# {博主名} 风格画像

> **蒸馏置信度**：{高/中/低}
> **数据来源**：{平台列表}，共 {N} 篇内容（文章/帖子/视频）
> **蒸馏时间**：{YYYY-MM-DD}
> **AI 风格模拟，不构成投资建议**

---

## 1. 交易体系DNA

### 1.1 核心交易模式
{描述博主的核心交易模式，如龙头战法、趋势跟随、价值投资等}

**原文证据：**
- {引用1}
- {引用2}

### 1.2 选股逻辑
{描述博主如何选股，关注哪些维度}

**原文证据：**
- {引用1}
- {引用2}

### 1.3 买入信号
{描述博主在什么条件下买入}

**原文证据：**
- {引用1}

### 1.4 卖出/止损信号
{描述博主在什么条件下卖出或止损}

**原文证据：**
- {引用1}

### 1.5 仓位管理
{描述博主的仓位管理策略}

**原文证据：**
- {引用1}

### 1.6 核心分析工具（思维框架）
{列出博主分析市场时最常用的思维工具，如：产业链研究、宏观经济分析、财务报表分析、技术面分析、资金面分析、情绪周期分析、政策面分析等}

**原文证据：**
- {引用1——展示博主使用某分析框架的典型案例}

---

## 2. 市场判断DNA

### 2.1 交易流派
{长线/短线/波段，以及具体流派名称}

### 2.2 板块偏好
{列出博主偏好的板块及原因}

### 2.3 持仓周期
{描述典型持仓时间}

### 2.4 多空条件
{描述博主在什么条件下看多/看空}

### 2.5 历史预判追踪
| 时间 | 预判内容 | 实际结果 | 准确度 |
|------|---------|---------|--------|
| {日期} | {预判} | {结果} | {命中/偏差/未验证} |

---

## 3. 表达风格DNA

### 3.1 文章结构
{描述文章的典型结构，如：开头→市场概述→板块分析→操作策略→心态感悟→结尾}

### 3.2 标志性表达（TOP 10）
| # | 表达 | 出现次数 | 使用场景 |
|---|------|---------|---------|
| 1 | {表达1} | {N}次 | {场景} |
| 2 | {表达2} | {N}次 | {场景} |

### 3.3 标题模式
{描述标题的典型模式，如疑问句占比、感叹句占比等}

**典型标题示例：**
- {标题1}
- {标题2}
- {标题3}

### 3.4 开头模板
{描述文章的典型开头方式}

**模板1：** {描述}
**模板2：** {描述}

### 3.5 结尾模式
{描述文章的典型结尾方式}

### 3.6 语气与人称
{描述语气特征和人称使用习惯}

**语气量化数据：**（参考数据底稿第16节）
- 风格分类：{强语气型/中等语气型/冷静克制型}
- 感叹句/疑问句/第一人称/口语化 各指标篇均数值

### 3.7 论证链模式
{描述博主特有的分析推理路径，如：事件驱动型（从消息切入→分析影响→给出判断）、数据驱动型（从数据出发→对比分析→得出结论）、产业链分析型（事件→产业拆解→A股影响）、逆向思维型等}

**原文证据：**
- {引用1——展示博主论证链的典型段落}

### 3.8 数据引用风格
{描述博主引用数据的方式：高密度数据驱动型（每段都有数据支撑）、中等数据引用型（关键处引用数据）、主观判断型（以逻辑和观点为主，较少引用具体数据）}

### 3.9 文风温度
{描述文章的情感温度：高温度（情绪感染力强，感叹号多，口语化）、中温度（有观点但克制）、低温度（专业冷静，以数据和逻辑说服读者）}

### 3.10 视频/口播表达特征（如有）
{视频 vs 文字的表达差异，口头禅、语速特征等}

---

## 4. 内容深度DNA

### 4.1 平均字数
{平均字数}字（最短{min}，最长{max}，中位数{median}）

### 4.2 信息密度
{高/中/低} — {描述信息密度特征}

### 4.3 复盘详细度
{描述复盘的详细程度}

### 4.4 预判明确度
{描述预判的明确程度，是否给出具体标的/价位}

---

## 5. 互动特征DNA

### 5.1 读者互动方式
{描述与读者互动的方式}

### 5.2 战绩展示
{描述如何展示过往战绩}

### 5.3 争议处理
{描述如何处理争议和质疑}

### 5.4 免责声明
{免责声明使用率：{X}%} — {典型免责声明内容}

---

## 6. 热点图谱DNA

### 6.1 核心赛道
| 赛道 | 关注度 | 说明 |
|------|--------|------|
| {赛道1} | {分数} | {说明} |
| {赛道2} | {分数} | {说明} |

### 6.2 龙头记忆
{列出博主常提及的具体个股/标的}

### 6.3 常用盘面指标
{列出博主常用的技术指标和盘面数据}

### 6.4 资金面关注
{描述博主关注的资金流向维度}

### 6.5 跨市场视角
{描述博主是否关注全球市场联动：全球视角（美股+港股+A股+商品）、多市场（涉及2-3个市场）、单一市场（仅A股）}

**原文证据：**
- {引用1——展示博主跨市场分析的典型段落}

---

## 7. 人设基因DNA

### 7.1 投资经历
{投资年限、入市背景、职业经历}

### 7.2 投资哲学演变
{不同时期的投资理念变化，早期 vs 近期}

| 时期 | 投资理念 | 代表事件/文章 |
|------|---------|-------------|
| {早期} | {理念} | {事件} |
| {近期} | {理念} | {事件} |

### 7.3 里程碑事件
{公开提及的重大盈亏经历、投资转折点}

### 7.4 师承/影响源
{提及的投资大师、推荐书籍、引用频率最高的思想家}

| 影响源 | 引用频率 | 影响体现 |
|--------|---------|---------|
| {大师/书籍} | {频率} | {如何影响} |

---

## 附录：原文证据索引

| 序号 | 平台 | 出处 | 原文片段 | 对应维度 |
|------|------|------|---------|---------|
| 1 | {平台} | {标题} ({日期}) | {原文片段} | {维度} |
| 2 | {平台} | {标题} ({日期}) | {原文片段} | {维度} |

---

## 校验信息

| 校验项 | 结果 |
|--------|------|
| 校验日期 | {YYYY-MM-DD} |
| 抽样文章数 | {N} |
| A. 个股提及准确率 | {X}% |
| B. 风格特征准确率 | {X}% |
| C. 投资体系准确率 | {X}% |
| **综合准确率** | **{X}%** |
| 准出判定 | {通过/需补充蒸馏} |

# 蒸馏维度规范

> 本文档定义了公众号投资博主风格蒸馏的**七维DNA框架**详细规范。
> 每个维度约3000字，包含定义、子维度详解、提取方法、长短线差异、证据规则和产出标准。

---

## 总览

每位博主的风格画像包含 **7大维度**，蒸馏前需先判定交易类型（长线/短线/混合），再按对应侧重提取。

| # | 维度 | 核心问题 | 蒸馏产出 |
|---|------|---------|---------|
| 1 | 交易体系DNA | TA怎么交易？ | 核心模式、选股逻辑、买卖信号、仓位管理 |
| 2 | 市场判断DNA | TA怎么看市场？ | 交易流派、板块偏好、持仓周期、多空条件 |
| 3 | 表达风格DNA | TA怎么写/说？ | 文章结构、标志性表达、标题/开头/结尾模式 |
| 4 | 内容深度DNA | TA写多少？ | 字数统计、信息密度、复盘详细度、预判明确度 |
| 5 | 互动特征DNA | TA怎么互动？ | 读者互动、战绩展示、争议处理、免责声明 |
| 6 | 热点图谱DNA | TA关注什么？ | 核心赛道、龙头记忆、常用指标、资金面关注 |
| 7 | 人设基因DNA | TA是谁？ | 投资经历、哲学演变、里程碑事件、师承/影响源 |

**数据源**：redfox.hk 公众号文章接口（queryWorkList + workDetail）。

### 蒸馏质量铁律

> **必须从raw全文逐篇提取，禁止依赖任何clean/NER中间层。**

蒸馏准确性直接决定画像质量。经验表明，clean阶段的个股NER提取管线会遗漏大量信息（如一篇提及6只股票的文章可能只提取0-2只），导致画像基于不完整数据构建。因此：

1. **raw全文原则**：所有提取（个股/短语/板块/风格）必须直接遍历raw文章正文，不经过任何预处理过滤
2. **词典+别名匹配**：个股提取使用完整词典（含口语化别名，如"上证指数"→"上证/大盘/沪指/A股"），确保宽松但准确
3. **文章级板块计数**：板块关注度按文章级别计数（每篇只计一次），比词频更准确反映博主真实关注方向
4. **领域专用短语**：使用投资领域专用关键词列表提取关键短语，比通用句子频次统计更精准
5. **校验闭环**：蒸馏完成后必须执行准确性校验（`--validate`），≥80%方可准出

### 交易类型前置判定

蒸馏前**必须**先判定博主属于哪类交易者，因为不同类别的维度侧重完全不同：

| 维度侧重 | 长线交易者 | 短线交易者 | 混合型 |
|---------|-----------|-----------|--------|
| 投资哲学 | 价值投资/波段交易 | 龙头战法/情绪周期/题材驱动 | 两种兼有，需分场景 |
| 核心能力 | 生意本质 + 估值 + 护城河 | 热点捕捉 + 情绪周期 + 量价关系 | 分牛市/熊市切换 |
| 分析周期 | 年级别（10年持有视角） | 日级别（隔日~2周） | 中线波段为主 |
| 数据驱动 | 财务报表 + 行业数据 | 盘面数据 + 资金流向 + 消息面 | 兼顾基本面和技术面 |

**判定方法**：
1. 统计长线关键词（价值投资、护城河、基本面、财报、估值、持有、长期、生意、现金流、ROE、PE、PB）出现频次
2. 统计短线关键词（涨停、跌停、连板、龙头、游资、情绪、打板、复盘、盘面、资金流向、竞价、龙虎榜、妖股、止损）出现频次
3. 长线得分 > 短线得分×1.5 → **长线**；短线得分 > 长线得分×1.5 → **短线**；其余 → **混合型**
4. 混合型需进一步分析：是否在不同市场环境下切换风格（牛市偏短线、熊市偏长线等）

---

## 蒸馏置信度标注规则

每个维度的每个子特征**必须**标注置信度，让使用者知道哪些结论是强证据支撑、哪些是推测：

| 置信度 | 条件 | 标注方式 | 使用建议 |
|--------|------|---------|---------|
| **高** | ≥3条直接原文证据，特征明确且一致 | 🟢 高 | 可直接用于风格模拟 |
| **中** | 1-2条原文证据，特征较明确但有不确定性 | 🟡 中 | 可参考但需交叉验证 |
| **低** | 间接推断，原文证据不足或存在矛盾 | 🔴 低 | 仅作参考，不可作为风格模拟依据 |

**置信度降级规则**：
- 如果博主在不同时期对同一特征的描述矛盾，置信度降一级
- 如果特征仅从标题推断而无正文证据，置信度降一级
- 如果特征来自单篇文章而非多篇文章的共性，置信度降一级
- 如果特征来自AI推测而非原文明确表述，必须标为"低"

**禁止编造规则**：
- 不得编造博主未公开的交易记录、持仓数据、交割单
- 不得编造具体的收益率数字（除非博主自己公开过）
- 不得编造博主未提及的投资经历或人脉关系
- 所有推断必须标注"推断"字样及推断依据

---

## 维度1：交易体系DNA

### 定义与目标

交易体系DNA是蒸馏的核心维度，回答「TA到底怎么交易」这个根本问题。一个完整的交易体系包含五个闭环环节：**选什么 → 什么时候买 → 买多少 → 什么时候卖 → 错了怎么办**。蒸馏的目标是将博主分散在数十篇文章中的交易逻辑碎片，拼成一个自洽的交易系统。

### 子维度详解

#### 1.1 核心交易模式

核心交易模式是博主交易体系的"总纲"，决定了后续所有子维度的方向。

**长线交易者的核心模式提取**：

| 模式 | 特征描述 | 典型原文信号 |
|------|---------|------------|
| 深度价值投资 | 低估值买入、长期持有、安全边际优先 | "PE不到15倍"、"跌破净资产"、"用5毛钱买1块钱的东西" |
| 成长投资 | 关注营收/利润增速，愿为高增长付溢价 | "营收增速40%+"、"赛道天花板"、"渗透率刚过10%" |
| 质量投资 | 偏好高ROE、强护城河的优质企业 | "ROE连续5年>20%"、"品牌护城河"、"转换成本高" |
| 逆向投资 | 在市场恐慌时买入，在狂热时卖出 | "别人恐惧我贪婪"、"利空出尽"、"至暗时刻" |
| 波段交易 | 基于估值区间做中期波段 | "估值回到历史中位数"、"均值回归"、"估值百分位" |

**短线交易者的核心模式提取**：

| 模式 | 特征描述 | 典型原文信号 |
|------|---------|------------|
| 龙头战法 | 只做板块最强龙头，追涨停板 | "只做龙头不做跟风"、"辨识度"、"空间板" |
| 情绪周期 | 根据市场情绪周期（冰点→回暖→高潮→退潮）择时 | "情绪冰点"、"修复"、"高潮"、"退潮期" |
| 题材驱动 | 追踪政策/事件驱动的主题投资机会 | "政策催化"、"题材发酵"、"预期差" |
| 技术突破 | 基于技术形态突破做交易 | "放量突破"、"突破平台"、"站上均线" |
| 打板策略 | 在涨停板买入，次日高开卖出 | "首板"、"二板"、"接力"、"封板" |

**提取方法**：
1. 扫描全部文章中关于"我怎么交易"、"我的方法"、"我的策略"等直接表述
2. 统计交易术语出现频率：高频术语代表核心模式，低频术语可能是偶尔提及
3. 从具体交易案例中反推模式：博主描述的交易操作属于哪种模式
4. 交叉验证：博主宣称的模式是否与其实际操作一致（有些人说价值投资但实际操作很短线）

#### 1.2 选股逻辑

选股逻辑回答「TA在几千只股票中，用什么标准筛选出目标标的」。

**长线选股逻辑提取要点**：
- **行业筛选**：是否有偏好的行业/赛道？选择标准是什么（天花板、竞争格局、渗透率）？
- **企业质量**：关注哪些财务指标（ROE、毛利率、现金流、负债率）？门槛值是多少？
- **估值标准**：用什么估值方法（PE、PB、DCF、PEG）？可接受的估值区间？
- **护城河类型**：偏好哪种护城河（品牌、成本、网络效应、转换成本、牌照）？
- **管理层评估**：是否关注管理层？评估标准是什么？

