | `run_ddb_with_data(script, data)` — 独立 Session | 确保 upload 和 run 在同一连接 |
-| 批量 upload（多次循环） | `DDBSession` — 复用 Session | 避免每批新建/关闭连接的开销 |
-
-```python
-# ❌ 用连接池做 upload + run（变量跨连接不可见）
-await run_ddb("upload_var = ...")  # 连接 A
-await run_ddb("select * from upload_var")  # 可能路由到连接 B → 变量不存在
-
-# ✅ 独立 Session 保证同一连接
-await run_ddb_with_data(script, {"batch_data": df})
-
-# ✅ 批量操作复用 Session
-session = DDBSession()
-try:
-    for batch in batches:
-        await session.upload_and_run(script, {"batch_data": batch})
-finally:
-    session.close()
-```
-
-### SDK v3 异步 API
-- `DBConnectionPool.run()` 在 SDK v3 中是 **原生 async**，直接 `await pool.run(script)`
-- **禁止** `asyncio.to_thread(pool.run, script)`（会产生 "coroutine never awaited" 警告）
-- `Session.run()` 仍然是 **同步**，需要 `asyncio.to_thread()` 包装
-
-## 三、分区裁剪（性能关键）
-
-### 强制规则
-**WHERE 条件必须直接命中分区列，禁止对分区列使用函数。**
-
-```python
-# ❌ 函数包裹分区列 → 全表扫描 → 8GB OOM
-WHERE date(datetime) = 2020.01.01
-WHERE month(trade_date) = 2020.01M
-WHERE string(order_book_id) = "000001.XSHE"
-
-# ✅ 直接范围过滤 → 分区裁剪生效
-WHERE trade_date = 2020.01.01
-WHERE trade_date >= 2020.01.01, trade_date < 2020.02.01
-WHERE order_book_id in [`000001.XSHE`000002.XSHE]
-```
-
-### 范围查询禁止链式过滤
-
-DolphinDB 不识别链式比较的两端边界，无法做分区剪枝。必须用 `between ... and ...` 或拆成两个独立条件。
-
-```sql
--- ❌ 链式过滤 → 全表扫描（实测扫描 10091 个分区）
-select * from loadTable(dbName, tbName)
-where 2022.12.01 <= TradeDate <= 2022.12.03
-
--- ✅ between ... and ... → 分区剪枝（实测扫描 90 个分区）
-select * from loadTable(dbName, tbName)
-where TradeDate between 2022.12.01 and 2022.12.03
-
--- ✅ 拆成两个独立条件 → 分区剪枝
-select * from loadTable(dbName, tbName)
-where TradeDate >= 2022.12.01 and TradeDate <= 2022.12.03
-```
-
-可用 `[HINT_EXPLAIN]` 查看实际扫描的分区数验证：`select [HINT_EXPLAIN] * from ...` 输出中的 `partitions.local` 数量应等于范围内的分区数，而不是全库分区数。
-
-### tickDB 分区列
-- 第一级：`trade_date`（VALUE 分区，按日）
-- 第二级：`order_book_id`（HASH 分区，20 桶）
-
-### factorDB 分区列
-- 第一级：`trade_date`（VALUE 分区，按月）
-- 第二级：`factor_name`（VALUE 分区）
-
-### 违规检测
-如果 DolphinDB 查询脚本中出现以下模式，必须提示：
-- `date(...)` / `month(...)` / `year(...)` 包裹分区列
-- `WHERE 1=1` 无分区条件（全表扫描）
-- `select * from loadTable(...)` 无 WHERE 子句
-- 链式比较 `a <= col <= b`（必须改为 `between a and b` 或拆成两个独立条件）
-
-## 四、批量写入
-
-### 强制规则
-
-```python
-BATCH_SIZE = 500_000  # TSDB 上限 204MB，500K 行 ≈ 120MB（安全余量）
-```
-
-| 规则 | 说明 |
-|---|---|
-| 每批 ≤ 500K 行 | TSDB 单次 append 内存上限 204MB |
-| 每批后 `gc.collect()` | 释放 Python 侧内存 |
-| 每批后 `del batch_df` | 显式释放 DataFrame 引用 |
-| 大文件用 pyarrow 分片读取 | `pf.read_table()` + `table.slice()` 避免全量加载 |
-| 复用 Session | 批量循环中不要每批新建连接 |
-
-```python
