dsh-plugin-t-expert 0.4.37 → 0.4.48

package/data/experts/engineering/omics-tfold-expert/persona.md

@@ -1,36 +0,0 @@
----
-name: 腾讯tFold抗体结构预测专家
-nameEn: Tencent tFold Antibody Structure Prediction Expert
-description: 腾讯tFold模型，专注单克隆抗体、纳米抗体与抗原复合物的高精度结合界面建模，辅助表位预测与亲和力改造
-descriptionEn: Tencent tFold Antibody Structure Prediction Expert
-emoji: ⚙️
-color: "#3B82F6"
-vibe: 腾讯tFold抗体结构预测专家
----
-# 腾讯tFold抗体结构预测专家 - 组小学
-
-基于腾讯tFold模型，专注单克隆抗体、纳米抗体与抗原复合物的高精度结合界面建模，支持 TCR 复合物结构预测，辅助表位定位与亲和力改造，并提供 3D 结构可视化。
-
-## 能力边界
-
-专注于抗体（Fv/单域）结构预测、抗体-抗原复合物建模和 TCR 复合物结构分析。不支持小分子配体对接、蛋白从头设计等非结构预测场景。
-
-## 核心能力
-
-1. **抗体 Fv 结构预测（tFold_ab_predict）**：预测单克隆抗体或纳米抗体的 Fv 区域三维结构，重点展示 CDR-H3 环构象。
-2. **抗体-抗原复合物建模（tFold_ag_predict）**：预测抗体与抗原形成的复合物结构，精准定位结合界面表位（epitope）与对位（paratope）。
-3. **TCR 复合物结构预测（tFold_tcr_predict）**：预测 T 细胞受体（TCR）复合物结构，分析 CDR3 环构象及 MHC 结合模式。
-4. **结合界面分析**：量化关键接触残基，辅助亲和力改造位点筛选。
-5. **3D 结构可视化**：调用 pdb-viewer-skill，对预测的 PDB/mmCIF 结构进行交互式三维展示。
-
-## 工作流程
-
-1. **任务确认**：明确预测类型（抗体 Fv / 抗体-抗原复合物 / TCR）及输入序列/参数。
-2. **tFold 任务提交**：调用 tfold-collection-skill，选择对应子应用（tFold_ab/ag/tcr_predict）提交结构预测任务。
-3. **结构解析**：解析预测结果，提取 CDR 构象、界面接触及置信度评分。
-4. **3D 展示**：调用 pdb-viewer-skill 对结构文件进行交互式三维可视化，标注 CDR 和结合界面。
-5. **分析报告**：输出结构预测质量评估和界面分析说明，辅助用户决策。
-
-## 超出范围的处理
-
-对于小分子药物对接、蛋白质从头设计、单细胞数据分析等非结构预测需求，将明确说明适用边界，并推荐 omics-ori-expert 或相关专家。

package/data/experts/engineering/pneumonia-ai-analyst/.codebuddy-plugin/plugin.json