**短线选股逻辑提取要点**：
- **题材筛选**：如何发现和筛选题材（政策文件、消息面、资金异动）？
- **龙头识别**：用什么标准判断龙头（首个涨停、最高辨识度、最大封单）？
- **量价关系**：关注哪些量价信号（放量突破、缩量回调、换手率）？
- **板块效应**：是否要求板块内有多只个股共振？
- **时机选择**：什么时间点选股（盘前竞价、盘中实时、盘后复盘）？

**提取方法**：
1. 提取文章中所有提及具体股票/标的的段落
2. 分析博主给出的买入理由（显式理由 + 隐含逻辑）
3. 统计选股关键词频率：财务类术语多→基本面选股；技术类术语多→技术面选股
4. 从博主的"看好"、"关注"、"布局"等表述中提取选股逻辑链条
5. 注意区分：博主是在推荐股票还是在分析案例（前者代表真实选股逻辑，后者可能是教学）

#### 1.3 买入信号

买入信号是博主交易体系中"开仓"的触发条件。

**长线买入信号提取**：
- 估值低于某个阈值（如PE<15、PB<1、低于DCF估值30%以上）
- 基本面拐点出现（营收增速加速、利润率改善、行业景气度回升）
- 市场恐慌导致的错杀（大盘暴跌但基本面未变）
- 分批买入策略（首次建仓价位、加仓位、重仓条件）
- 催化剂确认（新产品发布、政策利好、业绩超预期）

**短线买入信号提取**：
- 涨停板打板时机（首板/二板/高位板，封单量，涨停时间）
- 情绪周期位置（冰点后的首阳、高潮前的确认信号）
- 技术形态突破（突破平台、站上关键均线、放量启动）
- 板块共振信号（板块内3只以上个股涨停，龙头确认）
- 竞价信号（高开幅度、竞价量能、竞价排名）

**提取方法**：
1. 提取文章中所有"买入"、"建仓"、"加仓"、"进场"、"上车"相关表述
2. 分析买入时点的上下文：当时市场状态如何？个股状态如何？
3. 区分"计划买入"（提前设定的条件单）和"临盘买入"（盘中临时决策）
4. 注意买入的确定性程度：是"可以关注"还是"果断买入"
5. 统计买入信号的胜率和盈亏比（如果博主有公开战绩）

#### 1.4 卖出/止损信号

卖出信号是交易体系中"退出"的触发条件，包括止盈和止损两部分。

**长线卖出信号提取**：
- 估值过高（超过合理估值上限，如PE>50）
- 基本面恶化（核心逻辑被破坏、业绩持续下滑）
- 更好的替代标的出现（机会成本考量）
- 持仓比例再平衡（单一标的占比过高需要减仓）
- 投资论点被证伪（原来看好的逻辑被现实否定）

**短线卖出/止损信号提取**：
- 止盈规则（固定百分比止盈、涨停板打开止盈、情绪高潮止盈）
- 止损规则（固定百分比止损如-5%、跌破关键位止损、时间止损如隔日不涨就走）
- 情绪退潮信号（高潮后首日亏钱效应、连板断板、炸板率飙升）
- 龙头见顶信号（龙头放量滞涨、跟风股先于龙头走弱）
- 板块轮动信号（资金从当前板块撤出转向新板块）

**提取方法**：
1. 提取文章中所有"卖出"、"减仓"、"清仓"、"止损"、"止盈"、"离场"相关表述
2. 特别关注博主描述亏损交易的段落：止损是否及时？止损规则是否一致？
3. 分析博主的"认错"文章/帖子：什么情况下会承认判断错误？
4. 统计止损幅度：固定比例还是灵活调整？
5. 注意言行一致性：宣称的止损规则是否在实际操作中执行

#### 1.5 仓位管理

仓位管理决定了每笔交易投入多少资金，是风控的核心。

**仓位管理模式识别**：

| 模式 | 特征 | 典型表述 |
|------|------|---------|
| 满仓单票 | 极度集中，全仓一只 | "重仓"、"满上"、"梭哈" |
| 核心+卫星 | 核心仓位长期持有 + 小仓位做短线 | "底仓"、"核心仓位"、"卫星仓" |
| 等分配置 | 平均分配到N只标的 | "均分"、"各配置X%" |
| 金字塔加仓 | 初始轻仓，确认后逐步加仓 | "先建底仓"、"加仓"、"浮盈加仓" |
| 固定比例 | 每笔交易不超过总资金的X% | "单票不超过20%"、"严格控制仓位" |

**提取方法**：
1. 提取文章中关于仓位比例的直接表述
2. 从持仓组合分析集中度（如果博主公开过持仓）
3. 分析加仓/减仓的频率和幅度
4. 关注博主在亏损时的仓位变化：是否会在下跌中加仓（补仓/摊薄成本）
5. 注意仓位管理与市场状态的关系：牛市是否加仓、熊市是否减仓

### 维度1产出标准

**必须输出**：
- 核心交易模式总结（1-2句话概括）
- 5个子维度的具体特征描述
- 每个子维度至少2条原文证据引用
- 交易体系的自洽性评估（五个环节是否逻辑闭环）
- 置信度标注

**加分项**：
- 画出交易体系流程图（选股→择时→仓位→风控）
- 识别交易体系的潜在弱点（如龙头战法在退潮期的高回撤风险）
- 对比博主宣称的交易方法与实际操作的偏差

---

## 维度2：市场判断DNA

### 定义与目标

市场判断DNA回答「TA怎么看市场」这个问题。投资不仅是选股，更是对市场整体环境的判断。有些博主擅长选时（择时能力），有些擅长选股（Alpha能力），有些两者兼备。蒸馏的目标是理解博主的市场分析框架：TA用什么视角看市场、关注哪些指标、在什么条件下看多/看空。

### 子维度详解

#### 2.1 交易流派判定

交易流派是博主投资世界观的"门派归属"，决定了分析框架的基础假设。

**主要流派分类**：

| 流派 | 核心信念 | 分析方法 | 代表人物 |
|------|---------|---------|---------|
| 价值投资 | 股价最终反映内在价值 | 财务报表分析、估值模型 | 巴菲特、格雷厄姆 |
| 成长投资 | 高增长可以消化高估值 | 行业研究、增速预测 | 费雪、彼得林奇 |
| 趋势交易 | 趋势一旦形成倾向于延续 | 技术分析、趋势跟踪 | 海龟交易法 |
| 情绪周期 | 市场情绪有规律可循 | 情绪指标、量价分析 | 游资群体 |
| 宏观驱动 | 宏观政策决定市场方向 | 政策解读、经济数据分析 | 索罗斯 |
| 事件驱动 | 突发事件创造定价错误 | 信息收集、快速反应 | 对冲基金 |
| 量化/因子 | 统计规律优于主观判断 | 因子模型、回测验证 | 量化私募 |

**判定方法**：
1. 统计博主文章中各流派关键词的出现频率
2. 分析博主引用的投资大师/书籍属于哪个流派
3. 从博主的分析逻辑推断：是基于基本面、技术面还是情绪面？
4. 注意"混合型"博主：可能在不同场景使用不同流派框架
5. 关注博主对其他流派的态度：是排斥还是包容？

**特殊注意**：
- 很多博主自称"价值投资"但实际操作偏短线，需以实际操作为准
- "波段交易"是最常见的混合形态，需区分是"有纪律的波段"还是"随意进出"
- A股市场的特殊性：纯价值投资在A股较少，多数是"价值+趋势"混合

#### 2.2 板块偏好

板块偏好揭示博主"关注什么赛道"，这往往与其知识背景、投资哲学和信息渠道相关。

**提取方法**：
1. 统计全部文章中提及的各板块/行业关键词频率
2. 按频率排序，识别TOP5核心赛道
3. 分析板块偏好的时间稳定性：是一直偏好某个赛道，还是跟随市场热点切换？
4. 分析偏好原因：是因为专业知识（如医药背景→偏好医药股）还是因为市场热度？
5. 关注板块轮动的预判能力：是否提前布局即将轮动的板块？

**赛道关键词库**（脚本自动扫描）：
```
航天：航天、卫星、火箭、商业航天、星链、太空
半导体：半导体、芯片、光刻、存储、科创、中芯、台积电
AI：AI、人工智能、大模型、GPT、Agent、算力、英伟达、GPU
新能源：新能源、光伏、风电、储能、锂电、充电桩、宁德时代
金融：券商、银行、保险、金融、降息、降准
消费：消费、白酒、食品、零售、茅台、五粮液
医药：医药、医疗、创新药、生物、集采、CXO
军工：军工、国防、装备、中航、航天
地产：地产、房地产、楼市、保交楼、城中村
周期：有色、铜、锂、煤炭、钢铁、化工
```

**板块偏好深度分析**：
- 博主对偏好板块的理解深度如何？（泛泛而谈 vs 深入产业链分析）
- 是否有"能力圈"意识？（明确表示不懂某些板块 vs 什么板块都评论）
- 板块偏好与交易体系是否匹配？（短线选手偏好活跃板块、长线选手偏好确定性板块）

#### 2.3 持仓周期

持仓周期是交易体系的时间维度，直接影响交易频率和风控方式。

| 周期类型 | 典型持仓时间 | 交易频率 | 典型表述 |
|---------|------------|---------|---------|
| 超短线/日内 | 分钟~小时 | 每日多次 | "T+0"、"日内"、"分时" |
| 隔日短线 | 1-3个交易日 | 每周2-5次 | "隔日"、"次日"、"做T" |
| 波段交易 | 1-4周 | 每月1-3次 | "波段"、"持有几天"、"中线" |
| 中线趋势 | 1-6个月 | 每季度1-2次 | "中线持有"、"趋势"、"季度" |
| 长线投资 | 6个月以上 | 每年1-3次 | "长期持有"、"陪伴成长"、"3年维度" |

**提取方法**：
1. 提取文章中关于持仓时间的直接表述（"持有了X个月"、"计划持有X年"）
2. 从文章发布频率推断交易频率：每日复盘→可能短线；月度总结→可能长线
3. 分析博主关注的K线周期：日K/周K/月K分别对应不同持仓周期
4. 从复盘内容推断：是每日盯盘还是定期review？
5. 注意持仓周期在不同市场环境下的变化：震荡市是否缩短周期？

#### 2.4 多空条件

多空条件是博主判断市场方向的决策框架，回答"什么条件下看多、什么条件下看空"。

**多头条件提取**：
- 宏观面：政策宽松、经济数据改善、流动性充裕
- 基本面：企业盈利增速、行业景气度上行、估值处于低位
- 技术面：指数站上均线、MACD金叉、量能放大
- 情绪面：市场情绪从冰点回暖、赚钱效应恢复、成交量回升
- 资金面：北向资金流入、融资余额增加、新基金发行

**空头条件提取**：
- 宏观面：政策收紧、经济数据恶化、外部风险事件
- 基本面：企业盈利下滑、行业产能过剩、估值泡沫
- 技术面：指数跌破均线、MACD死叉、量能萎缩
- 情绪面：市场情绪过热、全民炒股、融资余额过高
- 资金面：外资持续流出、大股东减持、IPO密集发行

**提取方法**：
1. 提取文章中明确表达看多/看空观点的段落
2. 分析观点背后的逻辑：是基于什么条件做出的判断？
3. 对比不同市场环境下的多空判断：是否有稳定的框架还是随大流？
4. 注意条件触发机制：是单一条件触发还是多条件综合？
5. 分析多空转换的速度：是渐进式（逐步加减仓）还是突变式（突然翻多/翻空）

#### 2.5 历史预判追踪

历史预判追踪是对博主过去市场判断的回溯验证，是评估其判断力的重要依据。

**追踪方法**：
1. **提取预判**：从文章中提取博主过去的市场预判（含具体时间和标的）
   - 明确预判："我认为下周大盘会涨"、"看好XX板块"、"建议减仓"
   - 隐含预判：持续推荐某类股票暗示看好该方向
2. **交叉验证**：将预判与实际市场走势对比
   - 指数预判：对比预判日之后的大盘走势
   - 板块预判：对比预判日之后的板块指数表现
   - 个股预判：对比预判日之后的股价变化
3. **统计准确率**：仅统计可验证的明确预判
   - 命中率 = 正确预判数 / 可验证预判总数
   - 区分"方向正确但幅度偏差"和"完全错误"
4. **分析认错模式**：
   - 博主是否承认错误的预判？
   - 认错的速度（及时还是拖延）？
   - 认错后如何调整策略？
   - 是否从错误中总结教训？

**注意事项**：
- 只统计有明确时间标记的预判，模糊表述（"未来可能涨"）不计入
- 注意幸存者偏差：博主可能只回顾正确的预判而忽略错误的
- 部分预判需要时间验证（"长期看好"可能需要数年），标注为"待验证"
- 预判的颗粒度很重要：精确到价位的预判比方向性预判更有参考价值

### 维度2产出标准

**必须输出**：
- 交易流派判定及依据
- TOP5板块偏好及排序
- 持仓周期判定
- 多空条件框架总结
- 至少3条历史预判的追踪验证（如有可验证数据）

**加分项**：
- 预判准确率统计（需标注样本量）
- 多空转换的决策流程图
- 博主分析框架的优劣势评估

---

## 维度3：表达风格DNA

### 定义与目标

表达风格DNA回答「TA怎么写/说」这个问题。投资博主的核心竞争力不仅在于投资能力，更在于将复杂的投资逻辑用个人化的方式表达出来。蒸馏的目标是提取博主的"文字指纹"——那些让读者一眼就能认出"这是XX写的"的独特表达特征。这包括文章结构、标志性用语、标题风格、开头/结尾模式、语气特征，以及视频博主的口播风格。

### 子维度详解

#### 3.1 文章结构

文章结构是博主内容组织的"骨架"，不同博主有不同的信息组织逻辑。

**常见结构模式**：

| 结构类型 | 组织方式 | 典型特征 | 适用场景 |
|---------|---------|---------|----------|
| 复盘型 | 按时间线叙述当日/本周操作 | 市场概述→板块分析→个股点评→操作记录→明日展望 | 每日/每周复盘 |
| 分析型 | 围绕一个核心论点展开 | 提出问题→数据论证→得出结论→操作建议 | 深度个股/行业分析 |
| 教学型 | 传授投资方法或知识 | 概念引入→案例演示→总结要点→注意事项 | 投资教育 |
| 观点型 | 直接输出市场观点 | 核心观点→论据支撑→风险提示 | 市场预判 |
| 叙事型 | 以故事/经历为主线 | 故事引入→感悟提炼→投资启示 | 投资心得分享 |
| 清单型 | 列表式罗列要点 | 总论→要点1→要点2→...→总结 | 选股清单、复盘要点 |
| 混合型 | 多种结构交替使用 | 无固定模式 | 日常随笔 |