-# ✅ 标准批量上传模式
-table = pf.read_table(filepath)  # memory-mapped，不全量加载
-session = DDBSession()
-try:
-    for i in range(num_batches):
-        arrow_slice = table.slice(i * BATCH_SIZE, BATCH_SIZE)
-        batch_df = prepare_batch(arrow_slice.to_pandas())
-        del arrow_slice
-        await session.upload_and_run(script, {"batch_data": batch_df})
-        del batch_df
-        gc.collect()
-finally:
-    session.close()
-```
-
-### 禁止的写法
-```python
-# ❌ 一次性读取大文件到 pandas（OOM）
-df = pd.read_feather("10M_rows.ftr")  # 2.6GB 内存
-
-# ❌ 单次 append 超过 500K 行
-await run_ddb_with_data(script, {"data": df_1million_rows})
-
-# ❌ 不释放内存
-for batch in batches:
-    await session.upload_and_run(script, {"data": batch})
-    # 忘记 del + gc.collect()
-```
-
-## 五、DolphinDB 脚本语法
-
-### 列名定义必须单行
-```python
-# ❌ 多行 backtick 列名 → 语法错误
-schema = table(1:0,
-    `col1`col2
-    `col3`col4,
-    [INT, INT, INT, INT])
-
-# ✅ 单行定义
-colNames = `col1`col2`col3`col4
-colTypes = [INT, INT, INT, INT]
-schema = table(1:0, colNames, colTypes)
-```
-
-### 多值过滤的 backtick 拼接
-```python
-# ✅ 正确的 Symbol 列表拼接
-symbols = ["000001.XSHE", "000002.XSHE"]
-symbols_str = "`" + "`".join(symbols)
-script = f"... order_book_id in [{symbols_str}]"
-# 生成: order_book_id in [`000001.XSHE`000002.XSHE]
-```
-
-### 脚本拼接用分号 + 换行
-```python
-# ✅ 多语句用 ;\n 分隔
-script = (
-    f'tickData = select * from loadTable("dfs://tickDB","snapshots") '
-    f'where {ts_filter};\n'
-    f'{user_script};\n'
-    f'exec count(*) from result'
-)
-```
-
-## 六、输入校验（安全关键）
-
-### 强制规则
-**所有外部输入在拼接到 DolphinDB 脚本前，必须经过 `validators.py` 校验。**
-
-| 类型 | 正则 | 示例 |
-|---|---|---|
-| 因子名 | `^[a-zA-Z0-9_]{1,50}$` | `alpha_vwap_001` |
-| 股票代码 (ukey) | `^\d{6}\.[A-Z]{2}$` | `000001.SZ` |
-| 日期 | `^\d{4}\.\d{2}\.\d{2}$` | `2024.01.02` |
-
-```python
-# ✅ 先校验再拼接
-validate_factor_name(factor_name)  # 不通过则抛 BusinessError
-script = f'... factor_name = "{factor_name}"'
-
-# ❌ 未校验直接拼接 → 脚本注入风险
-script = f'... factor_name = "{user_input}"'
-```
-
-### 违规检测
-如果代码中出现以下情况，必须提示：
-- f-string 拼接 DolphinDB 脚本时使用了未经 `validate_*` 校验的变量
-- 用户输入直接出现在 `run_ddb()` 的 script 参数中
-
-## 七、分区操作
-
-### 删除分区用 `dropPartition`，不用 `DELETE`
-```python
-# ✅ dropPartition — 原子操作，无 tombstone
-dropPartition(db, partitionPath, tableName)
-
-# ❌ DELETE — 标记删除，产生 tombstone，需后续 GC
-delete from loadTable("dfs://tickDB", "snapshots") where trade_date = 2020.01.01
-```
-
-### 新增分区值
-配置 `newValuePartitionPolicy=add`，VALUE 分区自动扩展，无需预创建。
-
-## 八、查询优化
-
-### 聚合查询合并
-```python
-# ❌ 3 次查询
-min_date = await run_ddb("select min(trade_date) ...")
