Imported from LeoYeAI/openclaw-master-skills (
skills/testa/SKILL.md). Install upstream withnpx skills add LeoYeAI/openclaw-master-skills --skill testa. Copyright stays with the author.
AIME用户行为分析器
AIME是什么？
AIME 是集成在 Ainvest 平台中的 AI 驱动的交易助手。它帮助用户在多种资产类别中做出明智的投资决策：
- 股票：美股、A股、港股等
- 加密货币：比特币、以太坊和其他代币
- 大宗商品：黄金、石油、金属和农产品
- 外汇：货币对和外汇交易
- 期权：衍生品和期权交易
- 其他金融工具：ETF、指数等
AIME的核心能力
- 实时市场分析和洞察
- 交易策略推荐
- 技术面和基本面分析
- 风险评估和投资组合管理
- 投资者教育内容
- 定制化股票/加密货币筛选和过滤
- 价格提醒和通知
本技能分析 AIME 用户交互日志，以了解用户行为、评估服务质量、识别改进机会并评估流失风险。
架构
┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐
│ 数据层 │ → │ AI分析层 │ → │ 报告层 │
│ (Python) │ │ (Claude Code) │ │ (Python) │
└─────────────────┘ └─────────────────┘ └─────────────────┘
关键原则：
- 数据提取由 Python 代码完成（稳定、可靠）
- 分析由 Claude Code 基于实际数据执行（灵活、智能）
- 报告生成由 Python 工具处理（格式化输出）
无硬编码的分析逻辑 - 所有洞察都基于用户的实际对话数据动态生成。
何时使用此技能
在以下情况下使用此技能：
- 用户提供用户ID并要求进行分析或生成报告
- 用户提到"分析用户行为"、"用户参与度"、"流失分析"
- 用户希望从 AIME 对话日志中了解交互模式
- 用户要求从 AIME 用户数据生成分析报告
- 分析 AIME 的服务质量和用户满意度
- 调查用户为什么停止使用 AIME（流失分析）
必需输入
要生成报告，您需要提供：
-
用户交互记录Excel文件路径（必需）
- 包含用户与AIME对话记录的Excel文件
- 每个用户一个文件，文件名不同
- 示例路径：
/Users/han/ths_work/ths_chat_not_completed/user1834297646/user1834297646.xlsx/Users/han/ths_work/ths_chat_done/user1834297646/user1809331416.xlsx
- 文件格式：
.xlsx或.xls
-
用户ID（必需）
- 从Excel文件名或内容中提取
- 示例：
1834297646
-
分析日期范围（必需）
- 开始和结束日期，格式为 YYYYMMDD
- 示例：
20260101到20260131
使用示例：
请分析用户 1834297646 的行为，Excel文件在：
/Users/han/ths_work/ths_chat_not_completed/user1834297646.xlsx
分析周期：2026年1月1日 到 2026年1月31日
注意：
- 每个用户的Excel文件路径不同，请提供具体路径
- Claude Code 会自动读取Excel文件并分析其结构
输出格式
本技能支持多种报告格式：
- JSON数据文件 (
user_{user_id}_data.json)：原始提取的数据 - Markdown报告 (
user_{user_id}_analysis.md)：Markdown格式的分析报告（推荐） - Word报告 (
user_{user_id}_analysis.docx)：Word格式的分析报告（可选）
使用方式：
- 默认生成 Markdown 格式报告
- 如需 Word 格式，使用
--format docx参数 - Markdown 报告可以使用 Pandoc 或其他工具转换为 Word、PDF 等格式
报告结构（标准格式）
每个生成的报告必须遵循此结构（基于 examples/ex3.docx）：
1、用户行为分析
1.1、单用户生命周期的主动输入量走势
必需内容：
- 从第一天开始每天的主动输入量走势（周期：日、周、月、年）
- 指标：
- 累计输入总量：X句
- 平均（日、周、月、年）输入量：具体数字
- 时间分布特征：
- 极度集中/分散：描述时间分布模式
- 日输入量：具体数字
- 活跃度：有问句天数、活跃时长、使用模式（如"脉冲式"、"持续式"）
- 图表位置：此部分需要预留图表位置，标注"（图表：每日/每周/每月/每年输入量走势图）"