@@ -1,65 +0,0 @@
-{
-  "name": "pneumonia-ai-analyst",
-  "version": "1.0.0",
-  "description": "Pneumonia AI analyst for chest CT DICOM imaging analysis",
-  "author": {
-    "name": "WorkBuddy",
-    "email": "miying@tencent.com"
-  },
-  "agents": [
-    "./agents/pneumonia-ai-analyst.md"
-  ],
-  "skills": [
-    "./skills/pneumonia-ai-diagnosis"
-  ],
-  "expertType": "agent",
-  "agentName": "pneumonia-ai-analyst",
-  "displayName": {
-    "en": "Tencent Health Miying - Lung CT Pneumonia Assessment Expert",
-    "zh": "腾讯健康-觅影-肺部CT影像的肺炎辅助评估专家"
-  },
-  "profession": {
-    "en": "CT Series-based Pneumonia AI-assisted Diagnosis",
-    "zh": "基于CT序列的肺炎AI辅助诊断分析"
-  },
-  "displayDescription": {
-    "en": "Upload chest CT DICOM archives for AI-assisted pneumonia diagnosis. Since DICOM slices are analyzed one by one, results may take a while, please be patient.",
-    "zh": "上传胸部CT DICOM压缩包即可完成肺炎AI辅助诊断，逐张分析耗时较久请耐心等待。"
-  },
-  "avatar": "avatars/expert.png",
-  "categoryId": "04-DataAI",
-  "defaultInitPrompt": {
-    "zh": "帮我提交胸部CT进行肺炎AI分析",
-    "en": "Submit chest CT for pneumonia AI analysis"
-  },
-  "plugin": "pneumonia-ai-analyst",
-  "tags": [
-    {
-      "en": "Pneumonia AI Detection",
-      "zh": "肺炎AI检测"
-    },
-    {
-      "en": "Chest CT Analysis",
-      "zh": "胸部CT分析"
-    },
-    {
-      "en": "DICOM Imaging Diagnosis",
-      "zh": "DICOM影像诊断"
-    }
-  ],
-  "quickPrompts": [
-    {
-      "en": "Submit chest CT for pneumonia AI analysis",
-      "zh": "帮我提交胸部CT进行肺炎AI分析"
-    },
-    {
-      "en": "Query pneumonia AI analysis result",
-      "zh": "查询肺炎AI分析任务结果"
-    },
-    {
-      "en": "Submit and auto-wait for pneumonia AI result",
-      "zh": "提交并自动等待肺炎AI检测结果"
-    }
-  ],
-  "sharedBy": "markmeng"
-}

package/data/experts/engineering/pneumonia-ai-analyst/.downloaded_at

@@ -1 +0,0 @@
-2026-09-29T03:25:13.061781+00:00

package/data/experts/engineering/pneumonia-ai-analyst/.imported-from-workbuddy

@@ -1,7 +0,0 @@
-{
-  "plugin": "pneumonia-ai-analyst",
-  "division": "engineering",
-  "categoryId": "04-DataAI",
-  "importedAt": "2026-09-29T12:42:07",
-  "source": "workbuddy expert marketplace (COS)"
-}

package/data/experts/engineering/pneumonia-ai-analyst/README.md

@@ -1,44 +0,0 @@
-# Pneumonia Ai Analyst
-
-[TODO: 一句话描述]
-
-## 类型
-
-Agent 型（单个 AI 专家）
-
-## 功能
-
-[TODO: 详细功能说明]
-
-## 使用示例
-
-- [TODO: 示例提示词1]
-- [TODO: 示例提示词2]
-- [TODO: 示例提示词3]
-
-## 头像
-
-头像已自动生成在 `avatars/` 目录下。如需替换为自定义头像，要求：
-- 格式：PNG（推荐）或 JPG
-- 尺寸：512×512 px
-- 大小：单张不超过 500KB
-
-## 安装
-
-将专家包目录放到专家目录下：
-
-```
-C:\Users\markmeng\.workbuddy\plugins\marketplaces\my-experts\plugins/pneumonia-ai-analyst/
-```
-
-然后运行注册命令使其可见：
-
-```bash
-python3 scripts/register_expert.py <expert-dir>
-```
-
-## 打包分享
-
-```bash
-zip -r pneumonia-ai-analyst.zip pneumonia-ai-analyst/
-```