-max_date = await run_ddb("select max(trade_date) ...")
-count = await run_ddb("select count(*) ...")
-
-# ✅ 1 次查询
-result = await run_ddb(
-    'select min(trade_date) as earliest, max(trade_date) as latest, count(*) as total '
-    'from loadTable("dfs://tickDB","snapshots")'
-)
-```
-
-### 多因子查询用 PIVOT BY
-```python
-# ✅ DolphinDB 服务端完成列转换，无需 Python 端 merge
-script = (
-    'select value from loadTable("dfs://factorDB","factors") '
-    f'where {where_clause} '
-    'pivot by trade_date, ukey, factor_name'
-)
-```
-
-### 分页查询用 `limit offset, count`
-```python
-# ❌ SQL 标准语法 — DolphinDB 不支持 OFFSET 关键字
-f"select * from loadTable(...) limit {page_size} offset {offset}"
-
-# ✅ DolphinDB 分页语法：limit 跳过行数, 返回行数
-offset = (page - 1) * page_size
-f"select * from loadTable(...) limit {offset}, {page_size}"
-```
-
-### 只查需要的列
-```python
-# ❌ select *（传输全部 30 列）
-"select * from loadTable(...)"
-
-# ✅ 只取需要的列
-"select trade_date, time, order_book_id, last, volume from loadTable(...)"
-```
-
-## 九、Docker 环境注意事项
-
-### DolphinDB v3 Alpine 镜像
-| 问题 | 解决方案 |
-|---|---|
-| 无 `curl` | 用 `wget` 替代 |
-| `localhost` 解析到 IPv6 | healthcheck 用 `127.0.0.1` |
-| macOS 无 `/etc/hostname` `/etc/machine-id` | 不要挂载这两个文件 |
-| 自定义 cfg 中 `logFile`/`volumes` 路径与 Docker volume 冲突 | 只覆盖必要参数，其余用默认值 |
-| `dataSync + CacheEngine` 必须同时启用 | 开发环境建议都不配置，用默认值 |
-
-### healthcheck 配置
-```yaml
-healthcheck:
-  test: ["CMD-SHELL", "wget -qO- --timeout=3 http://127.0.0.1:8848/ || exit 1"]
-  start_period: 30s  # DolphinDB 启动较慢，给足初始化时间
-  interval: 5s
-  timeout: 5s
-  retries: 10
-```
-
-### 后端连接配置
-```
-DOLPHINDB_HOST=dolphindb    # Docker 服务名（不是 localhost）
-DOLPHINDB_PORT=8848
-DOLPHINDB_POOL_SIZE=2       # 2 核机器的经验值;社区版协议上限是 512 并发,不是 2
-```
-
-## 十、数据类型映射
-
-### Feather/Pandas → DolphinDB
-
-| Python/Pandas 类型 | DolphinDB 类型 | 转换方式 |
-|---|---|---|
-| `uint32` (日期如 20191205) | `DATE` | `pd.to_datetime(str, format='%Y%m%d')` |
-| `uint32` (时间如 91509000) | `INT` | `.astype('int64')` |
-| `float64` | `DOUBLE` | 无需转换 |
-| `uint64` | `LONG` | `.astype('int64')` |
-| `uint32` | `INT` | `.astype('int64')` |
-| `float64` 含 NaN → 整数 | `INT` | `.fillna(0).astype('int64')` |
-| `object` (字符串) | `SYMBOL` | `.astype(str)` |
-
-### 注意事项
-- DolphinDB 不接受 `uint` 类型，必须先转 `int64`
-- NaN 不能直接转整数，必须先 `fillna(0)`
-- `SYMBOL` 类型是 DolphinDB 的字典编码字符串，适用于低基数列（如股票代码）
-
-## 十一、测试 Mock 规范
-
-### DolphinDB 测试不连真实服务
-```python
-# conftest.py 中使用 autouse fixture mock 所有 DolphinDB 调用
-@pytest.fixture(autouse=True)
-def mock_dolphindb():
-    async def mock_run_ddb(script):
-        if "snapshots" in script and "count" in script.lower():
-            return pd.DataFrame({"count": [1000]})
-        # ... 基于脚本内容的模式匹配
-        return pd.DataFrame()
-
-    with patch("app.services.tick_service.run_ddb", side_effect=mock_run_ddb):
-        yield
-```
-
-### Mock 必须覆盖所有 import 路径
-```python
-# 每个 service 文件都有独立的 import，必须分别 patch
-patch("app.services.tick_service.run_ddb", ...)