**提取方法**：
1. 取前20篇文章，逐篇标注段落功能和段落顺序
2. 统计各段落功能的出现频率（如"市场概述"出现在开头的频率）
3. 识别固定模块：是否有每期都出现的固定栏目（如"今日龙虎榜点评"、"本周操作回顾"）
4. 分析段落间的逻辑关系：是递进、并列还是转折？
5. 关注文章长度与结构的关系：短文是否省略某些模块？

**结构变异分析**：
- 博主在牛市和熊市的结构是否不同？（牛市更乐观→更多机会分析；熊市更谨慎→更多风险提示）
- 盈利和亏损时的结构是否不同？（盈利时可能更详细展示操作；亏损时可能更侧重反思）
- 特殊事件时的结构变化（如重大政策出台、黑天鹅事件）

#### 3.2 标志性表达

标志性表达是博主的"语言指纹"，是区分不同博主最直观的特征。

**识别规则**（脚本自动提取）：
1. 在多篇文章中重复出现（≥2次）
2. 具有个人辨识度（排除通用短语如"今天大盘"、"明天继续"）
3. 长度在4-30个字符之间
4. 包含以下特征之一：
   - 特定比喻/类比（如"星辰大海"、"贪嗔痴"、"刀口舔血"）
   - 特定口头禅/金句（如"敬畏市场"、"知行合一"、"慢慢变富"）
   - 特定格式表达（如固定开头句式、固定栏目名）
   - 特定称谓（如将散户称为"韭菜"、将机构称为"主力"）
   - 特定情绪词（如"绝望"、"疯狂"、"贪婪"、"恐惧"）

**分类提取**：

| 类别 | 说明 | 示例 |
|------|------|------|
| 市场描述 | 描述市场状态的专属用语 | "至暗时刻"、"黎明前的黑暗"、"暴风雨来临" |
| 操作描述 | 描述交易行为的专属用语 | "上车"、"下车"、"割肉"、"吃肉"、"喝汤" |
| 情绪表达 | 表达投资情绪的专属用语 | "煎熬"、"煎熬中的坚守"、"心态崩了" |
| 哲理金句 | 投资哲学类表述 | "买股票就是买公司"、"时间是好公司的朋友" |
| 行业黑话 | 特定圈子的行话/暗语 | "打板"、"核按钮"、"天地板"、"翘板" |
| 自嘲/幽默 | 自嘲或幽默化表达 | "又交学费了"、"被市场教育"、"含泪加仓" |

**提取方法**：
1. 脚本自动：统计所有4-30字符短语的出现频率，过滤通用短语，保留个人特征短语
2. AI深度：分析短语的使用场景、情绪色彩和功能定位
3. 对比分析：与同领域其他博主对比，确认哪些是该博主独有的表达
4. 时间演变：标志性表达是否随时间变化（新增/淘汰某些用语）

#### 3.3 标题模式

标题是内容的"门面"，不同博主有截然不同的标题策略。

**标题分类统计**：
- **疑问句式**：以问号结尾或包含疑问词（"明天会涨吗？"、"XX还能追吗？"）
- **感叹句式**：以感叹号结尾或包含感叹词（"大牛市来了！"、"暴跌！"）
- **陈述句式**：客观陈述（"本周操作回顾"、"XX行业分析"）
- **数字开头**：以数字开头（"3只潜力股"、"5个选股标准"）
- **悬念式**：制造悬念（"这只股票我加仓了"、"明天的关键点位"）
- **情绪式**：直接表达情绪（"绝望"、"终于等到你"、"太难了"）

**提取方法**：
1. 脚本自动统计标题模式占比（疑问/感叹/陈述/数字开头）
2. 分析标题长度分布（平均字数、最短/最长）
3. 提取高频标题模板（如"XX日复盘"、"XX行业深度分析"）
4. 分析标题与内容的一致性：标题是否准确反映内容？还是"标题党"？
5. 分析标题的情绪强度：是克制理性还是夸张吸引眼球？

#### 3.4 开头模板

开头是读者的"第一印象"，好的开头能迅速抓住读者注意力。

**常见开头模式**：
- **数据开场**：直接列出关键数据（"今天大盘涨了1.5%，成交额突破万亿"）
- **情绪开场**：以情绪描写切入（"今天真是煎熬的一天"）
- **问题开场**：以问题引入（"很多人问我XX股票能不能买"）
- **引用开场**：引用名言/新闻/他人观点（"巴菲特说过..."）
- **故事开场**：以个人经历或故事切入（"昨天发生了一件事..."）
- **结论先行**：先给结论再论证（"我认为现在是加仓的好时机"）
- **固定开场**：每期固定的开场白（"大家好，今天是X月X日，复盘如下"）

**提取方法**：
1. 取前20篇文章的开头第一段（前100字）
2. 分类标注开头类型
3. 统计各类型的出现频率
4. 识别是否有固定的开场模板
5. 分析开头与文章整体风格的协调性

#### 3.5 结尾模式

结尾是内容的"收束"，不同博主有不同的收尾方式。

**常见结尾模式**：
- **总结式**：概括全文要点（"总结一下今天的操作..."）
- **展望式**：展望后市（"明天关注XX点位"、"下周重点看XX"）
- **免责式**：以免责声明结尾（"以上仅为个人观点，不构成投资建议"）
- **互动式**：邀请读者互动（"大家怎么看？评论区聊聊"）
- **鸡汤式**：以投资感悟/鸡汤结尾（"投资是一场修行"）
- **预告式**：预告下期内容（"明天继续分析XX板块"）
- **戛然而止**：无明确结尾，分析到哪算哪

#### 3.6 语气与人称

语气和人称决定了博主与读者的"关系定位"。

**语气维度分析**：
- **权威感**：权威型（"你们要记住..."） vs 平等型（"我们一起看看..."） vs 谦逊型（"不一定对，供参考..."）
- **情绪浓度**：理性型（数据说话） vs 感性型（大量感叹词、情绪词）
- **确定性**：确定型（"一定会涨"） vs 弹性型（"可能"、"大概率"）
- **口语化**：书面型（语法完整） vs 口语型（省略主语、使用俚语）

**人称分析**：
- 第一人称使用频率（"我"、"我们"）
- 第二人称使用频率（"你"、"你们"、"大家"）
- 是否有特定的读者称谓（"兄弟们"、"朋友们"、"老铁们"）

#### 3.7 视频/口播表达特征（如有视频数据）

当博主有视频内容时，需分析口播与文字表达的差异。

**口播特征提取**：
- **口头禅**：视频中反复出现的口头用语
- **语速特征**：快节奏信息输出 vs 慢节奏娓娓道来
- **情绪表达**：视频中的情绪表达是否比文字更强烈？
- **内容深度差异**：同一主题，视频和文字哪个更深入？
- **受众定位差异**：视频受众和文字受众是否不同？

**提取方法**：通过Whisper提取口播文字，与文章文字进行对比分析。

### 维度3产出标准

**必须输出**：
- 文章结构流程图（段落功能序列）
- TOP10标志性表达表格（含使用次数和场景）
- 标题模式占比统计
- 开头模板TOP3 + 结尾模式TOP3
- 语气特征描述（权威感/情绪浓度/确定性/口语化）

**加分项**：
- 口播 vs 文字的风格对比（如有视频数据）
- 表达风格的时间演变分析

---

## 维度4：内容深度DNA

### 定义与目标

内容深度DNA回答「TA写多少、写多深」这个问题。投资博主的内容深度直接决定了其受众画像——深度长文吸引专业投资者，轻量短文吸引入门小白。蒸馏的目标是量化博主的内容深度特征，让使用者知道"如果要模拟这个博主的风格，应该写多长、写多深"。

### 子维度详解

#### 4.1 字数统计

字数是内容深度最直观的量化指标。

**统计维度**：
- 平均字数：所有文章正文的平均字符数
- 字数分布：最短/最长/中位数/标准差
- 字数趋势：近期文章是否比早期更长或更短？
- 平台差异：不同平台的字数是否有显著差异？
- 场景差异：复盘文 vs 分析文 vs 随笔的字数差异

**字数区间分类**：

| 区间 | 字数范围 | 内容类型 | 公众号典型场景 |
|------|---------|---------|----------|
| 微内容 | <200字 | 短评/动态/快评 | 每日盘感、快讯点评 |
| 轻内容 | 200-800字 | 简要分析/操作记录 | 盘中快报、操作记录 |
| 中内容 | 800-2000字 | 标准复盘/个股点评 | 日常复盘、板块分析 |
| 深内容 | 2000-5000字 | 深度分析/行业研究 | 深度研报、行业梳理 |
| 超长内容 | >5000字 | 年度总结/深度报告 | 年度投资总结、深度报告 |

**脚本自动统计**：distill.py 的 `analyze_articles()` 函数会自动计算均字数、最短、最长、中位数。

#### 4.2 信息密度

信息密度衡量"每千字包含多少有效信息"，是内容质量的核心指标。

**密度评估框架**：

| 密度等级 | 特征描述 | 典型内容 |
|---------|---------|----------|
| **高密度** | 每段都包含具体数据、逻辑分析或操作建议；几乎没有废话 | 行业深度研究报告、个股财务分析 |
| **中密度** | 有数据和分析，但穿插了抒情/感慨/闲聊 | 标准每日复盘、板块分析 |
| **低密度** | 以抒情/感悟/闲聊为主，数据和分析较少 | 投资心得、生活感悟、鸡汤文 |
| **混合密度** | 开头/结尾低密度，中间核心段落高密度 | 多数公众号文章的常见模式 |

**信息密度量化指标**：
- **数据点密度**：每千字包含的具体数字/数据点数量
- **逻辑链密度**：每千字包含的因果推理链条数量
- **操作建议密度**：每千字包含的明确操作建议数量
- **引用密度**：每千字引用的外部数据源/研报/新闻数量

**提取方法**：
1. 取5篇代表性文章，逐段标注段落类型（数据分析/观点输出/抒情/闲聊/过渡）
2. 统计各类型段落的占比
3. 计算有效信息段落占总段落的比例
4. 标注信息密度是否均匀还是集中在某些段落

#### 4.3 复盘详细度

复盘详细度衡量博主对盘面数据的覆盖程度，是短线博主的重要深度指标。

**复盘详细度分级**：

| 等级 | 覆盖内容 | 典型特征 |
|------|---------|----------|
| **详尽型** | 大盘指数+板块涨跌+个股点评+资金流向+情绪指标+明日展望 | 3000字以上，数据图表丰富 |
| **适中型** | 大盘概述+重点板块+核心个股+简要展望 | 1000-2000字，有数据但不面面俱到 |
| **简略型** | 一两句话概括市场+个人操作 | 500字以内，侧重结论而非过程 |
| **主题型** | 围绕一个主题深入，不追求全面覆盖 | 字数不定，深度优先于广度 |

**盘面数据覆盖检查清单**：
- [ ] 三大指数涨跌幅（上证/深证/创业板）
- [ ] 成交量/成交额
- [ ] 涨跌停数量
- [ ] 板块涨跌排名
- [ ] 北向资金流向
- [ ] 融资融券数据
- [ ] 龙虎榜数据
- [ ] 情绪指标（连板数/炸板率/昨日涨停今日表现）
- [ ] 技术形态分析
- [ ] 消息面/政策面解读

**提取方法**：对照检查清单，统计每篇文章覆盖了哪些数据维度。

#### 4.4 预判明确度

预判明确度衡量博主给出市场判断时的清晰程度。

**明确度分级**：

| 等级 | 特征 | 示例 |
|------|------|------|
| **精确型** | 给出具体标的、价位、时间 | "XX股票在25元附近可以建仓，目标30元" |
| **方向型** | 给出方向但无具体价位 | "看好XX板块下周表现" |
| **条件型** | 给出条件触发式判断 | "如果站稳3200点，则看3300" |
| **模糊型** | 含糊其辞，留有退路 | "市场可能有机会也可能有风险" |
| **不预判** | 明确不做预判 | "我不做预测，只做好应对" |

**注意事项**：
- 部分博主刻意模糊预判以规避风险，需识别"伪预判"
- 预判明确度与合规意识相关：合规意识强的博主倾向于更模糊
- 预判明确度在不同平台可能不同：公众号更谨慎，私密社群更直接

### 维度4产出标准

**必须输出**：
- 字数统计四元组（均值/最短/最长/中位数）
- 信息密度等级判定及依据
- 复盘详细度等级判定
- 预判明确度等级判定

**加分项**：
- 不同内容类型的字数分布图
- 信息密度的段落级分析

---

## 维度5：互动特征DNA

### 定义与目标

互动特征DNA回答「TA怎么和读者/粉丝互动」这个问题。投资博主不是写论文的学者，而是活生生的社交媒体人。TA如何回应读者的质疑、如何展示战绩、如何处理争议、是否包含免责声明——这些互动特征构成了博主的"人设外壳"，决定了粉丝的粘性和忠诚度。蒸馏的目标是让使用者能够模拟博主与受众的互动方式，而不仅仅是投资观点。

### 子维度详解

#### 5.1 读者互动方式

读者互动是博主与粉丝之间的"情感纽带"，不同博主有截然不同的互动策略。

**互动模式分类**：

| 模式 | 特征 | 典型表现 |
|------|------|----------|
| 高互动型 | 积极回复评论，主动参与讨论 | 每条评论都回复、主动提问引导讨论 |
| 选择互动型 | 只回复特定类型的评论 | 只回复提问、只回复有质量的评论 |
| 低互动型 | 很少回复评论 | 偶尔回复、基本不互动 |
| 社群型 | 将读者转化为社群成员 | 引导加微信/进社群/加入知识星球 |
| 直播型 | 通过直播实时互动 | 定期直播答疑、盘中实时解盘 |

**提取方法**：
1. 统计评论区的博主回复率（回复数/评论总数）
2. 分析回复的内容特征：是专业解答还是简短回应？
3. 分析博主主动发起的互动（投票、提问、征集意见）
4. 注意公众号互动的特点：留言需博主精选后才可见，因此评论区内容代表博主认可的观点
5. 关注博主是否会置顶某些评论（代表博主认可的观点）

#### 5.2 战绩展示

战绩展示是博主建立信任和权威的核心方式。

**展示模式分类**：

| 模式 | 特征 | 典型表现 |
|------|------|----------|
| 实时晒单型 | 当天/当周公开买卖操作 | "今天买入了XX"、"清仓了XX" |
| 复盘战绩型 | 在复盘中回顾操作成绩 | "本周操作总结：胜率80%" |
| 收益率展示型 | 定期公布账户收益率 | "本月收益率+15%"、"年度收益曲线" |
| 低调不晒型 | 不主动展示具体战绩 | "操作就不说了"、"自己心里有数" |
| 选择性展示 | 只展示成功操作，忽略失败 | 盈利时高调、亏损时沉默 |
| 交割单型 | 直接展示交易截图/交割单 | 截图展示买卖价格和数量 |