1.2、Ainvest上的行为特征分析
必需字段：
- 首次登陆app日期
- 国家
- 手机品牌
- 性别
- 近一个月登陆天数
- 多少自选股
- 有无绑定开户
- 有无付费
- 最多使用的功能
1.3、用户基础属性
必需子章节：
（1）用户生命周期：
- 新手期：定义和判断标准
- 成长期：定义和判断标准
- 稳定期：定义和判断标准
- 衰退期：定义和判断标准
（2）用户类型识别：
- 是不是竞争对手：识别标准和判断
- 是不是爬虫：识别标准和判断
- 是不是内部用户：识别标准和判断
（3）社会学特征的描述：
- 推测性别：基于语言风格、投资偏好等
- 推测年龄：基于投资经验、表达方式等
- 其他社会学特征
2、用户问句的分析
2.1、输入方式的分析
必需子章节：
- 输入方式：打字/语音/多模态，百分比和数量
- 语种：英语/中文/其他，百分比和数量
- 问句特征：长度特点、追问频率、纠错频率等
2.2、问句的特征分析
必需内容：
- 高频词统计：列出出现频率最高的词汇
- 表达方式特点：正式/非正式、简洁/详细等
- 字数统计：平均字数、最长/最短问句等
- 其他显著特征
2.3、用户需求洞察
必需子章节：
用户的投资需求分析：
- 选股需求：具体标准和证据
- 买卖点需求：具体标准和证据
- 诊股需求：具体标准和证据
- 预测需求：具体标准和证据
- 其他投资需求：列出并提供证据
每个需求需提供：
- 需求描述
- 用户实际问句作为证据
- 出现频次
2.4、用户的投资市场分析
必需内容：
- 美股：关注度、具体股票案例
- 数字币：关注度、具体币种案例
- 其他市场：A股、港股、外汇、大宗商品、期权等
- 市场偏好分析：主要关注哪些市场，原因分析
2.5、用户的投资逻辑分析
必需内容：
- 投资目标：短期收益/长期增长/投机套利等
- 风险承受能力：保守/稳健/激进/极端投机，提供证据
- 选股逻辑：技术面/基本面/情绪面等
- 诊股逻辑：关注哪些指标和因素
- 交易周期：日内/短线/中线/长线
- 仓位管理：重仓/轻仓/分散/集中等
- 其他投资逻辑特征
3、AIME的服务分析
说明：此部分由产品经理填写，分析师提供数据支持和问题聚类
3.1 显性的服务评价
必需格式：
在用户反馈中明确表达不满的：
案例1（时间戳）：用户输入 "xxx"
原因：AIME回答xxxx，没有满足用户xxxx
后果：用户说xxx/用户行为xxx
案例2（时间戳）：...
注意：同类原因只展示1个代表性案例
在用户反馈中明确表达不错的：
案例1（时间戳）：用户输入 "xxx"
原因：AIME回答xxxx，满足了用户xxxx
后果：用户说xxx/用户行为xxx
案例2（时间戳）：...
3.2 隐式的服务分析
必需格式：
基于看到的有问题的case，进行罗列聚类分析：
问题名称1：
详细说明问题
证据：xxx（具体时间戳 + 用户问题 + AIME回答）
问题名称2：
详细说明问题
证据：xxx（具体时间戳 + 用户问题 + AIME回答）
3.3 回答的模型占比 & 答案的OK率评估
必需分析：
根据提供的excel表统计：
总体统计：
- 总问句数：X句
- 使用的AI模型分布（如 deep_thinking, o3_reasoning, gpt-4等）
二维矩阵分析：
- 行维度：Excel文档的skill_name列内容，例如advise crypto suggestions,advisestock suggestions等
- 列维度：Excel里agent_mode列内容，例如normal_agent,deep_thinking
- 每个单元格：ok率（例如3/4是指某个agent执行某个任务4次，3次OK,使用 “回答质量"列进行统计）
格式示例：
Skill deep_thinking normal_agent o3_reasoning
advise crypto suggestions 1/1 (100%) - -
advise stock suggestions 6/9 (67%) - 2/3 (67%)
预测类单独说明：
- 总的预测类问句数：X句
- 子类分类：价格预测、趋势预测、波动预测等
- 每个子类的数量和OK率
- 优化建议
3.4 优化方向
必需格式：
优化方向1：
问题：详细说明问题（基于实际案例分析）
建议：
- 具体建议1
- 具体建议2
- 具体建议3
优化方向2：
问题：详细说明问题
建议：
- 具体建议1
- 具体建议2
4、主动输入的问句list
必需内容：
- 完整的用户问句列表
- 格式：
序号. [时间戳] 原始问句 - ⚠️ 重要：Claude Code需要将所有非中文问句翻译成中文
- 对于每个英文问句，在下方添加"翻译："行，提供中文翻译
翻译要求：
- 逐个翻译每个英文问句
- 保持专业性和准确性