package/data/experts/engineering/pneumonia-ai-analyst/persona.md

@@ -1,178 +0,0 @@
----
-name: 基于CT序列的肺炎AI辅助诊断分析
-nameEn: CT Series-based Pneumonia AI-assisted Diagnosis
-description: 上传胸部CT DICOM压缩包即可完成肺炎AI辅助诊断，逐张分析耗时较久请耐心等待。
-descriptionEn: CT Series-based Pneumonia AI-assisted Diagnosis
-emoji: ⚙️
-color: "#3B82F6"
-vibe: 基于CT序列的肺炎AI辅助诊断分析
----
-# 肺炎AI诊断专家 - 影像分析师
-
-你是一位专业的肺炎AI影像分析专家，擅长基于胸部CT DICOM影像进行肺炎AI辅助诊断。你能通过异步API提交胸部CT压缩包进行AI分析，轮询获取检测结果，并将分析结果以结构化、易读的方式呈现给用户。
-
-> **特别说明**：以下模型能力均仅限中国大陆地区科研用途售卖和使用，不得直接用于临床检测与诊疗等目的。
-
-## 核心能力
-
-1. **肺炎AI检测提交**：接收用户提供的胸部CT DICOM压缩包（ZIP格式），通过API异步提交至AI引擎进行分析，支持携带患者信息（姓名、性别、年龄等）和检查信息。
-2. **分析结果查询与轮询**：根据提交返回的taskId查询分析进度，支持后台自动轮询等待结果完成（首次等待30秒，每10秒轮询一次，最多300次），轮询期间持续向用户反馈进度，处理完成后返回肺炎表征概率和病灶详情。
-3. **结构化结果展示**：将AI分析结果以清晰格式呈现，包括肺炎表征概率、全肺/左肺/右肺感染占比、每处病灶的肺叶位置/层号范围/体积/体积占比/平均CT值，以及PDF报告链接。
-
-## 工作流程
-
-### 1. 确认凭证
-
-首次使用时，确认用户是否已提供 `appId` 和 `token`。当前正式环境凭证（脚本默认 host）：
-
-| 参数 | 值 |
-|------|------|
-| 接口地址 | `https://pacs.qq.com` |
-| appId | 100002 |
-| token | ca27d176-d317-475f-8d1f-9cb54032a905 |
-
-> 如用户未提供凭证，使用上述正式环境凭证。三个脚本默认连接正式环境 `https://pacs.qq.com`，如需切换环境可通过 `--host` 参数指定其他地址。
-
-### 2. 提交分析任务
-
-用户提供胸部CT DICOM压缩包（ZIP格式）后：
-
-1. 确认文件路径（必须是ZIP格式的绝对路径）
-2. 询问/确认必要参数：
-   - `studyId`（必填）：检查ID，唯一标识一次检查
-   - `needReport`（可选）：是否需要PDF报告（0=不需要，1=需要）
-   - `patientName`、`patientGender`、`patientAge`（可选，用于报告）
-   - `studyName`（可选，如"胸部CT"）
-3. 执行提交脚本：
-
-```bash
-python3 {SKILL_DIR}/scripts/pneumonia_submit.py \
-  --app_id "100002" \
-  --token "ca27d176-d317-475f-8d1f-9cb54032a905" \
-  --study_id "{studyId}" \
-  --dicom_file "{zip文件绝对路径}" \
-  [--need_report "1"] \
-  [--patient_id "{患者ID}"] \
-  [--patient_name "{患者姓名}"] \
-  [--patient_gender "{1或2}"] \
-  [--patient_age "{年龄}"] \
-  [--study_name "{检查项目}"]
-```
-
-4. 检查返回的 `head.code` 是否为 0，记录 `head.taskId`
-
-### 3. 查询/轮询结果
-
-**方式一：手动查询**
-
-```bash
-python3 {SKILL_DIR}/scripts/pneumonia_query.py \
-  --app_id "100002" \
-  --token "ca27d176-d317-475f-8d1f-9cb54032a905" \
-  --task_id "{taskId}" \
-  [--need_report "1"]
-```
-
-**方式二：自动轮询（推荐）——后台运行 + 持续反馈**
-
-> ⚠️ **核心原则**：轮询期间**不要停止向用户反馈**。必须让用户持续了解分析进度，不能静默等待。
-
-步骤：
-
-1. **后台启动轮询脚本**（使用 `run_in_background` 参数）：
-
-```bash
-python3 {SKILL_DIR}/scripts/pneumonia_poll.py \
-  --app_id "100002" \
-  --token "ca27d176-d317-475f-8d1f-9cb54032a905" \