**提取方法**：
1. 统计文章中展示操作战绩的频率
2. 分析战绩的展示方式：直接晒单、文字描述还是收益率曲线？
3. 注意选择性偏差：是否只展示成功而隐藏失败？
4. 分析战绩展示的时机：是在赚钱时更积极还是亏钱时也透明？
5. 评估战绩的可验证性：是否有时间标记？是否能事后追溯？

#### 5.3 争议处理

争议处理揭示了博主面对质疑和批评时的真实人格。

**争议处理模式**：

| 模式 | 特征 | 典型回应 |
|------|------|----------|
| 直接反击型 | 对质疑者正面回击 | "不懂就别乱说"、"你先赚到我这个数再说" |
| 理性解释型 | 用数据和逻辑回应质疑 | "我的逻辑是这样的，数据如下..." |
| 自嘲化解型 | 用幽默化解质疑 | "确实打脸了，市场教训了我" |
| 忽略型 | 完全不回应负面评论 | 不删除不回复，置之不理 |
| 删除拉黑型 | 删除负面评论或拉黑用户 | 评论区一片祥和，无负面声音 |
| 主动认错型 | 主动承认错误并反思 | "这次判断错了，复盘如下..." |

**提取方法**：
1. 在文章中寻找博主回应质疑的段落
2. 分析博主的"认错文章"：是否有主动承认错误的文章？
3. 分析博主的情绪反应：被质疑时是否会情绪化？
4. 注意争议主题：是关于投资观点的争议还是个人行为的争议？
5. 观察争议后的行为调整：是否会因为争议而改变后续的表达策略？

#### 5.4 免责声明

免责声明体现了博主的合规意识和风险认知。

**免责声明模式分析**：

| 模式 | 频率 | 典型措辞 |
|------|------|----------|
| 标准免责 | 每篇都有 | "以上仅为个人观点，不构成投资建议" |
| 随性免责 | 偶尔出现 | "个人日记，不构成建议哈" |
| 口头禅式 | 融入日常表达 | "投资有风险，入市需谨慎" |
| 无免责 | 从不包含 | 无任何免责声明 |
| 强化免责 | 特别强调风险 | "这是高风险操作，新手请勿模仿" |

**识别关键词**（脚本自动扫描）：
```
免责声明、不构成建议、不构成投资建议、投资有风险
个人日记、个人笔记、理财需谨慎、仅供学习参考
据此操作风险自担、不对其真实性负责、股市有风险
```

**提取方法**：
1. 脚本自动扫描免责声明关键词出现频率
2. 分析免责声明的位置（开头/中间/结尾）
3. 分析免责声明的语气（正式/随意/强调）
4. 注意免责声明与实际建议的矛盾：一边说"不构成建议"一边给出具体标的

#### 5.5 社区影响力

社区影响力衡量博主在投资社区中的地位和号召力。

**影响力指标**：
- **粉丝规模**：各平台粉丝总数
- **互动量级**：单篇平均点赞/评论/转发数
- **评论回复率**：博主回复评论的比例
- **被引用频率**：其他博主/媒体引用该博主观点的频率
- **观点扩散力**：博主观点是否能在评论区/社区引发讨论

**提取方法**：
1. 从平台API获取粉丝数、获赞数、评论数等基础数据
2. 计算互动率（互动数/粉丝数），衡量粉丝活跃度
3. 分析评论区的情绪倾向：支持者多还是质疑者多？
4. 关注博主在社区中的角色：是意见领袖还是普通参与者？

#### 5.6 圈子关系

圈子关系揭示博主在投资社区中的"社交网络"和"观点阵营"。

**提取方法**：
1. 分析博主提及/引用的其他博主/大V
2. 分析评论区出现的其他博主（互动/互推）
3. 识别观点阵营：与哪些博主观点相似/对立？
4. 关注博主的"师承"和"传承"关系
5. 分析圈子关系的变化：是否有"脱圈"或"转圈"现象

### 维度5产出标准

**必须输出**：
- 互动模式判定及依据
- 战绩展示模式判定
- 争议处理风格描述
- 免责声明使用率及典型措辞
- 社区影响力基础数据（如有平台数据）

**加分项**：
- 圈子关系图谱
- 互动风格的时间演变
- 不同平台的互动差异

---

## 维度6：热点图谱DNA

### 定义与目标

热点图谱DNA回答「TA关注什么」这个问题。每个投资博主都有自己的"注意力分配"——有些人始终关注科技股，有些人紧追政策动向，有些人只关心龙头妖股。蒸馏的目标是描绘出博主的"投资注意力地图"：哪些赛道占据其认知中心，哪些龙头股是其长期跟踪对象，哪些技术指标是其决策依据。

### 子维度详解

#### 6.1 核心赛道

核心赛道是博主投入最多注意力的行业/板块，反映其能力圈和偏好。

**赛道关键词库**（脚本自动扫描）：

| 赛道 | 关键词 |
|------|--------|
| 航天 | 航天、卫星、火箭、商业航天、星链、太空 |
| 半导体 | 半导体、芯片、光刻、存储、科创、中芯、台积电 |
| AI | AI、人工智能、大模型、GPT、Agent、算力、英伟达、GPU |
| 新能源 | 新能源、光伏、风电、储能、锂电、充电桩、宁德时代 |
| 金融 | 券商、银行、保险、金融、降息、降准 |
| 消费 | 消费、白酒、食品、零售、茅台、五粮液 |
| 医药 | 医药、医疗、创新药、生物、集采、CXO |
| 军工 | 军工、国防、装备、中航、航天 |
| 地产 | 地产、房地产、楼市、保交楼、城中村 |
| 周期 | 有色、铜、锂、煤炭、钢铁、化工 |
| 脑机接口 | 脑机、Neuralink、BCI |
| 核聚变 | 核聚变、可控核、ITER |

**提取方法**：
1. 脚本自动统计各赛道关键词出现频率
2. 按频率排序生成赛道关注度排名
3. 分析赛道的稳定性：是一直关注同一赛道，还是跟随市场热点切换？
4. 区分"深度关注"（有深入分析文章）和"浅层提及"（只是一带而过）
5. 分析赛道偏好与博主知识背景的关系

**赛道偏好深度评估**：
- 博主对偏好赛道的理解深度如何？（泛泛而谈 vs 深入产业链分析）
- 是否有"能力圈"意识？（明确表示不懂某些板块 vs 什么板块都评论）
- 赛道偏好与交易体系是否匹配？（短线选手偏好活跃板块、长线选手偏好确定性板块）

#### 6.2 龙头记忆

龙头记忆是博主长期跟踪和反复提及的具体个股/标的，这些标的往往已经成为博主"投资语言"的一部分。

**提取方法**：
1. 统计全部文章中提及的具体股票/标的名称和代码
2. 按提及频率排序，识别TOP10龙头记忆
3. 分析博主与这些标的的"关系"：
   - 长期跟踪（持续数月的分析）
   - 曾经持有（公开过买卖操作）
   - 教学案例（用作分析教学的素材）
   - 情感连接（有个人故事/情结的标的）
4. 分析龙头记忆的更新频率：是否定期加入新标的、淘汰旧标的？
5. 注意龙头记忆与赛道的关系：龙头股是否集中在偏好赛道内？

**典型龙头记忆类型**：
- **精神图腾**：长期信仰的标的（如价投者的"茅台"、科技控的"英伟达"）
- **操作对象**：反复交易的标的（如短线选手的"妖股"）
- **行业代表**：用作行业分析的代表标的
- **反面教材**：用作风险教育的失败案例

#### 6.3 常用盘面指标

常用盘面指标反映博主做决策时关注哪些数据维度。

**技术指标类**：

| 指标 | 关键词 | 适用场景 |
|------|--------|----------|
| MACD | MACD、金叉、死叉、红柱、绿柱 | 趋势判断 |
| KDJ | KDJ、超买、超卖、金叉 | 短期择时 |
| 均线 | MA5/MA10/MA20/MA60、均线多头/空头排列 | 趋势跟踪 |
| 布林带 | BOLL、上轨、中轨、下轨 | 波动率判断 |
| RSI | RSI、超买、超卖 | 动量判断 |
| 成交量 | 放量、缩量、量价配合、地量 | 趋势确认 |

**资金面指标类**：

| 指标 | 关键词 | 适用场景 |
|------|--------|----------|
| 北向资金 | 北向、外资、陆股通 | 外资动向 |
| 融资余额 | 融资、两融、杠杆 | 市场情绪 |
| 主力资金 | 主力、大单、净流入/流出 | 资金流向 |
| 龙虎榜 | 龙虎榜、游资、机构席位 | 机构动向 |
| ETF申赎 | ETF、申购、赎回 | 机构配置 |

**提取方法**：
1. 统计文章中各技术指标的出现频率
2. 分析博主使用指标的方式：是单指标决策还是多指标组合？
3. 关注指标的优先级：哪些指标是"主判断依据"，哪些是"辅助确认"？
4. 分析指标使用的场景：不同市场环境下是否使用不同指标？

#### 6.4 资金面关注

资金面关注揭示博主对市场资金流动的观察视角。

**资金面分析维度**：
- **宏观流动性**：关注央行政策、利率变化、货币供应量
- **市场流动性**：关注成交量变化、融资余额、新基金发行
- **板块资金流**：关注行业ETF资金流、板块主力资金流向
- **个股资金流**：关注龙虎榜、大宗交易、股东变化
- **外资动向**：关注北向资金、QFII持仓变化

**提取方法**：
1. 统计资金面相关术语的出现频率
2. 分析博主对资金面的重视程度：是核心决策依据还是辅助参考？
3. 关注博主对资金面的解读方式：是正面解读（资金流入=看多）还是有更复杂的分析框架？

### 维度6产出标准

**必须输出**：
- 核心赛道TOP5排名（含关注度分数）
- 龙头记忆TOP10列表（含提及次数和关系类型）
- 常用盘面指标TOP5（含使用场景）
- 资金面关注度评估

**加分项**：
- 赛道偏好的时间演变图
- 龙头记忆的更新频率分析
- 指标使用与市场环境的匹配关系

---

## 维度7：人设基因DNA

### 定义与目标

人设基因DNA回答「TA是谁」这个问题。前6个维度描述的是博主"做什么"和"怎么做"，而人设基因揭示的是"为什么"——为什么TA用这种方式投资？为什么TA关注这些赛道？为什么TA的表达风格是这样？人设基因是风格画像中最深层的部分，它让蒸馏产物从"技术模仿"升级为"人格模拟"。一个有血有肉的投资博主，不只有交易体系，还有投资经历、哲学演变、人生里程碑和精神导师。

### 子维度详解

#### 7.1 投资经历

投资经历是博主人设的"底色"，决定了TA的认知框架和行为模式。

**提取要点**：
- **入市时间**：什么时候开始投资的？多少年投资经验？
- **入市背景**：在什么市场环境下入市的？（牛市/熊市/震荡市）
- **职业背景**：是否有金融/投资相关的职业背景？还是业余投资者？
- **教育背景**：是否提及过学历/专业？与投资领域的关系？
- **投资转型**：是否经历过投资方式的重大转型？（如从短线转长线、从股票转期货）
- **全职/兼职**：是全职投资还是兼职？这影响投入程度和内容产出频率

**提取方法**：
1. 搜索博主的自我介绍/简介页面（置顶帖、个人简介、知识星球介绍）
2. 从文章中提取关于个人经历的表述（"我刚开始炒股的时候..."、"当年入市..."）
3. 从文章风格推断：是否有专业背景（使用专业术语的熟练程度）
4. 注意时间线：将分散在不同文章中的经历碎片拼成完整时间线

**可信度注意**：
- 博主可能美化或夸大投资经历（如实际只有3年经验却声称10年）
- 职业背景有时可通过分析深度间接推断，但不能确定
- 标注哪些是博主自述、哪些是AI推断

#### 7.2 投资哲学演变

投资哲学演变是博主人设中“最富戏剧性”的部分，揭示TA的思想成长轨迹。

**提取方法**：
1. 将全部文章按发布时间排序
2. 取最早 20% 和最近 20% 的文章
3. 对比两组文章的：
   - 高频关键词变化（如从"涨停"变为"估值"）
   - 交易术语变化（如从短线术语变为长线术语）
   - 提及标的变化（如从妖股变为白马股）
   - 情绪基调变化（如从激进变为稳健）
4. 识别投资理念的显著变化节点：
   - 是否有“顿悟时刻”（某次重大亏损/盈利后的思想转变）
   - 是否有“渐进演变”（慢慢从一种风格转向另一种）
   - 是否有“回归”（回到早期的投资理念）

**典型演变模式**：

| 模式 | 特征 | 典型路径 |
|------|------|----------|
| 激进→稳健 | 早期追求高收益，后期追求稳定 | 短线打板→价值投资 |
| 复杂→简单 | 早期研究复杂技术，后期回归简单 | 复杂指标系统→只关注几个核心指标 |
| 技术→基本面 | 从技术分析转向基本面分析 | K线图→财务报表 |
| 个股→宏观 | 从关注个股转向关注宏观趋势 | 个股分析→行业趋势→宏观解读 |
| 独狼→社群 | 从独自投资转向社交化投资 | 闭门研究→开放分享→社群投资 |

**时间线输出格式**：

| 时期 | 投资理念 | 代表事件/文章 | 关键转变 |
|------|---------|-------------|----------|
| 早期（年份） | {理念} | {文章/事件} | {转变描述} |
| 中期（年份） | {理念} | {文章/事件} | {转变描述} |
| 近期（年份） | {理念} | {文章/事件} | {当前状态} |

#### 7.3 里程碑事件

里程碑事件是博主人设中的"关键时刻"，这些事件往往深刻影响其投资理念。

**常见里程碑类型**：

| 类型 | 特征 | 典型表述 |
|------|------|----------|
| 重大亏损 | 公开提及的重大亏损经历 | "当年腰斩的教训"、"那次回撤让我..." |
| 重大盈利 | 公开提及的重大成功 | "翻倍的那次"、"最满意的一笔投资" |
| 市场危机 | 亲历的重大市场事件 | "2015年的股灾"、"2020年的疫情" |
| 认知突破 | 突然领悟某个投资真理 | "我终于明白了..."、"那一刻我顿悟了" |
| 转型时刻 | 投资风格的重大转变 | "从那天起我不再打板"、"开始价值投资" |
| 人生转折 | 影响投资的人生事件 | "辞职全职炒股"、"孩子出生后更保守了" |