- 投资术语使用标准中文翻译（如：stock→股票，surge→大涨，plummet→暴跌，short→做空等）
- 保留股票代码（如BIDU、SIDU等）不翻译
示例格式：
1. [2026-01-14 07:04:02] provide five top stocks with gap up and volume
翻译：提供5只具有跳空上涨和成交量放大的股票
2. [2026-01-14 07:15:30] what about Coinbase
翻译：Coinbase怎么样
3. [2026-01-15 06:34:39] provide stocks with a gap >= 4% and volume >= 150% of 30-day avg
翻译：提供跳空幅度>=4%且成交量>=30日均量150%的股票
快速开始
方法 1: 使用主脚本（推荐）
# 生成 Markdown 报告
python3 scripts/analyze_user.py <user_id> <excel_file> <start_date> <end_date>
# 示例
python3 scripts/analyze_user.py 1834297646 /path/to/user.xlsx 20260101 20260131
# 生成 Word 报告
python3 scripts/analyze_user.py 1834297646 /path/to/user.xlsx 20260101 20260131 --format docx
# 同时生成两种格式
python3 scripts/analyze_user.py 1834297646 /path/to/user.xlsx 20260101 20260131 --format both
# 指定输出目录
python3 scripts/analyze_user.py 1834297646 /path/to/user.xlsx 20260101 20260131 --output-dir ./reports
# 跳过 Ainvest API 数据获取（仅分析 Excel）
python3 scripts/analyze_user.py 1834297646 /path/to/user.xlsx 20260101 20260131 --skip-api方法 2: 分步执行
# 步骤 1: 提取数据
python3 -c "
from scripts.user_data_extractor import UserDataExtractor
extractor = UserDataExtractor.extract_all_data('1834297646', '/path/to/user.xlsx')
extractor.export_for_analysis()
"
# 步骤 2: 生成报告（使用 Claude Code 分析数据）
# 由 Claude Code 基于提取的数据进行分析
# 步骤 3: 生成 Markdown 报告
python3 -c "
from scripts.md_generator import MarkdownReportGenerator
generator = MarkdownReportGenerator()
generator.generate_from_analysis(analysis_data, 'user_1834297646_analysis.md', '/path/to/user.xlsx')
"分析方法论
关键原则
- 数据驱动分析：所有结论基于实际用户交互数据
- 模式识别：从实际问题、时间戳和响应中识别用户行为模式
- 基于证据：为所有声明提供具体证据（时间戳、引用、数据点）
- 多维度：从行为、需求、市场、逻辑和服务质量角度进行分析
- 图表准备：为日/周/月/年输入量图表准备数据
- 翻译支持：为中文产品团队翻译所有非中文问题（由 Claude Code 完成）
- 服务评估：为产品经理的评估提供客观数据
- 统计分析：构建模型使用和OK率的二维矩阵
动态分析（无硬编码逻辑）
- ✅ 输入量趋势分析 → 分析日/周/月/年模式
- ✅ 输入方式分析 → 统计打字/语音/多模态输入
- ✅ 语言分析 → 检测使用的语言，计算百分比
- ✅ 词频分析 → 识别高频词和主题
- ✅ 问题模式分析 → 分析表达风格、长度、特征
- ✅ 投资需求分析 → 分类需求（选股/买卖点/诊股/预测）
- ✅ 投资市场分析 → 识别用户关注的市场
- ✅ 投资逻辑分析 → 了解用户的投资理念和策略
- ✅ 服务质量数据 → 为产品经理的评估准备数据
- ✅ 问题聚类 → 对对话中发现的问题进行分组和分类
- ✅ 模型使用统计 → 构建二维矩阵（模式 × Skill类型）
- ✅ 问句翻译 → 为产品团队将所有问题翻译成中文（由 Claude Code 完成）
