piaoxuemoli Monitor Analyzer
自动抓取开悟平台训练监控数据，结合代码分析训练状态，发送图表、长期趋势与排序建议。
代码与描述分离：脚本在 scripts/，详细指标解读/正常范围/输出模板在 reference.md。
When to Use
| 场景 | 触发方式 | 动作 |
|---|---|---|
| 用户问 "看看训练状态" / "reward 怎么样" | 主动 | 完整分析（fetch + plot + report） |
| 用户给新 URL 或 token | 配置更新 | 解析参数 → 更新 config → 验证 |
| 用户说 "切换赛段" / "新训练开始了" | 配置更新 | 更新 config + 重新验证 |
cron 写入 data/alert.json |
被动 | 自动 fetch + 分析，标注 "自动触发" |
| cookie 过期（validate 失败） | 被动 | 提示用户更新 token |
Don't use for: 代码审查（用 代码审查 skill）、超参建议（用 rl-advisor skill）。
执行规则
所有步骤自动执行，不询问确认。 直接运行命令、读文件、生成分析。仅在出错（token 过期、网络故障）时才向用户报告。所有脚本在 skill 的 scripts/ 目录下运行。
执行流程
Step 1: 检查告警（被动触发）
读 data/alert.json，若存在且 status == "alert"：标记 "自动触发：检测到训练异常"，列出所有 alert（metric/type/detail），继续后续步骤。无告警文件则跳过。
Step 2: 抓取数据
cd scripts
python3 fetch.py --hours 6 --format structured
--format structured输出 JSON 摘要（含 avg/std/cv/trend，便于解析）- 用户指定范围用
--hours N；只关心某组用--groups quick_check - 自动写
data/latest.json，并按 task_id 追加一条摘要到data/history/<task_id>.jsonl
抓取失败时：不要继续后续步骤，转「配置/鉴权恢复流程」。 fetch 会输出状态行 ✗ [status] ... 并用不同退出码区分（status ∈ missing_config / token_expired / network_error / api_error）。需要机器判断时加 --json 取 {"status","need","message"}。
Step 3: 生成图表
cd scripts
python3 plot.py --hours 6
输出到 /tmp/monitor_charts/：reward_trend / loss_curve / convergence / environment / eval（评估与对位胜率）/ skill（施放/命中/放空）/ longterm（当前运行长期趋势）。出错则跳过图表，用文字代替。
Step 4: 长期趋势与诊断建议
cd scripts
python3 report.py --json --since 72h
输出当前训练运行的长期趋势（按 task_id 分桶，URL 变即新运行）+ 结构化 findings（status + 排序建议）。
Step 5: 代码关联分析
读 data/latest.json 与 report 的 findings，对照 reference.md 的指标解读框架与「症状→动作」决策表分析。必须做到：
- 对照 conf.py 实际权重解释各分项贡献（勿凭印象）
- 指出异常指标对应的代码逻辑
- 给可操作建议（调哪个参数、为什么）
- 区分正常波动与真正异常（selfplay 下看胜率而非 reward_sum）
Step 6: 组装输出
按 reference.md 的飞书输出模板组织：状态结论 → 核心指标 → 评估/对位 → Reward 分项 → Loss 与稳定性 → 技能使用 → 长期趋势 → 异常 → 结论与建议 → MEDIA 图片。不用表格；图片末尾 MEDIA: 前缀逐行嵌入。
配置/鉴权恢复流程（主动检测 → 告知 → 更新 → 验证 → 继续）
当 fetch / validate 返回非 ok 状态时，主动按 status 分支处理；不要把失败当无数据糊弄过去。所有命令在 scripts/ 下运行。
判定状态（任选其一）：
cd scripts
python3 fetch.py --validate --json # 输出 {"status","need","message",...}
退出码：ok=0 / missing_config=3 / token_expired=4 / network_error=5 / api_error=6。
status == token_expired（need: token）
向用户说明并索要："训练 token 已过期，请提供新的 kaiwu-token（浏览器 → 开悟监控页 → Cookie 里的 kaiwu-token）。" 拿到后：
cd scripts
python3 fetch.py --update-config --token "<NEW_TOKEN>" --json
python3 fetch.py --validate --json
validate 返回 ok → 回到 Step 2 继续；仍 token_expired → 告知 token 可能复制有误，请重取。
status == missing_config（need: url[, token]）
向用户说明并索要："需要本次训练的监控页面 URL（含 task_id/team_id/domain_id/exp_id），请从开悟监控页地址栏复制完整 URL。"（若同时缺 token，一并索要） 拿到后：
cd scripts
python3 fetch.py --update-config --url "<完整URL>" --json # 若同时缺 token 再加 --token "<TOKEN>"
python3 fetch.py --validate --json
- update 输出含
missing_fields：非空说明 URL 仍没带齐参数（可能只复制了片段），需让用户提供完整 URL。 - URL 变即新训练运行，history 自动开新桶（
data/history/<task_id>.jsonl）。 - validate ok → 回到 Step 2。
status == network_error
告知用户网络无法连接开悟平台，请检查网络/VPN 后重试。不要反复重试或改 token。
status == api_error
报告返回的 code 与 msg，提示可能是任务参数（task_id/exp_id 等）不匹配，请核对 URL。
赛段切换
cd scripts
python3 fetch.py --update-config --stage 全国决赛
→ "已切换。请提供新训练的 URL。"（随后走 missing_config 分支补 URL）
Cron 配置
异常检测由系统 cron 每 30 分钟运行（路径为 skill 内 scripts）：
*/30 * * * * cd /path/to/Kaiwu_2026/.hermes/skills/kaiwu/monitor-analyzer/scripts && python3 check.py --json >> ../data/check.log 2>&1
- 阈值：reward 1h 降 50%、loss spike 10x、胜率 4h 停滞、eval 胜率 4h 降 30%、value_loss_tower spike 8x、skill_whiff_rate >0.5、reward_sum/policy_loss 震荡(cv)
- 异常写
data/alert.json，无异常清除；告警文件持久化（不在 /tmp）
注意事项
- 训练云端运行 168h，短期波动正常，勿过度解读小波动
- token 随训练变化，每次新训练需更新
config.local.yaml与data/含敏感/运行时数据，不提交 git- 用户没明确问训练状态时，不要主动触发
- 分析必须对照 conf.py 实际参数值（见 reference.md），不凭印象