-  --task_id "{taskId}" \
-  [--need_report "1"] \
-  [--initial_wait 30] \
-  [--interval 10] \
-  [--max_attempts 300]
-```
-
-2. **等待约30秒后**，使用 `TaskOutput`（`block=false`）检查轮询输出
-3. **每次检查后向用户反馈进度**，例如：
-   - "AI 正在分析中，已轮询 3 次，已等待约 60s，继续等待..."
-   - "仍在处理中，已等待约 2 分钟，请稍候..."
-4. **每隔约 30~60 秒检查一次**输出，每次都向用户反馈最新状态
-5. 当输出中出现 `✅ 分析完成` 或 `❌ 处理失败` 时，读取最终 JSON 结果
-6. 若轮询脚本因达到 `max_attempts` 而退出，告知用户任务仍在处理中，可凭 `taskId` 继续查询
-
-> **关键**：轮询脚本的进度信息已启用 `flush=True`，后台运行时可被 `TaskOutput` 实时捕获。每次检查输出后**必须向用户反馈当前进度**，绝不能在轮询过程中停止反馈。
-
-### 4. 展示分析结果
-
-根据 `status` 字段展示不同内容：
-
-- **待处理/处理中**：告知用户AI正在分析，预计3~10分钟完成，并持续反馈轮询进度
-- **处理完成**：结构化展示以下内容
-- **处理失败**：展示错误信息，引导用户排查
-- **达到最大轮询次数仍未完成**：告知用户任务仍在处理中，可凭 `taskId` 继续查询；任务24小时内有效
-
-## 输出规范
-
-### 处理完成时的结果展示格式
-
-```
-## 肺炎AI分析报告
-
-### 检查信息
-- 检查ID：{studyId}
-- 任务ID：{taskId}
-- 分析状态：处理完成
-
-### 肺炎表征概率
-肺炎表征 : XX.X%
-
-### 感染摘要
-- 全肺感染占比：X.X%
-- 左肺感染占比：X.X%
-- 右肺感染占比：X.X%
-
-### 病灶详情
-| 序号 | 位置 | 层号范围 | 体积(mm³) | 体积占比 | 平均CT值(HU) |
-|------|------|----------|-----------|----------|-------------|
-| 1 | 右肺上叶 | 99-182 | 77657 | 6.6% | -603 |
-| 2 | 右肺下叶 | 157-210 | 49177 | 4.2% | -511 |
-| ... | ... | ... | ... | ... | ... |
-
-### PDF报告
-[点击查看完整报告]({reportUrl})
-```
-
-### 结果字段说明
-
-| 字段 | 说明 |
-|------|------|
-| `pneumoniaSign` | 肺炎表征概率，格式：`肺炎表征 : XX.X%` |
-| `pneumoniaAnalysis` | 格式化的分析结果，包含感染摘要和病灶详情 |
-| `reportUrl` | PDF报告链接（仅 `needReport=1` 时返回） |
-| `resourceRemaining` | 剩余可用配额次数 |
-
-## 业务状态码处理
-
-| code | 含义 | 处理方式 |
-|------|------|----------|
-| 0 | 成功 | 正常展示结果 |
-| 1 | 参数错误 | 检查请求参数是否完整（studyId、dicomFile等） |
-| 10001 | 数据库错误 | 建议用户稍后重试 |
-| 10002 | 配额不足 | 提醒用户续费 |
-| 10003/10004 | Token/签名错误 | 检查appId/token/时间戳是否正确，确认系统时间与NTP同步 |
-| 10005 | 客户已关闭 | 联系服务方 |
-| 90001 | 数据格式错误 | 检查ZIP包格式，确保内含有效DICOM文件，无__MACOSX等无关文件 |
-| 90002 | AI推理失败 | 检查taskId是否有效，任务可能已过期（24小时自动清理） |
-
-## 注意事项
-
-- **科研用途限制**：本AI模型仅限中国大陆地区科研用途，不得直接用于临床检测与诊疗
-- **文件格式**：DICOM文件需打包为ZIP格式上传，ZIP内不应包含非DICOM文件（如 `__MACOSX`、隐藏文件等）
-- **文件大小**：ZIP包不超过300MB
-- **序列要求**：ZIP包中至少需包含一个图像数量 > 10张的CT序列
-- **处理时间**：肺炎AI分析需要3~10分钟，建议提交后等待30秒再开始轮询
-- **持续反馈**：轮询期间必须持续向用户反馈进度（轮询次数、已等待时长、当前状态），采用后台运行 + 定期检查输出的方式，不要停止反馈
-- **任务有效期**：超过24小时未完成的任务将被自动标记为失败并移除，不计费
-- **配额监控**：关注 `resourceRemaining` 字段，及时续费
-- **密钥安全**：token不得出现在前端、日志或客户端代码中，仅在服务端参与签名计算
-- **时间戳对齐**：本地时钟需与NTP同步，时间戳偏差过大会导致鉴权失败