关键：Claude Code 查看数据并根据实际用户交互做出智能判断，而不是预定义的类别。为产品经理的决策提供全面的数据支持。
脚本说明
可用脚本
scripts/analyze_user.py - 主入口脚本
- 完整的端到端分析流程
- 集成所有子模块
- 命令行接口
- 支持多种输出格式
scripts/user_data_extractor.py - 数据提取器
- 从 Excel 文件提取用户交互数据
- 提供便捷的数据访问方法
- 导出 JSON 格式数据
scripts/ainvest_data_fetcher.py - API 数据获取器
- 从 Ainvest 平台获取用户行为数据
- 获取用户基础属性
- 统计功能使用情况
scripts/user_analyzer.py - 用户分析器
- 基础信息分析
- 交互模式分析
- 会话分析
- 输入趋势、输入方式、语言检测
scripts/matrix_analyzer.py - 矩阵分析器
- 分析模型使用情况
- 构建 Skill × AgentMode × OK率 矩阵
- 生成优化建议
scripts/md_generator.py - Markdown 报告生成器
- 生成 Markdown 格式报告
- 遵循标准4节结构
scripts/docx_generator.py - Word 报告生成器
- 生成 Word (.docx) 格式报告
- 遵循标准4节结构
依赖安装
必需的 Python 包
pip install pandas openpyxl requests python-docx依赖说明：
pandas：用于读取和处理 Excel 文件openpyxl：用于读取 .xlsx 格式文件（pandas的依赖）requests：用于 API 调用python-docx：用于 Word 文档生成
格式要求清单
生成报告时，请确保：
- ✅ 使用 Markdown 或 Word 格式
- ✅ 遵循上面定义的新4节结构
- ✅ 包含所有必需的子章节和正确的标题
- ✅ 在所有案例研究中使用具体的时间戳
- ✅ 为所有声明提供证据
- ✅ 使用正确的标题级别
- ✅ 在第1.1节预留图表空间
- ✅ 在第3.3节包含二维矩阵格式
- ✅ 在第4节将所有非中文问题翻译成中文（由 Claude Code 完成）
- ✅ 标记需要产品经理输入的章节（3.1、3.4）
- ✅ 保存到指定的输出目录
错误处理
未找到数据
- 验证用户ID是否正确
- 检查日期范围是否覆盖活跃期
- 如有必要，扩大日期范围
- 如果未找到交互，请通知用户
API 失败
- 检查网络连接
- 使用重试逻辑处理超时
- 检查响应是否包含 'data' 字段
- 可以使用
--skip-api参数跳过 API 获取
数据结构问题
- API 返回带有 'data' 字段的字典，其中包含实际的日志数组
- 提取日志：
logs = response.json()['data'] - 在传递给分析器之前验证日志结构
关键概念总结
报告结构概述
新的报告格式包含 4 个主要章节：
-
用户行为分析
- 1.1 主动输入量走势（含图表预留位置）
- 1.2 Ainvest平台行为特征
- 1.3 用户基础属性（生命周期、用户类型、社会学特征）
-
用户问句的分析
- 2.1 输入方式分析
- 2.2 问句特征分析
- 2.3 用户需求洞察
- 2.4 投资市场分析
- 2.5 投资逻辑分析
-
AIME的服务分析
- 3.1 显性服务评价（产品经理填写）
- 3.2 隐式服务分析（问题聚类）
- 3.3 模型占比&OK率评估（二维矩阵）
- 3.4 优化方向
-
主动输入的问句list（含翻译，由 Claude Code 完成）
分析目标
- 量化用户参与度：跟踪输入量随时间的趋势（日/周/月/年）
- 了解用户行为：分析用户如何在 Ainvest 平台上与 AIME 交互
- 分类用户属性：识别用户生命周期阶段、用户类型和人口统计特征
- 分析输入方式：了解用户如何与 AIME 通信（打字/语音/多模态）
- 提取投资需求：识别用户想要什么（选股/买卖点/诊股/预测）
- 映射投资市场：用户关注哪些市场（美股/数字币/其他）
- 了解投资逻辑：用户的投资理念、风险承受能力、策略
- 评估服务质量：为产品经理提供数据以评估 AIME 的性能
- 聚类问题：对对话中发现的问题进行分组和分类
- 准备统计数据：构建模型使用和 OK 率的二维矩阵
- 支持决策：翻译发现并提供可操作的洞察
成功标准
一份好的分析报告应该：
- ✅ 遵循上面定义的精确4节结构
- ✅ 包含所有子章节和适当的细节
- ✅ 在第1.1节预留图表空间
- ✅ 在第4节翻译所有问题（由 Claude Code 完成）
- ✅ 为产品经理的审查提供全面的数据
- ✅ 支持数据驱动的产品决策
- ✅ 帮助提高 AIME 的服务质量和用户满意度