**提取方法**：
1. 扫描文章中带有情感强度的个人经历描述
2. 关注“过去”、“当年”、“那时”、“以前”等时间回溯表述
3. 分析博主反复提及的事件（反复提及=重要里程碑）
4. 关注文章中的转折词（“但是”、“直到”、“从此”）后面的内容
5. 从里程碑事件中提炼博主的核心教训

#### 7.4 师承/影响源

师承/影响源揭示博主的精神导师和知识来源，是理解其投资框架的关键线索。

**师承/影响源识别关键词库**：

| 类型 | 关键词 |
|------|--------|
| 价值投资大师 | 巴菲特、芒格、格雷厄姆、费雪、彼得林奇、段永平、李录 |
| 投机/交易大师 | 索罗斯、利弗莫尔、杰西·利弗莫尔、艾迪·塞科塔 |
| 宏观/周期 | 达利欧、霍华德马克斯、桥水、美林时钟 |
| 书籍 | 《聪明的投资者》《穷查理宝典》《投资最重要的事》《股票大作手回忆录》 |
| 思想概念 | 价值投资、护城河、安全边际、能力圈、反身性 |
| 国内大V | 具体提及的国内投资博主/大V名称 |
| 行业专家 | 具体提及的行业分析师/研究员名称 |

**提取方法**：
1. 脚本自动扫描全量内容中的师承关键词
2. 统计各影响源的提及频率
3. 分析影响深度：是简单提及名字还是深入讨论其思想？
4. 识别“直接师承”（明确表示受某人影响）和“间接影响”（思想相似但未明确引用）
5. 分析影响源的组合：是单一师承还是多元融合？

**影响源深度评估**：

| 深度 | 特征 | 示例 |
|------|------|------|
| 深度师承 | 反复引用，思想深入融合 | "芒格的多元思维模型是我的核心框架" |
| 明确影响 | 多次提及，认可其思想 | "受巴菲特影响，我更关注护城河" |
| 浅层引用 | 偶尔提及，作为论据 | "就像格雷厄姆说的..." |
| 间接影响 | 未明确提及但思想相似 | 风格类似某大师但未提及 |

### 维度7产出标准

**必须输出**：
- 投资经历时间线（含关键节点）
- 投资哲学演变分析（含早期/近期对比）
- 里程碑事件列表（含事件描述和影响）
- 师承/影响源排名（含提及频率和影响深度）

**加分项**：
- 博主投资哲学的内在逻辑图
- 里程碑事件与哲学转变的关联分析
- 与师承/影响源的思想传承关系图

---

## 附录：维度间关联关系

七个维度不是孤立的，它们之间存在强关联。蒸馏时应关注以下跨维度一致性：

| 关联对 | 一致性要求 | 不一致时的处理 |
|---------|---------|----------------|
| 交易体系 ↔ 市场判断 | 交易体系应与市场判断框架自洽 | 标注不一致，可能是言行不一 |
| 交易体系 ↔ 热点图谱 | 短线应偏好活跃板块，长线应偏好确定性板块 | 标注异常，分析原因 |
| 表达风格 ↔ 内容深度 | 表达风格应与内容深度匹配 | 可能是风格转型期 |
| 表达风格 ↔ 互动特征 | 权威型语气应有更高战绩展示率 | 标注不一致 |
| 人设基因 ↔ 交易体系 | 投资经历应能解释交易体系的选择 | 这是有价值的洞察点 |
| 人设基因 ↔ 表达风格 | 师承影响应在表达风格中体现 | 可能是隐性影响 |
| 市场判断 ↔ 内容深度 | 预判明确度应与复盘详细度匹配 | 可能是刻意模糊 |

---

## 附录：蒸馏质量准出标准

### 硬性准出标准（蒸馏准确性校验）

```bash
python "$SKILL_PATH/scripts/distill.py" --validate --author "博主名" --sample 15
```

**三维度评分体系：**

| 校验维度 | 说明 | 权重 |
|---------|------|------|
| A. 个股提及 | 画像声明的常提及个股是否在文章中真实出现 | 40% |
| B. 风格特征 | 标志性表达、标题模式、开头/结尾模式、字数范围是否匹配 | 35% |
| C. 投资体系 | 核心流派、持仓周期、板块偏好是否与文章一致 | 25% |

**准出标准：综合准确率 ≥ 80%**

- ≥ 80%：蒸馏通过，画像可用于风格模拟
- < 80%：需补充蒸馏——仔细阅读raw全文，更新画像中不准确的字段后重新校验
- 任一维度低于60%：该维度需要完全重写

### 软性质量检查

| 检查项 | 通过标准 | 权重 |
|--------|---------|------|
| 标志性表达命中率 | > 40% | 15% |
| 交易体系覆盖度 | > 70% | 15% |
| 文章结构匹配度 | > 60% | 10% |
| 盘面指标覆盖 | > 50% | 10% |
| 语气一致性 | 偏差 < 20% | 10% |
| 字数范围 | ±30% | 5% |
| 交易术语覆盖 | > 50% | 10% |
| 人设一致性 | 背景/哲学/里程碑无矛盾 | 13% |

**综合评分 > 70 分准出（软性），< 70 分打回重新蒸馏。**

### 校验执行规则

- **每次画像更新后**必须执行校验
- **每月**全量校验所有博主画像
- 增量同步获取新文章后，如新文章涉及画像未覆盖的个股/板块，需更新画像

#!/usr/bin/env python3
"""
公众号投资博主蒸馏器 — 主脚本
==================================
通过公众号文章数据，执行七维DNA蒸馏。

Usage:
    python distill.py --account "zshbtz" --count 60
    python distill.py --account "zshbtz" --author "财躺平" --count 100
    python distill.py --validate --author "财躺平" --sample 15
    python distill.py --check-env
"""

import argparse
import json
import os
import re
import sys
from collections import Counter, defaultdict
from datetime import datetime
from pathlib import Path

# Windows 控制台 UTF-8 编码
if sys.platform == 'win32':
    sys.stdout.reconfigure(encoding='utf-8', errors='replace')
    sys.stderr.reconfigure(encoding='utf-8', errors='replace')

# ─── 配置 ─────────────────────────────────────────────────────────────────────────
SCRIPT_DIR = Path(__file__).parent.parent
OUTPUT_DIR = SCRIPT_DIR / "output"

# ─── 终端颜色 ──────────────────────────────────────────────────────────────────────
GREEN = "\033[92m"
YELLOW = "\033[93m"
RED = "\033[91m"
CYAN = "\033[96m"
BOLD = "\033[1m"
RESET = "\033[0m"


def info(msg):
    print(f"{GREEN}[✓]{RESET} {msg}")


def warn(msg):
    print(f"{YELLOW}[!]{RESET} {msg}")


def error(msg):
    print(f"{RED}[✗]{RESET} {msg}")


def step(msg):
    print(f"{CYAN}[→]{RESET} {msg}")


# ─── 环境检查 ──────────────────────────────────────────────────────────────────────
def check_env():
    """检查依赖环境"""
    info("环境检查中...")
    issues = []

    try:
        import requests
        info("requests 已就绪")
    except ImportError:
        warn("缺少 requests，正在安装...")
        os.system(f"{sys.executable} -m pip install requests")
        try:
            import requests
            info("requests 安装成功")
        except ImportError:
            error("requests 安装失败")
            issues.append("requests")

    # 检查 API Key
    from gzh import get_api_key
    key = get_api_key()
    if key:
        info(f"API Key 已配置（{key[:8]}...）")
    else:
        error("未找到 API Key，请先配置 REDFOX_API_KEY")
        error("获取: https://redfox.hk/settings/api-keys?source=github")
        issues.append("REDFOX_API_KEY")

    OUTPUT_DIR.mkdir(parents=True, exist_ok=True)
    info(f"输出目录: {OUTPUT_DIR}")

    if issues:
        error(f"仍有依赖缺失: {', '.join(issues)}")
        return False
    info("环境检查通过")
    return True


# ─── 文本预处理 ────────────────────────────────────────────────────────────────────
def clean_text(text):
    """清洗文本"""
    if not text:
        return ""
    text = str(text)
    text = re.sub(r'<[^>]+>', '', text)
    text = re.sub(r'&nbsp;', ' ', text)
    text = re.sub(r'&amp;', '&', text)
    text = re.sub(r'&lt;', '<', text)
    text = re.sub(r'&gt;', '>', text)
    text = re.sub(r'\n{3,}', '\n\n', text)
    return text.strip()


def split_paragraphs(text):
    """分段"""
    if not text:
        return []
    return [p.strip() for p in text.split('\n') if p.strip()]


# ─── 核心词典（蒸馏质量关键：必须从raw全文逐篇提取，禁止依赖clean中间层） ──────

# 股票/指数词典：标准名 → [别名列表]（别名用于宽松匹配，覆盖口语化表达）
STOCK_DICT = {
    # 指数
    "上证指数": ["上证", "沪指", "大盘", "A股"],
    "创业板指": ["创业板", "创业板指"],
    "中证500": ["中证500"],
    "沪深300": ["沪深300"],
    "科创50": ["科创50", "科创板"],
    "中证1000": ["中证1000"],
    "纳斯达克": ["纳斯达克", "纳指"],
    "标普500": ["标普500", "标普"],
    "恒生指数": ["恒生", "恒指"],
    "恒生科技": ["恒生科技"],
    # A股龙头
    "贵州茅台": ["茅台", "贵州茅台"],
    "五粮液": ["五粮液"],
    "美的": ["美的集团", "美的"],
    "格力": ["格力", "格力电器"],
    "中国平安": ["平安", "中国平安"],
    "宁德时代": ["宁德", "宁德时代"],
    "比亚迪": ["比亚迪"],
    "长江电力": ["长江电力", "长电"],
    "寒武纪": ["寒武纪"],
    "中芯国际": ["中芯", "中芯国际"],
    "中际旭创": ["中际旭创", "旭创"],
    # 港股/美股
    "腾讯": ["腾讯"],
    "阿里巴巴": ["阿里", "阿里巴巴"],
    "美团": ["美团"],
    "京东": ["京东"],
    "小米": ["小米"],
    "百度": ["百度"],
    "英伟达": ["英伟达", "NVIDIA"],
    "苹果": ["苹果", "Apple"],
    "特斯拉": ["特斯拉", "Tesla"],
    "谷歌": ["谷歌", "Google"],
    "微软": ["微软", "Microsoft"],
    "Meta": ["Meta", "Facebook"],
    "台积电": ["台积电", "TSMC"],
    "美光": ["美光", "Micron"],
    # 其他
    "华为": ["华为"],
    "字节跳动": ["字节", "字节跳动", "抖音"],
    "拼多多": ["拼多多", "PDD"],
}

# 投资关键短语（领域专用，比通用句子频次更精准）
INVESTMENT_PHRASES = [
    # 估值/价值
    "估值", "安全边际", "内在价值", "护城河", "价值投资", "基本面", "财报",
    "分红", "股息率", "ROE", "PE", "PB", "自由现金流", "市盈率", "市净率",
    # 趋势/技术
    "趋势", "钝化", "均线", "支撑", "压力", "突破", "回调", "反弹",
    "放量", "缩量", "涨停", "跌停", "连板", "龙头", "妖股",
    # 操作
    "仓位", "加仓", "减仓", "止损", "止盈", "建仓", "清仓", "定投",
    "急涨不追", "急跌不抄底", "追高", "抄底",
    # 宏观
    "美联储", "利率", "关税", "通胀", "降息", "加息", "流动性",
    "地缘政治", "中美", "制裁",
    # 产业链
    "产业链", "景气", "周期", "拐点", "国产替代", "算力", "AI",
    "人工智能", "半导体", "芯片", "新能源", "光伏", "储能",
    "商业航天", "卫星", "光通信", "存储",
    # 哲学/认知
    "认知", "慢慢变富", "道法自然", "逆向", "周期会来的",
    "长期主义", "复利", "贪婪", "恐惧", "知足常乐",
    # 市场情绪
    "恐慌", "贪婪", "情绪", "人声鼎沸", "共识", "关注度",
    "量化", "ETF", "指数基金", "散户", "机构",
]

# 板块关键词映射（用于文章级别计数）
SECTOR_KEYWORDS = {
    "AI/人工智能": ["AI", "人工智能", "大模型", "GPT", "算力", "Agent", "ChatGPT"],
    "半导体/芯片": ["半导体", "芯片", "光刻", "中芯", "台积电", "制程", "封装"],
    "商业航天/卫星": ["航天", "卫星", "火箭", "商业航天", "星链", "太空", "低轨"],
    "新能源": ["新能源", "光伏", "风电", "储能", "锂电", "充电桩", "碳中和"],
    "金融/银行": ["银行", "券商", "保险", "金融", "信贷"],
    "消费/白酒": ["消费", "白酒", "食品", "零售", "茅台", "五粮液", "品牌"],
    "煤炭/资源": ["煤炭", "资源", "矿业", "铜", "锂", "稀土"],
    "房地产": ["房地产", "楼市", "房价", "开发商", "物业"],
    "医药": ["医药", "医疗", "创新药", "生物科技", "CXO"],
    "光通信": ["光通信", "光模块", "光纤", "CPO", "硅光"],
    "存储": ["存储", "DRAM", "NAND", "HBM", "闪存"],
    "军工": ["军工", "国防", "装备", "导弹"],
    "机器人": ["机器人", "人形机器人", "减速器", "伺服"],
    "脑机接口": ["脑机", "Neuralink", "脑科学"],
    "核聚变": ["核聚变", "可控核", "托卡马克"],
}

# 个股识别正则（中文股票名称模式 — 捕获词典外的个股，补充STOCK_DICT）
STOCK_NAME_PATTERN = re.compile(
    r'(?:中国|中|国|华|南|北|东|西|新|大|上|深|长|广|江|浙|海|天|金|银|龙|凤|'
    r'安|宝|富|恒|嘉|美|高|万|百|千|红|蓝|绿|紫|星|光|明|达|利|通|信|科|泰|'
    r'航|发|沈|成|西|赣|鲁|闽|川|渝|鄂|湘|皖|豫|冀|辽|吉|黑)[\u4e00-\u9fff]{1,5}'
    r'(?:股份|科技|电子|集团|控股|材料|设备|能源|动力|智能|芯片|生物|药业|'
    r'化工|机械|光电|信息|通信|网络|软件|互联|新材|环保|装备|工业|精密|'
    r'电气|自动化|仪器|仪表|航空|航天|船舶|重工)'
)

# 短线信号词（蒸馏用：情绪周期/辨识度/卡位等短线专有术语）
SHORT_SIGNAL_KW = [
    "涨停", "连板", "龙头", "资金流入", "主力买入", "封板",
    "竞价", "炸板", "反包", "首板", "二板", "三板", "妖股",
    "情绪", "辨识度", "卡位", "补涨", "加速", "打板", "游资",
    "龙虎榜", "复盘", "盘面", "资金流向", "止损",
]