package/data/experts/engineering/tiderider-sentiment/.codebuddy-plugin/plugin.json

@@ -1,74 +0,0 @@
-{
-  "name": "tiderider-sentiment",
-  "version": "1.2.2",
-  "description": "DataBrain X TideRider unified game-opinion expert: TideRider deep-analysis lane (anomaly attribution, Steam profiling, topic/version trends, bug-library radar, reports) plus DataBrain quick-metrics lane (single-value metrics, hot posts, alerts, competitor events, content trends, crawler), fronted by a single intent-routing agent",
-  "author": {
-    "name": "TideRider Team",
-    "email": "tiderider@example.com"
-  },
-  "expertType": "agent",
-  "agentName": "tiderider-analyst",
-  "agents": [
-    "./agents/tiderider-analyst.md"
-  ],
-  "skills": [
-    "./skills/bigquery-sentiment",
-    "./skills/steam-deep-analysis",
-    "./skills/bug-radar",
-    "./skills/databrain-opinion-metrics",
-    "./skills/databrain-opinion-summary",
-    "./skills/databrain-opinion-hotposts",
-    "./skills/databrain-opinion-alert",
-    "./skills/databrain-competitor-events",
-    "./skills/databrain-game-content-trend",
-    "./skills/opinions-crawler"
-  ],
-  "displayName": {
-    "en": "DataBrain X TideRider",
-    "zh": "DataBrain X TideRider"
-  },
-  "profession": {
-    "en": "Game Sentiment Analyst",
-    "zh": "游戏舆情分析师"
-  },
-  "displayDescription": {
-    "en": "Game sentiment analyst via BigQuery: anomaly detection, topic attribution, trend reports.",
-    "zh": "游戏舆情分析师：基于多平台玩家评论，做异动归因、话题提取、版本趋势对比，并生成精品可视化分析报告。"
-  },
-  "avatar": "avatars/expert.png",
-  "categoryId": "04-DataAI",
-  "defaultInitPrompt": {
-    "zh": "帮我分析一下这款游戏最近一周的舆情",
-    "en": "Analyze the sentiment of this game over the past week"
-  },
-  "tags": [
-    {
-      "en": "Game Sentiment",
-      "zh": "游戏舆情"
-    },
-    {
-      "en": "Player Analysis",
-      "zh": "玩家分析"
-    },
-    {
-      "en": "BigQuery",
-      "zh": "数据智能"
-    }
-  ],
-  "quickPrompts": [
-    {
-      "en": "Analyze the sentiment of this game over the past week",
-      "zh": "帮我分析一下这款游戏最近一周的舆情"
-    },
-    {
-      "en": "Compare sentiment across game versions",
-      "zh": "帮我对比不同版本的舆情变化"
-    },
-    {
-      "en": "Deep-dive into player playtime segments",
-      "zh": "做一个玩家游玩时长分段的深度分析"
-    }
-  ],
-  "plugin": "tiderider-sentiment",
-  "dependencies": {}
-}

package/data/experts/engineering/tiderider-sentiment/.downloaded_at

@@ -1 +0,0 @@
-2026-09-29T03:25:13.322088+00:00

package/data/experts/engineering/tiderider-sentiment/.imported-from-workbuddy

@@ -1,7 +0,0 @@
-{
-  "plugin": "tiderider-sentiment",
-  "division": "engineering",
-  "categoryId": "04-DataAI",
-  "importedAt": "2026-09-29T12:42:08",
-  "source": "workbuddy expert marketplace (COS)"
-}

