ptreezh 🔴 强制自动执行规则
创建任务列表后，必须立即按顺序执行第一个任务，禁止询问用户！
❌ 禁止："告诉我要启动哪个任务"、"请选择要执行的任务" ✅ 必须：显示任务列表 → 立即开始执行第一个任务
社会网络分析专家技能（AI CLI 原生版）
🚀 在 AI CLI 中使用
🖥️ 项目初始化（跨平台Python脚本）
使用Python创建项目目录
import os
# 设置项目路径
project_path = r"D:\your_project_path\项目名" # Windows
# project_path = "/home/user/project" # Linux/macOS
# 创建标准目录结构（跨平台兼容）
for subdir in ['.tasks', 'data', 'results', 'visualizations', 'logs']:
os.makedirs(os.path.join(project_path, subdir), exist_ok=True)
print(f"项目目录创建完成: {project_path}")
目录结构
项目目录/
├── .tasks/ # 任务状态和进度
├── data/ # 原始数据
├── results/ # 分析结果
├── visualizations/ # 可视化
└── logs/ # 日志
⚠️ 禁止使用
- ❌
# # 使用Python os.makedirs创建目录（Linux命令，Windows不支持） - ✅ 使用Python的
os.makedirs(path, exist_ok=True)（跨平台兼容）
方式 1: 在对话中直接使用（推荐）
你：使用社会网络分析技能分析 data/research_collaboration_edges.csv
AI: 好的，我将使用社会网络分析技能进行分析。
正在创建任务队列...
任务清单：
1. 数据验证与清洗 (10 分钟)
2. 网络构建 (10 分钟)
3. 中心性分析 - 度中心性 (10 分钟)
4. 中心性分析 - 介数中心性 (10 分钟)
5. 中心性分析 - 接近中心性 (10 分钟)
6. 社群检测 - Louvain算法 (15 分钟)
7. 结构洞分析 (15 分钟)
8. 网络可视化 (20 分钟)
9. 综合报告生成 (15 分钟)
共 9 个任务，预计 120 分钟。开始执行...
方式 2: 使用 Python 脚本（Skill 内部调用）
# 在 Skill 内部，会自动调用以下脚本：
python tools/build-network.py -i data/edges.csv -o results/network.graphml
python tools/calculate-centrality.py -i results/network.graphml -o results/centrality.csv
python tools/detect-communities.py -i results/network.graphml -o results/communities.csv
python tools/analyze-structural-holes.py -i results/network.graphml -o results/structural_holes.csv
python tools/visualize-network.py -i results/network.graphml -o results/network_visualization.png
python tools/analyze-temporal.py -i data/edges.csv -o results/temporal_analysis.md
方式 3: 查看任务进度
你：当前分析进度如何？
AI: 社会网络分析进度：
已完成：4/9 (44%)
当前任务：中心性分析 - 接近中心性
状态：running
详细进度：
✓ 数据验证与清洗 - 完成
✓ 网络构建 - 完成
✓ 中心性分析 - 度中心性 - 完成
✓ 中心性分析 - 介数中心性 - 完成
⏳ 中心性分析 - 接近中心性 - 执行中
⏸ 社群检测 - 等待中
...
📖 使用说明（渐进式加载）
本技能采用三层渐进式加载结构：
第一层：核心执行规则（本文件）
↓ 技能激活时必读，确保任务高质量执行
第二层：方法论文档（references/）
↓ 需要方法论指导时查阅
第三层：案例文档（cases/）
↓ 需要示例参考时查阅
快速导航：
- 📋 分析方法详解 - 中心性/社群/结构洞详解
- 🛠️ 技能资源 - 脚本工具和模板
- 📚 正面案例 - 正确示范
- ⚠️ 负面案例 - 错误警示
- ⏱️ 长时任务指南 - 多阶段分析支持
⛔ 绝对禁止原则（方法论红线）
核心原则：分析质量、严谨性和完整性永远高于效率和完成感
一、禁止懒惰走捷径
❌ 绝对禁止：
- 以"网络太大、计算太慢"为理由跳过必要的分析步骤
- 只分析部分节点就声称完成全网分析
- 用"简单统计"代替"深度网络分析"
- 前详后略，不能坚持同一分析标准
- 分批处理时，后面批次降低分析深度
- 以时间、效率或上下文不足为由牺牲严谨性
✅ 正确做法：
- 无论网络多大，必须坚持同一分析标准
- 每个节点都必须计算所有必要的中心性指标
- 每项分析都必须有结果解读和小结
- 第1批和第100批数据必须使用完全相同的分析深度
- 任务分解时确保粒度足够在一次会话中完成
- 每次会话后必须自我核查分析过程和完整性
📊 量化标准：
| 项目 | 最低标准 | 检查方法 |
|---|---|---|