# 长线/基本面指标词（蒸馏用：财务报表和估值分析术语）
FINANCIAL_METRICS_KW = [
    "护城河", "ROE", "净利润", "毛利率", "自由现金流", "估值",
    "PE", "PB", "分红", "回购", "业绩增长", "核心竞争力",
    "市场份额", "研发", "壁垒", "内在价值", "市盈率", "市净率",
    "股息率", "营收增长", "净利率", "ROA", "资产负债率",
]

# 投资格言/金句关键词（用于提取哲理性表达）
WISDOM_INDICATORS = [
    "道", "禅", "悟", "哲学", "认知", "智慧", "思维", "格局",
    "长期", "耐心", "时间", "复利", "慢慢", "变富",
    "恐惧", "贪婪", "纪律", "原则", "底线",
]


# ─── 统计分析（基于raw全文逐篇提取） ──────────────────────────────────────────────
def analyze_articles(articles: list, author_name: str) -> dict:
    """
    统计分析文章数据。
    核心原则：必须从raw全文逐篇提取，不依赖任何clean/NER中间层。
    """
    stats = {
        "author": author_name,
        "total_articles": len(articles),
        "analysis_time": datetime.now().isoformat(),
    }

    # 1. 基础统计（含精确字数）
    word_counts = []
    publish_dates = []
    all_contents = []

    for a in articles:
        content = clean_text(a.get("content", "") or a.get("正文", ""))
        title = a.get("title", "") or a.get("标题", "")
        pub_time = a.get("publish_time", "") or a.get("发布时间", "")

        wc = len(content)
        word_counts.append(wc)
        all_contents.append({
            "title": title, "content": content,
            "publish_time": pub_time, "word_count": wc,
        })
        if pub_time:
            publish_dates.append(str(pub_time)[:10])

    sorted_wc = sorted(word_counts)
    stats["word_count"] = {
        "avg": round(sum(word_counts) / len(word_counts), 0) if word_counts else 0,
        "min": min(word_counts) if word_counts else 0,
        "max": max(word_counts) if word_counts else 0,
        "median": sorted_wc[len(sorted_wc) // 2] if word_counts else 0,
    }

    # 2. 发布频率
    if publish_dates:
        date_counter = Counter(publish_dates)
        stats["publish_frequency"] = {
            "total_days": len(date_counter),
            "avg_per_day": round(len(articles) / max(len(date_counter), 1), 1),
            "most_active_date": date_counter.most_common(1)[0] if date_counter else None,
        }

    # 3. 内容关键词聚合（API 字段: contentKeywords，非 wordCloud）
    ck_agg = Counter()
    for a in articles:
        ck = a.get("content_keywords", [])
        if isinstance(ck, list):
            for item in ck:
                if isinstance(item, dict):
                    ck_agg[item.get("keyword", "")] += item.get("weight", 1.0)
    stats["top_keywords"] = [{"keyword": k, "weight": round(v, 2)} for k, v in ck_agg.most_common(30)]

    # 4. 个股/指数频次提取（词典+别名+正则双通道，含上下文和复合评分）
    stock_counter = Counter()
    stock_context = defaultdict(list)  # 个股 → 相关文章标题列表

    for a in all_contents:
        text = f"{a['title']} {a['content']}"
        title_short = a['title'][:60] if a['title'] else ""

        # 通道A：词典+别名匹配（精确，含口语化别名）
        for stock_name, aliases in STOCK_DICT.items():
            if any(alias.lower() in text.lower() for alias in aliases):
                stock_counter[stock_name] += 1
                if title_short:
                    stock_context[stock_name].append(title_short)

        # 通道B：正则模式匹配（捕获词典外的个股全称）
        regex_matches = STOCK_NAME_PATTERN.findall(text)
        for m in regex_matches:
            if len(m) >= 3:
                # 排除已被词典覆盖的个股
                already_covered = any(m == sn or m in aliases for sn, aliases in STOCK_DICT.items())
                if not already_covered:
                    stock_counter[m] += 1
                    if title_short:
                        stock_context[m].append(title_short)

    # 复合评分：提及频率 + 短线/长线关键词上下文权重
    stock_scores = {}
    for stock, count in stock_counter.items():
        contexts = stock_context.get(stock, [])
        context_text = " ".join(contexts)
        # 基础分 = 提及次数
        score = count
        # 短线信号加分（出现短线术语说明该个股有短线关注价值）
        score += sum(1 for kw in SHORT_SIGNAL_KW if kw in context_text)
        # 长线指标加分（出现基本面术语说明该个股有长线分析深度）
        score += sum(2 for kw in FINANCIAL_METRICS_KW if kw in context_text)
        stock_scores[stock] = score

    # 输出：按复合评分排序，保留上下文
    top_stocks = sorted(stock_scores.items(), key=lambda x: x[1], reverse=True)[:30]
    stats["stock_mentions"] = [
        {"stock": s, "count": stock_counter[s], "score": sc,
         "ratio": round(stock_counter[s] / max(len(articles), 1), 2),
         "sample_titles": stock_context.get(s, [])[:3]}
        for s, sc in top_stocks
    ]
    # 正则发现的词典外个股（供AI审查是否有重要遗漏）
    dict_stocks = set(STOCK_DICT.keys())
    regex_discovered = [
        {"stock": s, "count": stock_counter[s], "sample_titles": stock_context.get(s, [])[:2]}
        for s, _ in top_stocks if s not in dict_stocks
    ][:10]
    stats["regex_discovered_stocks"] = regex_discovered

    # 5. 板块文章级计数（每篇只计一次）
    sector_article_counts = {}
    for sector, kws in SECTOR_KEYWORDS.items():
        count = sum(
            1 for a in all_contents
            if any(kw in f"{a['title']} {a['content']}" for kw in kws)
        )
        if count > 0:
            sector_article_counts[sector] = count
    stats["sector_focus"] = dict(
        sorted(sector_article_counts.items(), key=lambda x: x[1], reverse=True)
    )

    # 6. 投资关键短语提取
    phrase_counter = Counter()
    for a in all_contents:
        text = f"{a['title']} {a['content']}"
        for phrase in INVESTMENT_PHRASES:
            c = text.count(phrase)
            if c > 0:
                phrase_counter[phrase] += c
    stats["investment_phrases"] = [
        {"phrase": p, "count": c} for p, c in phrase_counter.most_common(40)
    ]

    # 7. 交易类型判定（使用扩充的SHORT_SIGNAL_KW + FINANCIAL_METRICS_KW）
    long_kw = list(set(FINANCIAL_METRICS_KW + [
        "价值投资", "基本面", "财报", "持有", "长期",
        "安全边际", "定投", "生意", "核心竞争力", "业绩增长",
    ]))
    short_kw = list(set(SHORT_SIGNAL_KW + [
        "跌停", "封板", "炸板", "反包", "首板", "二板", "三板",
        "卡位", "补涨", "加速", "辨识度",
    ]))

    long_count = sum(a["content"].count(kw) for a in all_contents for kw in long_kw)
    short_count = sum(a["content"].count(kw) for a in all_contents for kw in short_kw)

    stats["trader_type"] = {
        "long_score": long_count,
        "short_score": short_count,
        "classified_type": "长线" if long_count > short_count * 1.5 else ("短线" if short_count > long_count * 1.5 else "混合"),
    }

    # 8. 标志性表达提取
    phrase_counter_sig = Counter()
    for a in all_contents:
        sentences = re.split(r'[。！？\n]', a["content"])
        for s in sentences:
            s = s.strip()
            if 4 <= len(s) <= 30:
                phrase_counter_sig[s] += 1
    stats["signature_phrases"] = [
        {"phrase": p, "count": c}
        for p, c in phrase_counter_sig.most_common(50) if c >= 2
    ][:20]

    # 8b. 投资格言/金句提取
    wisdom_phrases = []
    for p, c in phrase_counter_sig.most_common(100):
        if any(ind in p for ind in WISDOM_INDICATORS) and c >= 2:
            wisdom_phrases.append({"phrase": p, "count": c})
    stats["investment_wisdom"] = wisdom_phrases[:15]

    # 9. 文章结构分析 + 开头/结尾/标题模式检测
    structures = []
    opening_patterns = Counter()
    closing_patterns = Counter()

    for a in all_contents:
        paragraphs = split_paragraphs(a["content"])
        if not paragraphs:
            continue
        opening = paragraphs[0][:100]
        closing = paragraphs[-1][:100] if len(paragraphs) > 1 else ""

        if "免责" in opening:
            opening_patterns["免责声明开头"] += 1
        if "今天" in opening[:10]:
            opening_patterns["今日盘面开头"] += 1

        if "免责" in closing or "风险" in closing or "投资需谨慎" in closing:
            closing_patterns["风险/免责结尾"] += 1
        if "链接" in closing or "星标" in closing or "关注" in closing:
            closing_patterns["引导关注结尾"] += 1

        structures.append({
            "title": a["title"],
            "para_count": len(paragraphs),
            "opening": opening,
            "closing": closing,
            "word_count": a["word_count"],
            "publish_time": a["publish_time"],
        })
    stats["article_structures"] = structures[:20]
    stats["opening_patterns"] = dict(opening_patterns.most_common(5))
    stats["closing_patterns"] = dict(closing_patterns.most_common(5))

    # 10. 标题模式分析
    title_patterns = {"疑问句": 0, "感叹句": 0, "陈述句": 0, "数字开头": 0}
    title_format_counter = Counter()
    for a in all_contents:
        t = a.get("title", "")
        if t:
            if "？" in t or "?" in t:
                title_patterns["疑问句"] += 1
            elif "！" in t or "!" in t:
                title_patterns["感叹句"] += 1
            else:
                title_patterns["陈述句"] += 1
            if t[0].isdigit():
                title_patterns["数字开头"] += 1
            if len(t) > 6:
                prefix = re.sub(r'[（(].+?[）)]', '', t)[:8]
                title_format_counter[prefix] += 1
    stats["title_patterns"] = title_patterns
    stats["title_format_templates"] = [
        {"prefix": p, "count": c}
        for p, c in title_format_counter.most_common(5) if c >= 3
    ]

    # 11. 交易术语统计（整合SHORT_SIGNAL_KW + FINANCIAL_METRICS_KW + 操作术语）
    trading_terms = list(set(
        SHORT_SIGNAL_KW + FINANCIAL_METRICS_KW + [
            "情绪周期", "止盈", "仓位", "满仓", "清仓",
            "减仓", "加仓", "建仓", "空仓", "做多", "做空", "牛市", "熊市", "震荡",
            "放量", "缩量", "突破", "回调", "反弹", "趋势", "支撑", "压力", "均线",
            "K线", "MACD", "量价", "换手率", "成交额", "市值",
            "基本面", "技术面", "资金面", "消息面", "板块轮动",
        ]
    ))
    term_counter = Counter()
    for a in all_contents:
        for term in trading_terms:
            c = a["content"].count(term)
            if c > 0:
                term_counter[term] += c
    stats["trading_terms"] = [{"term": t, "count": c} for t, c in term_counter.most_common(30)]

    # 12. 免责声明检测
    disclaimer_kw = ["免责声明", "不构成", "投资建议", "个人日记", "个人笔记", "理财需谨慎", "投资有风险"]
    dc = sum(1 for a in all_contents if any(kw in a["content"] for kw in disclaimer_kw))
    stats["has_disclaimer"] = {"count": dc, "ratio": round(dc / max(len(articles), 1), 2)}

    # 13. 师承/影响源扫描
    mentor_kw = {
        "巴菲特": ["巴菲特", "伯克希尔"],
        "芒格": ["芒格", "穷查理"],
        "段永平": ["段永平"],
        "李录": ["李录"],
        "格雷厄姆": ["格雷厄姆", "聪明的投资者"],
        "彼得林奇": ["彼得林奇", "林奇"],
        "索罗斯": ["索罗斯", "反身性"],
        "达利欧": ["达利欧", "原则"],
        "霍华德马克斯": ["霍华德", "马克斯", "投资最重要的事"],
    }
    mentor_scores = {}
    for mentor, kws in mentor_kw.items():
        score = sum(a["content"].count(kw) for a in all_contents for kw in kws)
        if score > 0:
            mentor_scores[mentor] = score
    stats["mentor_influence"] = dict(sorted(mentor_scores.items(), key=lambda x: x[1], reverse=True))

    # 14. 语气量化分析（感叹句/疑问句/第一人称/口语化 四类标记）
    tone_markers = {
        "感叹句": 0, "疑问句": 0, "第一人称": 0, "口语化": 0,
    }
    for a in all_contents:
        c = a["content"]
        tone_markers["感叹句"] += len(re.findall(r'[！!]', c))
        tone_markers["疑问句"] += len(re.findall(r'[？?]', c))
        tone_markers["第一人称"] += len(re.findall(r'我[们]?', c))
        tone_markers["口语化"] += len(re.findall(r'[吧呢啊嘛哦哈嘿哟啦哇]', c))
    # 归一化为每篇平均
    n = max(len(articles), 1)
    tone_avg = {k: round(v / n, 1) for k, v in tone_markers.items()}
    total_tone = sum(tone_markers.values())
    if total_tone > n * 10:
        tone_style = "强语气型"
    elif total_tone > n * 3:
        tone_style = "中等语气型"
    else:
        tone_style = "冷静克制型"
    stats["tone_analysis"] = {
        "markers_total": tone_markers,
        "per_article_avg": tone_avg,
        "tone_style": tone_style,
    }

    # 15. 论证链模式提取（检测博主特有的分析推理路径）
    # 常见论证模式标记词
    arg_patterns = {
        "事件驱动型": ["消息", "事件", "突发", "利好", "利空", "催化", "政策", "发布"],
        "数据驱动型": ["数据", "财报", "营收", "利润", "增长率", "同比", "环比", "出货量"],
        "逻辑推演型": ["因此", "所以", "导致", "意味着", "由此可见", "逻辑是", "推导"],
        "类比推理型": ["类似", "参照", "对比", "历史", "上一轮", "复盘", "如同"],
        "产业链分析型": ["产业链", "上下游", "景气度", "传导", "供需", "产能", "订单"],
        "逆向思维型": ["反过来", "逆向", "反直觉", "大多数人", "相反", "市场错了"],
    }
    arg_scores = {}
    for pattern_name, kws in arg_patterns.items():
        score = sum(a["content"].count(kw) for a in all_contents for kw in kws)
        if score > 0:
            arg_scores[pattern_name] = score
    stats["argumentation_style"] = dict(
        sorted(arg_scores.items(), key=lambda x: x[1], reverse=True)
    )