-patch("app.services.tick_archive.run_ddb", ...)
-patch("app.services.tick_compute.run_ddb", ...)
-```
-
-## 十二、分区设计原则（建表时）
-
-### 单分区合理大小（压缩前）
-
-| 引擎 | 推荐范围 | 说明 |
-|---|---|---|
-| OLAP | 100MB ~ 300MB | 列存按分区粒度加载，过大易 OOM |
-| TSDB / PKEY | 400MB ~ 1GB | 内部还有 LevelFile 二级组织，单分区可大一些 |
-
-分区过小：元数据膨胀、查询时分区数爆炸、命中 `maxPartitionNumPerQuery` 限制（默认 65536）。
-分区过大：单分区加载内存压力大、并行度下降、删除/重写代价高。
-
-### 分区层级与类型
-
-| 维度 | 规则 |
-|---|---|
-| 层级 | 最少 1 级，最多 3 级；分区方案一经确定无法调整，库下所有表共用 |
-| 范围分区 (RANGE) | **只能向后扩展且无法自动扩展**，需手动 `addRangePartitions` |
-| 范围分区越界数据 | `allowMissingPartitions=true`（默认）会**静默丢弃**范围外数据；需要报错改为 `false` |
-| 值分区 (VALUE) | 可自动扩展（需 `newValuePartitionPolicy=add`）；**不宜初始化过多空分区** |
-| 哈希分区 (HASH) | 桶数固定，建库后不可改 |
-
-### 分区方案设计反例
-
-> 股票行情数据（每天 5000 万条记录），先按 `TradeDate` 值分区，再按 `SecurityID` 二级值分区。
-> 假设全是国内股票（约 5000 只），一天分区数就达 5000+。每天数据 3GB，**每个分区只有约 0.6MB**。
-
-后果：
-- 默认 `maxPartitionNumPerQuery=65536`，每天 5000 个分区，**查 14 天就报错**：`The number of partitions relevant to the query is too large`
-- 单分区 0.6MB 远低于 OLAP 100MB / TSDB 400MB 推荐下限，元数据开销远大于数据本身
-- 修复方向：二级分区改用 `HASH(SecurityID, 20)`（按经验固定 20 桶），或合并到日粒度单级分区
-
-### 设计检查项
-
-- [ ] 单分区估算大小是否落在引擎推荐区间？
-- [ ] 总分区数是否远低于单次查询 65536 上限？
-- [ ] 二级是否用了高基数列做 VALUE 分区？（高基数列优先 HASH）
-- [ ] RANGE 分区是否预留了 `addRangePartitions` 的扩展机制？是否需要 `allowMissingPartitions=false`？
-
-## 十三、字符串/BLOB/SYMBOL 长度限制
-
-自 **1.30.23 / 2.00.11** 版本起，分布式表写入对字符串类数据增加了硬性大小限制：
-
-| 类型 | 上限 | 超限行为 |
-|---|---|---|
-| `STRING` | < 64 KB | 静默截断到 65,535 字节（64 KB - 1） |
-| `BLOB` | < 64 MB | 静默截断到 67,108,863 字节（64 MB - 1） |
-| `SYMBOL` | ≤ 255 字节 | **直接抛异常**，写入失败 |
-
-### 强制规则
-
-写入前必须做长度校验，**特别是 SYMBOL 列会让整批写入失败**：
-
-```python
-# ✅ 写入前校验 SYMBOL 列长度
-MAX_SYMBOL_BYTES = 255
-oversize_mask = batch_df["order_book_id"].str.encode("utf-8").str.len() > MAX_SYMBOL_BYTES
-if oversize_mask.any():
-    raise BusinessError(
-        f"SYMBOL 列 order_book_id 有 {oversize_mask.sum()} 行超过 255 字节"
-    )
-```
-
-### 类型选择建议
-
-- 短编码字段（股票代码、因子名）→ `SYMBOL`，但必须保证 ≤ 255 字节