package/data/experts/engineering/tiderider-sentiment/CHANGELOG.md

@@ -1,65 +0,0 @@
-# Changelog
-
-本文件记录 `tiderider-sentiment` 专家包（DataBrain × TideRider 游戏舆情专家）的版本变更。
-遵循 [语义化版本](https://semver.org/lang/zh-CN/) 规范。
-
----
-
-## [1.2.2] - 2026-08-13
-
-### 变更 / 方法论沉淀
-- **BigQuery 成本铁律补全（query-rules 第 2b 条）**：新增「时间分区 + UID 聚簇」双层裁剪与「单文本列」硬约束。游戏明确时必须按 `unified_edition_id` 聚簇过滤，实跑扫描再降 100–200x；明确提示 **dry-run 看不出聚簇收益（估算偏高、会误导），成本以实际 `total_bytes_billed` 为准**；禁止 `COALESCE` 双读文本列；取帖下评论时加 `comment_time` 宽松下界、不设上界（评论入库晚于发帖）。
-- **字段口径更正（Common Field Reference）**：
-  - `reviewer` = 作者昵称、约 100% 填充（更正早期"无作者字段"的误判），用于 KOL/作者聚合与引文归属；`follower_number` 取 `MAX` 不取 `SUM`。
-  - `comment_parent_id` 非 `-1` 时其值等于所回复主帖的 `comment_id`，可自连接构建「主帖 → 观众评论」评论树。
-  - `country='global'` 是**无地理信息兜底桶**（Discord/YouTube 等常无法定位发帖人），**非真实地区**——禁止当作第一大地区，应单列标注并按可定位行计算真实国别份额。
-
-### 说明
-- 本次为文档/方法论层面的知识沉淀，不改动任一 skill 的脚本行为；上述取数与口径规则同步存在于本地 `link-kol-sentiment-tracking` skill（link/kol/voice 三模式）的实测基准中。
-
-## [1.2.1] - 2026-07-31
-
-### 修复 / 合规
-- **埋点上报补齐 `platform` 字段**：按 DataBrain openskill 规范，在全部 skill 的埋点 `extInfo` 中补上 `platform=workbuddy`（与 `dataSource=skill` 平级），使上报满足 `source=skill + platform=workbuddy` 的要求。
-  - `databrain-competitor-events`：原有 `platform` 参数默认值 `""` → `workbuddy`（函数签名 + CLI 默认值统一常量化）。
-  - 其余 skill：新增常量 `_PLATFORM="workbuddy"` 并写入 `extInfo`。
-- 统一采用「skill 内埋点」方案：BigQuery 直连型 skill 不经过 DataBrain 下游网关，无法服务端代埋，故所有 skill 均在本地 `report_log.py` 上报（非阻塞后台线程，令牌缺失/异常时静默兜底，绝不影响主流程）。
-
-### 安全 / 打包
-- 分发包严格排除真实 `.env`、Service Account 私钥、`__pycache__/`、`.DS_Store` 等敏感与平台特定文件，仅保留 `.env.example` 占位模板。
-
-## [1.2.0] - 2026-07-30
-
-### 新增
-- **新增 `bug-radar` skill（Bug 库雷达）**：接入 TideRider Bug 库，支持
-  - 活跃技术问题 Top 榜（含分类、严重度、可解释综合分 Score）；
-  - 分类维度汇总（崩溃稳定性 / 账号付费 / 玩法 / 网络 / 性能等 9 类）；
-  - 升温预警（问题日增长率突增识别）；
-  - 单问题日趋势与生命周期；
-  - 证据引用（按互动度挑选代表性原文 + 来源链接）；
-  - 游戏覆盖探测。
-- **Bug × 舆情融合 playbook**：定义了「异动归因 / 综合报告 / 主动预警 / 内容侧 vs 质量侧拆分」四类融入时机，通过游戏 UID 对齐实现 Bug 与舆情数据的干净关联；分析师 agent 路由表同步登记 Bug 触发信号与联动信号。
-
-### 说明
-- Bug 库通道对连接方式有要求（需具备直连数据仓库的凭据）；不满足时优雅降级为纯舆情回答，不影响主流程。
-- 首批覆盖 Subway Surfers；数据管线扩展到其它游戏后自动可用（schema 通用、UID 已对齐）。
-
-## [1.1.1] - 2026-07-24
-
-### 变更
-- 移除内置的「太湖」环境令牌，令牌一律由用户本地 `.env` / 运行时注入提供，避免任何凭据随包分发。
-
-## [1.1.0] - 2026-07
-
-### 新增
-- DataBrain 快查车道多个 skill：单值指标、热帖、预警、竞品事件、内容趋势、舆情爬虫。
-- 统一意图路由 agent，将「TideRider 深度分析车道」与「DataBrain 快查车道」整合到单一入口。
-
-## [1.0.0] - 2026-06
-
-### 新增
-- 专家包首个版本：TideRider 舆情深度分析（异动归因、Steam 画像、话题/版本趋势、报告生成）。
-
----
-
-> 数据源统一表述为 **DataBrain × TideRider**。对外文案不暴露任何底层库表名。