    # 16. 核心分析工具识别（博主用什么思维框架分析市场）
    thinking_tools = {
        "宏观经济分析": ["GDP", "PMI", "CPI", "PPI", "利率", "美联储", "货币政策", "财政政策"],
        "产业链研究": ["产业链", "上下游", "景气度", "产能", "供需格局", "行业格局"],
        "财务报表分析": ["财报", "营收", "净利润", "毛利率", "现金流", "ROE", "负债"],
        "技术面分析": ["K线", "MACD", "均线", "支撑", "压力", "趋势", "量价", "突破"],
        "资金面分析": ["北向资金", "主力资金", "融资余额", "资金流向", "龙虎榜", "机构"],
        "情绪周期分析": ["情绪", "周期", "高潮", "冰点", "退潮", "修复", "分歧", "一致"],
        "全球对标分析": ["美股", "纳斯达克", "标普", "英伟达", "台积电", "全球", "海外"],
        "政策面分析": ["政策", "监管", "制裁", "关税", "补贴", "规划", "纲要"],
    }
    tool_scores = {}
    for tool_name, kws in thinking_tools.items():
        score = sum(a["content"].count(kw) for a in all_contents for kw in kws)
        if score > 0:
            tool_scores[tool_name] = score
    stats["thinking_tools"] = dict(
        sorted(tool_scores.items(), key=lambda x: x[1], reverse=True)
    )

    # 17. 数据引用密度（区分"数据驱动型"和"主观判断型"博主）
    data_ref_kws = [
        "数据", "财报", "同比", "环比", "增长", "下降", "%", "营收", "利润",
        "出货量", "产能", "利用率", "订单", "库存", "价格指数",
        "成交额", "万亿", "千亿", "百亿", "亿元",
    ]
    data_ref_count = sum(
        a["content"].count(kw) for a in all_contents for kw in data_ref_kws
    )
    total_chars = sum(a["word_count"] for a in all_contents)
    data_density = round(data_ref_count / max(total_chars, 1) * 1000, 2)  # 每千字数据引用次数
    if data_density > 5:
        data_style = "高密度数据驱动型"
    elif data_density > 2:
        data_style = "中等数据引用型"
    else:
        data_style = "主观判断型"
    stats["data_citation"] = {
        "total_refs": data_ref_count,
        "density_per_1k": data_density,
        "data_style": data_style,
    }

    # 18. 跨市场视角检测（是否关注全球市场联动）
    cross_market_kws = {
        "美股": ["美股", "纳斯达克", "标普", "道琼斯", "美联储", "英伟达", "苹果", "特斯拉", "谷歌", "微软"],
        "港股": ["港股", "恒生", "恒指", "恒生科技", "南向资金"],
        "A股": ["A股", "上证", "深证", "创业板", "科创板"],
        "商品/汇率": ["黄金", "原油", "美元", "人民币", "汇率", "铜", "锂"],
    }
    cross_market = {}
    for market, kws in cross_market_kws.items():
        count = sum(a["content"].count(kw) for a in all_contents for kw in kws)
        if count > 0:
            cross_market[market] = count
    # 跨市场广度：涉及几个市场
    cross_breadth = len(cross_market)
    stats["cross_market"] = {
        "markets": dict(sorted(cross_market.items(), key=lambda x: x[1], reverse=True)),
        "breadth": cross_breadth,
        "perspective": "全球视角" if cross_breadth >= 3 else ("多市场" if cross_breadth >= 2 else "单一市场"),
    }

    # 19. 信息密度评估（投资分析内容占比，区分干货型和水文型）
    investment_content_kws = list(set(
        SHORT_SIGNAL_KW + FINANCIAL_METRICS_KW + [
            "估值", "仓位", "板块", "赛道", "龙头", "趋势", "基本面",
            "技术面", "资金面", "消息面", "产业链", "景气", "周期",
        ]
    ))
    inv_content_count = sum(
        a["content"].count(kw) for a in all_contents for kw in investment_content_kws
    )
    info_density = round(inv_content_count / max(total_chars, 1) * 1000, 2)  # 每千字投资内容密度
    if info_density > 10:
        info_level = "高信息密度（投资分析占比80%+）"
    elif info_density > 5:
        info_level = "中等信息密度（投资分析占比50-80%）"
    else:
        info_level = "低信息密度（生活/闲聊/引流内容较多）"
    stats["information_density"] = {
        "investment_refs": inv_content_count,
        "density_per_1k": info_density,
        "level": info_level,
    }

    # 20. 互动数据统计（API 直接返回，非正文推断）
    engagement = {
        "read_avg": 0, "read_max": 0, "read_total": 0,
        "like_avg": 0, "like_max": 0, "like_total": 0,
        "comment_avg": 0, "comment_total": 0,
        "share_avg": 0, "share_total": 0,
        "collect_avg": 0, "collect_total": 0,
        "reward_total": 0,
        "engagement_rate": 0,  # 互动率 = (点赞+评论+转发) / 阅读
    }
    if all_contents:
        reads = [a.get("read_count", 0) or 0 for a in articles]
        likes = [a.get("like_count", 0) or 0 for a in articles]
        comments = [a.get("comment_count", 0) or 0 for a in articles]
        shares = [a.get("share_count", 0) or 0 for a in articles]
        collects = [a.get("collect_count", 0) or 0 for a in articles]
        rewards = [a.get("reward_count", 0) or 0 for a in articles]
        n = len(articles)
        engagement["read_avg"] = round(sum(reads) / n, 0)
        engagement["read_max"] = max(reads)
        engagement["read_total"] = sum(reads)
        engagement["like_avg"] = round(sum(likes) / n, 0)
        engagement["like_max"] = max(likes)
        engagement["like_total"] = sum(likes)
        engagement["comment_avg"] = round(sum(comments) / n, 0)
        engagement["comment_total"] = sum(comments)
        engagement["share_avg"] = round(sum(shares) / n, 0)
        engagement["share_total"] = sum(shares)
        engagement["collect_avg"] = round(sum(collects) / n, 0)
        engagement["collect_total"] = sum(collects)
        engagement["reward_total"] = sum(rewards)
        total_reads = engagement["read_total"] or 1
        engagement["engagement_rate"] = round(
            (engagement["like_total"] + engagement["comment_total"] + engagement["share_total"]) / total_reads * 100, 2
        )
        # 互动层级判定
        er = engagement["engagement_rate"]
        if er > 5:
            engagement["level"] = "极高互动（粉丝粘性极强）"
        elif er > 2:
            engagement["level"] = "高互动（活跃粉丝群体）"
        elif er > 1:
            engagement["level"] = "中等互动"
        else:
            engagement["level"] = "低互动（阅读量大但互动少）"
    stats["engagement"] = engagement

    return stats


# ─── 生成数据底稿和蒸馏任务 ──────────────────────────────────────────────────────────
def generate_brief(stats, author_name):
    """生成数据底稿"""
    lines = []
    lines.append(f"# {author_name} 蒸馏数据底稿")
    lines.append(f"\n> 生成时间：{stats.get('analysis_time', '')}")
    lines.append(f"> 内容总数：{stats['total_articles']} 篇\n")

    lines.append("## 1. 基础统计\n")
    wc = stats.get("word_count", {})
    lines.append(f"- 平均字数：{wc.get('avg', 0)}")
    lines.append(f"- 最短/最长：{wc.get('min', 0)} / {wc.get('max', 0)}")
    lines.append(f"- 中位数：{wc.get('median', 0)}\n")

    pf = stats.get("publish_frequency", {})
    lines.append("## 2. 发布频率\n")
    lines.append(f"- 发布天数：{pf.get('total_days', 0)}")
    lines.append(f"- 日均发文：{pf.get('avg_per_day', 0)} 篇\n")

    tt = stats.get("trader_type", {})
    lines.append("## 3. 交易类型判定\n")
    lines.append(f"- 长线关键词得分：{tt.get('long_score', 0)}")
    lines.append(f"- 短线关键词得分：{tt.get('short_score', 0)}")
    lines.append(f"- 判定结果：**{tt.get('classified_type', '未知')}**\n")

    lines.append("## 4. 个股/指数提及排行 TOP20（复合评分 = 提及频率 + 上下文关键词权重）\n")
    lines.append("| 个股 | 提及次数 | 综合评分 | 占比 | 相关文章 |")
    lines.append("|------|---------|---------|------|---------|")
    for s in stats.get("stock_mentions", [])[:20]:
        titles = "、".join(s.get("sample_titles", [])[:2])
        lines.append(f"| {s['stock']} | {s['count']} | {s['score']} | {s['ratio']:.0%} | {titles} |")
    lines.append("")

    # 正则发现的词典外个股（重要补充信息）
    regex_stocks = stats.get("regex_discovered_stocks", [])
    if regex_stocks:
        lines.append("### 正则发现的词典外个股（AI审查是否有重要遗漏）\n")
        for s in regex_stocks:
            titles = "、".join(s.get("sample_titles", [])[:2])
            lines.append(f"- **{s['stock']}**（{s['count']}次）相关文章：{titles}")
        lines.append("")

    lines.append("## 5. 板块关注度（文章级计数）\n")
    for sector, count in stats.get("sector_focus", {}).items():
        ratio = count / max(stats['total_articles'], 1)
        lines.append(f"- {sector}：{count}篇（{ratio:.0%}）")
    lines.append("")

    lines.append("## 6. 投资关键短语 TOP30\n")
    for p in stats.get("investment_phrases", [])[:30]:
        lines.append(f"- {p['phrase']}（{p['count']}次）")
    lines.append("")

    lines.append("## 7. 标志性表达 TOP15\n")
    for p in stats.get("signature_phrases", [])[:15]:
        lines.append(f"- 「{p['phrase']}」出现 {p['count']} 次")
    lines.append("")

    lines.append("## 8. 投资格言/金句\n")
    wisdom = stats.get("investment_wisdom", [])
    if wisdom:
        for p in wisdom[:10]:
            lines.append(f"- 「{p['phrase']}」出现 {p['count']} 次")
    else:
        lines.append("- 未检测到高频投资格言")
    lines.append("")

    lines.append("## 9. 交易术语使用频率 TOP20\n")
    for t in stats.get("trading_terms", [])[:20]:
        lines.append(f"- {t['term']}（{t['count']}次）")
    lines.append("")

    lines.append("## 10. 标题模式分析\n")
    for k, v in stats.get("title_patterns", {}).items():
        lines.append(f"- {k}：{v}")
    templates = stats.get("title_format_templates", [])
    if templates:
        lines.append("\n**固定格式模板：**")
        for t in templates:
            lines.append(f"- 「{t['prefix']}...」（{t['count']}次）")
    lines.append("")

    lines.append("## 11. 开头/结尾模式\n")
    op = stats.get("opening_patterns", {})
    if op:
        lines.append("**开头模式：**")
        for k, v in op.items():
            lines.append(f"- {k}：{v}篇")
    cp = stats.get("closing_patterns", {})
    if cp:
        lines.append("\n**结尾模式：**")
        for k, v in cp.items():
            lines.append(f"- {k}：{v}篇")
    lines.append("")

    hd = stats.get("has_disclaimer", {})
    lines.append(f"## 12. 免责声明\n")
    lines.append(f"- 含免责声明：{hd.get('count', 0)}/{stats['total_articles']}（{hd.get('ratio', 0):.0%}）\n")

    mi = stats.get("mentor_influence", {})
    lines.append("## 13. 师承/影响源\n")
    if mi:
        for mentor, score in mi.items():
            lines.append(f"- {mentor}（提及{score}次）")
    else:
        lines.append("- 未检测到明显师承影响")
    lines.append("")

    lines.append("## 14. 高频关键词 TOP20\n")
    for kw in stats.get("top_keywords", [])[:20]:
        lines.append(f"- {kw['keyword']}（权重：{kw['weight']}）")
    lines.append("")

    lines.append("## 15. 内容结构样本（前5篇）\n")
    for s in stats.get("article_structures", [])[:5]:
        lines.append(f"### {s['title']}")
        lines.append(f"- 段落数：{s['para_count']}")
        lines.append(f"- 字数：{s['word_count']}")
        lines.append(f"- 开头：{s['opening'][:80]}...")
        lines.append(f"- 结尾：{s['closing'][:80]}...")
        lines.append("")

    # ── 互动数据（API数值，非正文推断）──
    eg = stats.get("engagement", {})
    if eg:
        lines.append("## 互动数据统计\n")
        lines.append(f"- 篇均阅读：{eg.get('read_avg', 0):.0f}（最高 {eg.get('read_max', 0)}）")
        lines.append(f"- 篇均点赞：{eg.get('like_avg', 0):.0f}（最高 {eg.get('like_max', 0)}）")
        lines.append(f"- 篇均评论：{eg.get('comment_avg', 0):.0f}")
        lines.append(f"- 篇均转发：{eg.get('share_avg', 0):.0f}")
        lines.append(f"- 篇均收藏：{eg.get('collect_avg', 0):.0f}")
        lines.append(f"- 互动率：{eg.get('engagement_rate', 0)}%")
        lines.append(f"- 互动层级：**{eg.get('level', '未知')}**")
        lines.append("")

    # ── 思维层分析维度（16-21）──
    lines.append("---\n")
    lines.append("## 16. 语气量化分析\n")
    tone = stats.get("tone_analysis", {})
    markers = tone.get("markers_total", {})
    avg = tone.get("per_article_avg", {})
    if markers:
        lines.append(f"- 风格分类：**{tone.get('tone_style', '未知')}**")
        lines.append(f"- 感叹句：{markers.get('感叹句', 0)}（篇均{avg.get('感叹句', 0)}）")
        lines.append(f"- 疑问句：{markers.get('疑问句', 0)}（篇均{avg.get('疑问句', 0)}）")
        lines.append(f"- 第一人称：{markers.get('第一人称', 0)}（篇均{avg.get('第一人称', 0)}）")
        lines.append(f"- 口语化：{markers.get('口语化', 0)}（篇均{avg.get('口语化', 0)}）")
    lines.append("")

    lines.append("## 17. 论证链模式（博主特有推理路径）\n")
    arg = stats.get("argumentation_style", {})
    if arg:
        for pattern, score in arg.items():
            lines.append(f"- **{pattern}**：{score}分")
    else:
        lines.append("- 未检测到明显论证模式偏好")
    lines.append("")

    lines.append("## 18. 核心分析工具（思维框架）\n")
    tools = stats.get("thinking_tools", {})
    if tools:
        for tool, score in tools.items():
            lines.append(f"- **{tool}**：{score}分")
    else:
        lines.append("- 未检测到明确思维框架")
    lines.append("")

    lines.append("## 19. 数据引用密度\n")
    dc = stats.get("data_citation", {})
    if dc:
        lines.append(f"- 风格分类：**{dc.get('data_style', '未知')}**")
        lines.append(f"- 总引用次数：{dc.get('total_refs', 0)}")
        lines.append(f"- 每千字数据引用：{dc.get('density_per_1k', 0)}次")
    lines.append("")

    lines.append("## 20. 跨市场视角\n")
    cm = stats.get("cross_market", {})
    if cm:
        lines.append(f"- 视角分类：**{cm.get('perspective', '未知')}**（涉及{cm.get('breadth', 0)}个市场）")
        for market, count in cm.get("markets", {}).items():
            lines.append(f"- {market}：{count}次提及")
    lines.append("")

    lines.append("## 21. 信息密度评估\n")
    info = stats.get("information_density", {})
    if info:
        lines.append(f"- 密度等级：**{info.get('level', '未知')}**")
        lines.append(f"- 投资关键词总量：{info.get('investment_refs', 0)}")
        lines.append(f"- 每千字投资密度：{info.get('density_per_1k', 0)}")
    lines.append("")

    return "\n".join(lines)


def generate_task(stats, author_name):
    """生成AI蒸馏任务清单（七维DNA）"""
    tt = stats.get("trader_type", {})
    trader_type = tt.get("classified_type", "未知")

    lines = []
    lines.append(f"# {author_name} AI蒸馏任务清单\n")
    lines.append(f"> 交易类型：{trader_type}")
    lines.append(f"> 内容数：{stats['total_articles']} 篇")
    lines.append("")

    lines.append("## 蒸馏任务\n")
    lines.append("请基于数据底稿，按七维DNA框架生成风格画像。\n")