-- 用户可输入的中等长度文本（备注、描述）→ `STRING`，注意 64 KB 截断风险，超长字段做应用层校验
-- 大文本/二进制（JSON、文件）→ `BLOB`，超长会被截断而不是报错，**截断不可逆**，必须在应用层校验长度
-- 中文按 UTF-8 编码，1 字符 ≈ 3 字节，预估时按字节而非字符
-
-### 违规检测
-
-- 写入路径上对 `SYMBOL` 列没有长度校验 → 整批写入可能失败
-- 写入 `STRING`/`BLOB` 时没有长度上限断言 → 数据被静默截断，事后无法恢复
-
-## 十四、检查清单
-
-每次涉及 DolphinDB 的代码变更，必须逐条检查：
-
-- [ ] WHERE 条件是否命中分区列？是否有函数包裹分区列？
-- [ ] 范围条件是否使用 `between ... and ...` 或两个独立条件？是否存在链式比较 `a <= col <= b`？
-- [ ] 批量写入是否 ≤ 500K 行？是否有 `gc.collect()`？
-- [ ] 外部输入是否经过 `validators.py` 校验？
-- [ ] 使用 `run_ddb` 还是 `run_ddb_with_data`？场景是否匹配？
-- [ ] 连接池大小是否与 CPU 核数匹配（2 核机器建议 `pool_size=2`）？
-- [ ] 查询是否只 select 了需要的列？
-- [ ] 多次聚合查询能否合并为一次？
-- [ ] 脚本中 backtick 列名是否在单行内？
-- [ ] 新增 service 文件的 `run_ddb` 导入是否在 conftest.py 中 mock？
-- [ ] 分页查询是否使用 `limit offset, count` 语法？（禁止 `LIMIT x OFFSET y`）
-- [ ] 新建库表时单分区估算大小是否在引擎推荐区间内？总分区数是否远低于 65536？
-- [ ] 写入路径对 `SYMBOL` 列是否有 ≤ 255 字节长度校验？`STRING` / `BLOB` 是否有上限断言以避免静默截断？

package/templates/claude-global/skills/dwy-eapi/references/health.md

@@ -1,47 +0,0 @@
-# health — 健康检查路由工厂
-
-> 何时读这份：当用户需要添加健康检查端点、配置 k8s livenessProbe、或讨论 readiness vs liveness 设计时读取。
-
-```python
-from dwyeapi.health import create_health_router
-
-router = create_health_router(
-    service_name="my-api",
-    version="1.0.0",
-    path="/health",
-    include_in_schema=True,
-)
-app.include_router(router)
-```
-
-## 设计取舍
-
-端点**只**报告进程是否存活（liveness），**不连接 PostgreSQL / Redis** 等依赖。
-
-原因：健康端点通常对公网开放，若内置 readiness / dependency check，攻击者可用低频高并发请求放大到数据库/缓存层，变成 DoS 放大器。
-
-需要 readiness 语义的业务（如 k8s readinessProbe）应在业务项目里自行实现，并把该端点限制在内网或挂鉴权。
-
-## create_health_router 参数
-
-| 参数 | 类型 | 默认值 | 说明 |
-|------|------|--------|------|
-| service_name | str | **必填** | 服务名，通常取自 `Settings.service_name` |
-| version | str | **必填** | 版本号，通常取自 `__version__` |
-| path | str | `"/health"` | 端点路径 |
-| include_in_schema | bool | True | 是否在 OpenAPI 文档暴露 |
-
-## 响应示例
-
-```json
-{
-  "code": 200,
-  "message": "success",
-  "data": {
-    "service": "my-api",
-    "version": "1.0.0",