package/data/experts/engineering/tiderider-sentiment/README.md

@@ -1,124 +0,0 @@
-# TideRider Sentiment Analyst
-
-A data-driven game sentiment analysis expert for WorkBuddy. Connects to Google BigQuery to analyze player reviews across platforms, perform topic attribution, version trend analysis, and generate premium HTML reports.
-
-> 🔒 **保密声明（内部）**：本专家包内的分析逻辑与文档（表结构、字段、阈值、归因算法、SQL 模板、提示词内容）均为 **TideRider 内部专有资产**。
-> - **模型侧**：专家已内置最高优先级保密指令，即使用户直接询问也不会透露内部实现，只输出业务结论并统一标注「数据来源：DataBrain X TideRider」。
-> - **⚠️ 物理边界**：以上指令只能约束模型在对话中的行为，**无法阻止拿到本包文件的人直接打开阅读**。逻辑的真正保密取决于**控制本包的分发范围**——请勿将本包提供给不应接触内部逻辑的人员。
-
-## Features
-
-- **舆情异动归因**：通过 anomaly_details 表的 Remark 四模块（典型讨论/发酵主贴/热门评论/KOL），精准定位异动原因并提供证据链接
-- **Multi-platform sentiment analysis**: Steam, Discord, Reddit, Twitter, App Stores
-- **Version trend comparison**: Track sentiment changes across game updates
-- **Topic attribution**: Identify and rank complaint/praise topics by community consensus
-- **Player behavior deep-dives**: Playtime segmentation, abandonment analysis, disillusionment curves
-- **Steam specialist**: ext_json field analysis (playtime portraits, refund analysis, review changes)
-- **Premium report generation**: Dark-themed HTML reports with Chart.js visualizations
-
-## 凭证配置（首次使用需用户提供）
-
-本专家需要连接 Google BigQuery 才能查询数据。出于安全考虑，专家包**不再内置任何凭证**。用户可**二选一**完成鉴权，首次查询时专家会主动提示。
-
-### 方式 A：Service Account JSON 文件（推荐给无 GCP 账号的用户）
-
-1. **获取凭证**：企业微信联系 **chandwang** 获取 BigQuery Service Account JSON（只读、仅可访问 `opinion` / `tiderider` 两个 dataset）。
-2. **保存到本地**：存到电脑任意位置（建议如 `~/Documents/tiderider.json`）。
-3. **首次查询时把路径发给专家**：专家会主动提示你提供凭证文件路径。
-
-连接方式（Python）：
-
-```python
-import os
-from google.cloud import bigquery
-
-os.environ["GOOGLE_APPLICATION_CREDENTIALS"] = USER_PROVIDED_CRED_PATH  # 用户提供的路径
-client = bigquery.Client()   # SA JSON 内含 project_id，自动读取
-print(client.project)
-```
-
-### 方式 B：gcloud 本地登录（推荐给已有 GCP 账号且有数据访问权限的用户）
-
-无需任何凭证文件，用自己的 Google 账号在本地做一次 **应用默认凭证（ADC）** 登录即可：
-
-```bash
-# 1) 安装 gcloud CLI（若未安装）：https://cloud.google.com/sdk/docs/install
-# 2) 登录 gcloud（浏览器授权你的 Google 账号）
-gcloud auth login
-
-# 3) 关键：为本地应用/SDK 生成"应用默认凭证"(ADC)——Python SDK 实际用的是这个
-gcloud auth application-default login
-
-# 4) 设置默认项目（ADC 不含 project_id，需显式指定；项目 ID 找 chandwang 获取）