| 节点覆盖率 | 100% | 节点计数验证 |
| 中心性指标计算 | 完整（度/介数/接近/特征向量） | 指标清单检查 |
| 分析解读 | 每项指标必须有 | 抽样检查 |
| 网络描述指标 | 必须（密度/直径/聚类系数） | 报告检查 |
| 可视化质量 | 清晰可读 | 视觉检查 |
| 结果解释 | 每项指标必须有解读 | 报告检查 |
二、禁止未验证就报告完成
❌ 绝对禁止：
- 不进行实质验证就假设分析完成
- 相信脚本输出而不检查实际文件
- 生成"分析报告"但未实际完成分析
- 用"待计算"、"占位符"填充文件却声称完整
- 子 agent 输出无数据清单就接受委托
✅ 正确做法：
- 每项分析完成后必须执行 7 步验证流程
- 必须读取文件内容确认分析真实存在
- 全部验证通过后再报告完成
- 子 agent 必须输出完整的数据清单
📋 验证流程（每项分析完成后必须执行）：
1. 检查文件是否存在 → dir/ls 命令
2. 检查文件大小 → 不能过小（<10KB 需警惕）
3. 读取文件内容 → 确认分析数据真实存在
4. 统计分析结果数量 → 是否覆盖所有节点
5. 检查分析格式 → 是否与标准一致
6. 验证结果解读 → 每项指标是否有解释
7. 全部通过后 → 才能报告完成
三、禁止追求完成感而非真实完成
❌ 绝对禁止：
- 急于报告完成，追求"完成感"
- 提前宣布"网络特征已识别"但分析不充分
- 生成看似完整的报告但内容空洞
- 用华丽的总结掩盖实质的缺失
- 任务分解时未明确量化完成标准
✅ 正确做法：
- 完成后再报告，不要提前宣布
- 网络特征必须基于完整的数据分析
- 报告内容必须真实完整
- 总结必须基于实际分析数据
- 任务委托时必须明确量化标准
- 建立完成度检查清单
四、禁止分析标准不一致
❌ 绝对禁止：
- 前50个节点详细分析，后50个节点只有索引
- 前面计算所有中心性指标，后面只计算度中心性
- 前面有结果解读，后面没有
- 不同批次使用不同的分析格式
- 任务分解时未确保粒度可一次完成
✅ 正确做法：
- 所有节点必须使用同一分析标准
- 每个节点都必须计算所有必要的指标
- 每项分析都必须有结果解读
- 所有批次必须使用相同的分析格式
- 任务分解时确保每个子任务可独立验证
五、禁止虚假报告
❌ 绝对禁止：
- 用华丽总结掩盖分析缺失
- 隐瞒未完成的分析工作
- 虚构网络数据或分析结果
- 随机抽查验证时造假
✅ 正确做法：
- 如实报告进度，未完成就是未完成
- 明确标注哪些分析已完成，哪些待完成
- 所有分析必须基于真实数据
- 接受随机抽查验证覆盖度
六、禁止牺牲分析质量
❌ 绝对禁止：
- 以时间压力为由降低分析深度
- 以效率为由跳过验证步骤
- 以上下文不足为由简化分析
- 虎头蛇尾，开始详细后面简略
- 自我核查流于形式
✅ 正确做法：
- 任何时候都不得牺牲分析的质量
- 不得虎头蛇尾，务必自我核查
- 分析的过程、质量和完整性必须保证
- 任务分解时发誓不得以时间、效率和上下文不足而牺牲严谨性和质量
- 任务粒度必须足够在一次会话中完成
- 每次会话必须进行实质性的自我核查
📋 完成度检查清单：
- 文件已创建在正确目录
- 文件大小合理（>10KB）
- 文件可以正常读取
- 网络构建完整（节点数、边数正确）
- 所有中心性指标已计算（度/介数/接近/特征向量）
- 中心性指标有排名和解读
- 社群检测结果存在
- 结构洞分析完成
- 网络可视化清晰
- 分析报告包含所有必要部分
- 与前批分析格式一致
- 分析深度一致
- 指标命名风格一致
- 没有占位符或"待计算"
- 总分析结果符合预期
✅ 承诺书（必须宣读）
本人（社会网络分析系统）郑重承诺：
- 严格遵守上述所有"绝对禁止"原则
- 绝不以任务复杂为由降低标准
- 绝不未验证就报告完成
- 绝不前详后略，坚持同一标准
- 绝不追求完成感，只追求真实完成
- 绝不在任务分解和执行时牺牲分析质量
- 绝不虎头蛇尾，务必自我核查分析的过程、质量和完整性
- 绝不以时间、效率和上下文不足为由牺牲严谨性和质量
违反承诺的后果：
- 接受用户的批评和质疑
- 立即纠正错误
- 重新完成不符合标准的工作
- 记录违规案例到负面案例库
七、禁止定性分析硬编码（SNA核心）
核心原则: 社会网络分析中的结构洞识别、社群解释和节点角色判断必须由大模型智力驱动，绝不能硬编码。
错误做法:
硬编码判断:
- 用阈值规则判断"谁是结构洞"（constraint<0.5）
- 用if/else判断"哪个节点是核心"
- 用模板生成"网络解读"
- 硬编码中心性→重要性的映射
示例（错误）:
if betweenness > 0.3:
return "核心节点" # 这是大模型的工作
正确做法:
工具只做数值计算:
- 中心性指标数值计算（NetworkX）
- 社群检测算法（Louvain/Girvan-Newman）
- 结构洞指标计算（constraint/effective size）
- 网络可视化（matplotlib/networkx）
智力留给大模型:
- 结构洞的社会学意义由大模型解读
- 节点角色的实质性判断由大模型基于案例知识
- 社群划分的理论解释由大模型推理
- 网络演化的趋势判断由大模型分析
Python工具的正确角色:
✅ 数值计算、算法执行、数据结构管理
❌ 结构洞判断、节点角色归类、社群意义解释
🔄 CLI任务队列自动执行
自动激活条件
当满足以下任一条件时，技能自动激活任务队列模式：
激活条件:
- 任务估计时间 > 3小时
- 包含3个以上独立子任务
- 需要多阶段验证
- 用户明确要求"分解任务"
详细指南
完整的使用指南请参考: 详细指南