-    "status": "alive"
-  },
-  "timestamp": 1775625000
-}
-```

package/templates/claude-global/skills/dwy-eapi/references/logger.md

@@ -1,60 +0,0 @@
-# logger — 基于 loguru 的全局日志
-
-> 何时读这份：当用户需要配置日志输出、轮转策略、拦截 uvicorn/SQLAlchemy 日志、或使用 JSON Lines 格式对接日志聚合系统时读取。
-
-```python
-from dwyeapi import logger
-
-# 启动时调用一次（通常在 lifespan 中）
-logger.configure(
-    level="INFO",
-    log_dir="./logs",
-    filename="app",
-    max_bytes=100 * 1024 * 1024,   # 100 MB
-    retention="30 days",
-    console=True,
-    serialize=False,
-    enqueue=True,
-    intercept_stdlib=True,
-    intercept_loggers=["uvicorn", "sqlalchemy"],
-)
-
-# 获取命名 logger
-log = logger.get_logger("users")
-log.info("用户 %s 登录", user_id)
-log.error("操作失败", exc_info=True)
-log.exception("未捕获异常")  # 自动 exc_info=True
-
-# 关闭（lifespan 结束时）
-logger.close()
-```
-
-## configure 参数
-
-| 参数 | 类型 | 默认值 | 说明 |
-|------|------|--------|------|
-| level | str | `"INFO"` | 最低级别：DEBUG/INFO/WARNING/ERROR/CRITICAL |
-| log_dir | str/Path/None | None | 日志文件目录，None 表示关闭文件输出 |
-| filename | str | `"app"` | 文件基础名，最终为 `{filename}_YYYY-MM-DD.log` |
-| max_bytes | int | `100*1024*1024` | 单文件大小上限（字节） |
-| retention | str/int | `"30 days"` | 保留策略（如 `"1 week"`、整数个数） |
-| console | bool | True | 是否输出彩色日志到 stderr |
-| console_format | str/None | None | 自定义控制台格式 |
-| file_format | str/None | None | 自定义文件格式 |
-| serialize | bool | False | 文件 sink 是否按 JSON Lines 序列化 |
-| enqueue | bool | True | 是否异步写入（非阻塞、多进程安全） |
-| intercept_stdlib | bool | True | 是否拦截 stdlib `logging` |
-| intercept_loggers | list[str]/None | None | 限定拦截的 logger 名前缀，None 表示拦截 root |
-
-## Logger 门面 API
-
-`get_logger()` 返回的 `Logger` 兼容 stdlib 语义：
-
-- `debug(msg, *args, exc_info=False)`
-- `info(msg, *args, exc_info=False)`
-- `warning(msg, *args, exc_info=False)`
-- `error(msg, *args, exc_info=False)`
-- `exception(msg, *args)` — 等价于 `error(msg, *args, exc_info=True)`
-- `critical(msg, *args, exc_info=False)`
-
-所有方法支持 `%s` / `%d` 等 stdlib 占位符，空 args 时保留 msg 原样。