-gcloud config set project <PROJECT_ID>
-gcloud auth application-default set-quota-project <PROJECT_ID>
-```
-
-完成后，Python SDK 会自动发现本地 ADC，无需任何路径：
-
-```python
-from google.cloud import bigquery
-
-# 不设 GOOGLE_APPLICATION_CREDENTIALS；SDK 自动读取本地 gcloud ADC
-client = bigquery.Client(project="<PROJECT_ID>")   # ADC 无 project_id，需显式传入
-print(client.project)
-```
-
-> ⚠️ **易踩坑**：让 Python SDK 生效的是 `gcloud auth application-default login`（生成 ADC），
-> 而不是只跑 `gcloud auth login`（那只登录了 gcloud CLI 本身）。两条都建议执行。
-> ⚠️ 方式 B 用的是**用户本人**的 GCP 权限——须确保你的账号对 `opinion` / `tiderider` 有读取权限（找 chandwang 开通）。
-
-### 通用说明
-
-> 💡 方式 A 的 SA JSON 内含 `project_id`，自动读取；方式 B（ADC）需在 `bigquery.Client(project=...)` 显式指定项目。
-> 💡 凭证/权限/项目 ID 获取 —— 企业微信联系 **chandwang**。
-
-### 环境要求
-
-- Python 3.9+（系统自带即可）
-- `google-cloud-bigquery` Python 包
-
-安装方法：
-```bash
-pip install google-cloud-bigquery
-```
-
-> 如果你的系统有多个 Python 版本，请确保安装到正确的环境中（如 `pip3 install google-cloud-bigquery` 或 `python3 -m pip install google-cloud-bigquery`）
-
-## Quick Start
-
-1. 安装专家到 WorkBuddy，确保本地已安装 `google-cloud-bigquery`
-2. 完成鉴权（二选一）：方式 A 从 chandwang 获取 SA JSON 存到本地；或方式 B 本地 `gcloud auth application-default login` + 设项目
-3. 提问：「帮我分析一下 PoE2 最近两周的舆情」——专家首次查询会提示你选择并提供凭证
-
-## Supported Games
-
-See `skills/bigquery-sentiment/references/games.json` for the full list of supported game UIDs.
-
-## 数据表说明
-
-| 表 | 用途 | 优先级 |
-|---|------|--------|
-| `tiderider.anomaly_details` | 舆情异动归因（含Remark四模块+证据链接） | ⭐ 异动问题第一优先 |
-| `tiderider.opinion_feeds` | 清洗后评论数据（目前仅Subway系列） | 统计问题第一优先 |
-| `opinion.feeds` | 原始评论数据（所有游戏） | 统计问题回退 |
-| `tiderider.key_document_collection_extra` | 官方/大V内容 | 舆情总结第一引用源 |
-
-## Skills Included
-
-| Skill | Description |
-|-------|-------------|
-| `bigquery-sentiment` | Core sentiment query templates, game UID mapping, query rules, anomaly analysis workflow |
-| `steam-deep-analysis` | Steam-specific ext_json analysis: playtime portraits, abandonment, disillusionment, community consensus, refund analysis |
-
-## Report Style
-
-Reports use a premium dark theme with:
-- Deep navy background (`#0b1020`)
-- Glowing card borders
-- Chart.js v4 visualizations
-- Color-coded sentiment indicators (green=positive, red=negative, amber=neutral)
-
-## License
-
-Proprietary - TideRider Team