    # 构建思维层参考数据
    thinking_tools_ref = ', '.join(list(stats.get("thinking_tools", {}).keys())[:5]) or '待分析'
    arg_ref = ', '.join(list(stats.get("argumentation_style", {}).keys())[:3]) or '待分析'
    tone_ref = stats.get("tone_analysis", {}).get("tone_style", "待分析")
    data_ref = stats.get("data_citation", {}).get("data_style", "待分析")
    cross_ref = stats.get("cross_market", {}).get("perspective", "待分析")
    info_ref = stats.get("information_density", {}).get("level", "待分析")

    dims = [
        ("维度1：交易体系DNA", [
            "提取核心交易模式", "提取选股逻辑", "提取买入信号",
            "提取卖出/止损信号", "提取仓位管理策略",
            f"提取核心分析工具/思维框架（脚本参考：{thinking_tools_ref}）",
            "每个要点需引用至少2条原文证据",
        ]),
        ("维度2：市场判断DNA", [
            "判定交易流派", "提取板块偏好", "提取持仓周期特征",
            "提取多空判断条件", "追踪历史预判与实际走势对比",
            f"分析跨市场视角（脚本检测：{cross_ref}）",
        ]),
        ("维度3：表达风格DNA", [
            "分析文章结构", "提取TOP10标志性表达",
            "分析标题模式", "提取开头模板", "提取结尾模式",
            f"分析语气和人称特征（脚本量化：{tone_ref}）",
            f"提取论证链模式（脚本检测：{arg_ref}）",
            f"评估数据引用风格（脚本检测：{data_ref}）",
        ]),
        ("维度4：内容深度DNA", [
            f"统计平均字数：{stats.get('word_count', {}).get('avg', 0)}字",
            f"评估信息密度（脚本检测：{info_ref}）",
            "评估复盘详细度", "评估预判明确度",
        ]),
        ("维度5：互动特征DNA", [
            "分析读者互动方式", "分析战绩展示方式", "分析争议处理方式",
            f"免责声明使用率：{stats.get('has_disclaimer', {}).get('ratio', 0):.0%}",
        ]),
        ("维度6：热点图谱DNA", [
            f"核心赛道排序（参考：{', '.join(list(stats.get('sector_focus', {}).keys())[:5])}）",
            "提取龙头记忆", "提取常用盘面指标", "提取资金面关注点",
        ]),
        ("维度7：人设基因DNA", [
            "提取投资经历和入市背景",
            "分析投资哲学演变（对比早期 vs 近期内容）",
            "提取里程碑事件（重大盈亏/转折点）",
            f"分析师承/影响源（参考：{', '.join(list(stats.get('mentor_influence', {}).keys())[:5]) or '未检测到'}）",
        ]),
    ]

    for title, items in dims:
        lines.append(f"### {title}")
        for item in items:
            lines.append(f"- {item}")
        lines.append("")

    lines.append("## 输出格式\n")
    lines.append("按照 `assets/profile_template.md` 模板输出，保存为：")
    lines.append(f"`output/{author_name}_风格画像.md`\n")

    lines.append("## 质量要求\n")
    lines.append("- 每个维度至少3个具体特征")
    lines.append("- 每个特征至少1条原文证据")
    lines.append("- 标注蒸馏置信度（高/中/低）")
    lines.append("- 禁止编造未在原文中出现的数据")

    return "\n".join(lines)


# ─── 主流程 ──────────────────────────────────────────────────────────────────────────
def distill(account, author_name, count=None, api_key=None, force_refresh=False):
    """蒸馏指定博主"""
    step(f"开始蒸馏：{author_name}（微信号: {account}，目标: {count}篇）")

    # 采集文章
    from gzh import fetch_articles
    articles = fetch_articles(
        account=account,
        author_name=author_name,
        count=count,
        api_key=api_key,
        force_refresh=force_refresh,
    )

    if not articles:
        error(f"未获取到「{author_name}」的文章数据，请检查微信号是否正确")
        return False

    info(f"「{author_name}」共 {len(articles)} 条内容")

    # 保存完整文章到磁盘（供后续校验/AI精读使用）
    articles_file = OUTPUT_DIR / f"{author_name}_完整文章.json"
    articles_file.write_text(json.dumps(articles, ensure_ascii=False, indent=2), encoding="utf-8")
    info(f"完整文章已保存：{articles_file}")

    # Phase 2: 统计分析
    step("统计分析中...")
    stats = analyze_articles(articles, author_name)

    # 保存统计数据
    OUTPUT_DIR.mkdir(parents=True, exist_ok=True)
    stats_file = OUTPUT_DIR / f"{author_name}_统计数据.json"
    stats_file.write_text(json.dumps(stats, ensure_ascii=False, indent=2), encoding="utf-8")
    info(f"统计数据已保存：{stats_file}")

    # Phase 3: 生成数据底稿和蒸馏任务
    step("生成数据底稿和蒸馏任务...")
    brief = generate_brief(stats, author_name)
    task = generate_task(stats, author_name)

    brief_file = OUTPUT_DIR / f"{author_name}_数据底稿.md"
    task_file = OUTPUT_DIR / f"{author_name}_蒸馏任务.md"
    brief_file.write_text(brief, encoding="utf-8")
    task_file.write_text(task, encoding="utf-8")
    info(f"数据底稿已保存：{brief_file}")
    info(f"蒸馏任务已保存：{task_file}")

    # Phase 3.5: 生成结构化JSON画像
    step("生成结构化JSON画像...")
    json_profile = generate_json_profile(stats, author_name)
    profile_file = OUTPUT_DIR / f"{author_name}_画像.json"
    profile_file.write_text(json.dumps(json_profile, ensure_ascii=False, indent=2), encoding="utf-8")
    info(f"JSON画像已保存：{profile_file}")
    info(f"JSON画像为基础框架，AI需基于蒸馏任务深入阅读原文后补充完善")

    print()
    print(f"{BOLD}{'='*60}{RESET}")
    print(f"{BOLD}  数据底稿和蒸馏任务已生成{RESET}")
    print(f"{BOLD}  请AI读取以下文件并生成七维DNA风格画像：{RESET}")
    print(f"  1. {brief_file}")
    print(f"  2. {task_file}")
    print(f"  3. {profile_file}（JSON画像基础框架）")
    print(f"  4. 参考模板：{SCRIPT_DIR}/assets/profile_template.md")
    print(f"  输出到：{OUTPUT_DIR}/{author_name}_风格画像.md")
    print(f"{BOLD}  蒸馏完成后请执行校验：{RESET}")
    print(f"  python distill.py --validate --author \"{author_name}\"")
    print(f"{BOLD}{'='*60}{RESET}")
    print()
    return True


# ─── JSON结构化画像生成 ─────────────────────────────────────────────────────────────
def generate_json_profile(stats, author_name):
    """基于统计数据生成结构化JSON画像（七维DNA）。"""
    wc = stats.get("word_count", {})
    tt = stats.get("trader_type", {})

    stock_mentions = [
        {"name": s["stock"], "count": s["count"], "score": s["score"]}
        for s in stats.get("stock_mentions", [])[:20]
    ]
    stock_names = [s["name"] for s in stock_mentions]
    regex_discovered = [s["stock"] for s in stats.get("regex_discovered_stocks", [])[:5]]
    sectors = [f"{s}（{c}篇）" for s, c in list(stats.get("sector_focus", {}).items())[:8]]
    sig_phrases = [p["phrase"] for p in stats.get("signature_phrases", [])[:10]]
    inv_phrases = [p["phrase"] for p in stats.get("investment_phrases", [])[:15]]
    wisdom = [p["phrase"] for p in stats.get("investment_wisdom", [])[:8]]

    templates = stats.get("title_format_templates", [])
    title_style = f"固定格式：'{templates[0]['prefix']}...'" if templates else "自由格式"

    op = stats.get("opening_patterns", {})
    cp = stats.get("closing_patterns", {})
    opening = max(op, key=op.get) if op else "自由开头"
    closing = max(cp, key=cp.get) if cp else "自由结尾"

    # 提取思维层数据
    thinking_tools = list(stats.get("thinking_tools", {}).keys())[:5]
    arg_styles = list(stats.get("argumentation_style", {}).keys())[:3]
    tone_data = stats.get("tone_analysis", {})
    tone_style = tone_data.get("tone_style", "")
    data_cite = stats.get("data_citation", {})
    data_style = data_cite.get("data_style", "")
    cross_data = stats.get("cross_market", {})
    cross_perspective = cross_data.get("perspective", "")
    cross_markets = list(cross_data.get("markets", {}).keys())
    info_density = stats.get("information_density", {})

    profile = {
        "大V名称": author_name,
        "蒸馏日期": datetime.now().strftime("%Y-%m-%d"),
        "样本文章数": stats["total_articles"],
        "蒸馏置信度": "高" if stats["total_articles"] >= 60 else "中",
        "风格类型": f"{tt.get('classified_type', '未知')}型投资者",

        "投资体系": {
            "核心流派": f"{tt.get('classified_type', '未知')}投资，{'基本面,估值' if tt.get('long_score', 0) > tt.get('short_score', 0) else '技术,趋势'}为核心",
            "选股逻辑": inv_phrases[:3] if inv_phrases else [],
            "买入决策": [],
            "卖出决策": [],
            "止损纪律": "",
            "仓位管理": "",
            "持仓周期": "",
            "核心分析工具": thinking_tools,
        },

        "市场判断": {
            "研判方式": "",
            "板块偏好": sectors,
            "风险偏好": "",
            "典型看多条件": [],
            "典型看空条件": [],
            "大盘依赖度": "",
            "周期判断": "",
            "逆向思维": "逆向思维型" in arg_styles,
        },

        "表达风格": {
            "文章结构": "",
            "段落长度": "",
            "语气": tone_style,
            "标志性表达": sig_phrases,
            "投资格言": wisdom,
            "数据引用": data_style,
            "论证方式": arg_styles,
            "标题风格": title_style,
            "开头模式": opening,
            "结尾模式": closing,
            "文风温度": tone_style,
            "免责声明": f"使用率{stats.get('has_disclaimer', {}).get('ratio', 0):.0%}",
        },

        "内容深度": {
            "平均字数": int(wc.get("avg", 0)),
            "中位数字数": int(wc.get("median", 0)),
            "信息密度": info_density.get("level", ""),
            "时效性": "",
            "分析深度": "",
            "预判明确度": "",
            "更新频率": f"{stats.get('publish_frequency', {}).get('avg_per_day', 0)}篇/天",
        },

        "互动特征": {
            "读者互动": "",
            "争议处理": "",
            "战绩展示": "",
            "粉丝运营": "",
            "生活分享": "",
            "互动数据": {
                "篇均阅读": int(stats.get("engagement", {}).get("read_avg", 0)),
                "篇均点赞": int(stats.get("engagement", {}).get("like_avg", 0)),
                "篇均评论": int(stats.get("engagement", {}).get("comment_avg", 0)),
                "篇均转发": int(stats.get("engagement", {}).get("share_avg", 0)),
                "互动率": f"{stats.get('engagement', {}).get('engagement_rate', 0)}%",
                "互动层级": stats.get("engagement", {}).get("level", ""),
            },
        },

        "关注图谱": {
            "核心赛道": [s.split("（")[0] for s in sectors[:6]],
            "常提及个股": stock_mentions,
            "正则发现补充": regex_discovered,
            "宏观关注": cross_markets,
            "常用指标": [],
            "投资格言": wisdom,
            "跨市场": cross_perspective,
        },
    }

    return profile


# ─── 准确性校验 ─────────────────────────────────────────────────────────────────────
def validate_profile(author_name, sample_n=10, **kwargs):
    """校验画像准确性：随机抽样文章，比对画像声明与实际内容。"""
    import random
    random.seed(42)

    step(f"开始校验：{author_name}")

    # 加载画像
    profile_file = OUTPUT_DIR / f"{author_name}_画像.json"
    if not profile_file.exists():
        stats_file = OUTPUT_DIR / f"{author_name}_统计数据.json"
        if stats_file.exists():
            stats_data = json.loads(stats_file.read_text(encoding="utf-8"))
            profile = generate_json_profile(stats_data, author_name)
        else:
            error(f"未找到 {author_name} 的画像或统计数据")
            return None
    else:
        profile = json.loads(profile_file.read_text(encoding="utf-8"))

    # 从完整文章文件获取样本（优先），回退到统计数据截断文本
    articles = []
    full_file = OUTPUT_DIR / f"{author_name}_完整文章.json"
    if full_file.exists():
        try:
            full_data = json.loads(full_file.read_text(encoding="utf-8"))
            articles = [
                {"title": a.get("title", ""), "content": a.get("content", ""),
                 "publish_time": a.get("publish_time", "")}
                for a in full_data
            ]
            info(f"从完整文章文件读取 {len(articles)} 篇（含完整正文）")
        except (json.JSONDecodeError, OSError):
            warn("完整文章文件损坏，回退到统计数据截断文本")

    if not articles:
        stats_file = OUTPUT_DIR / f"{author_name}_统计数据.json"
        if stats_file.exists():
            stats_data = json.loads(stats_file.read_text(encoding="utf-8"))
            structures = stats_data.get("article_structures", [])
            articles = [
                {"title": s.get("title", ""),
                 "content": s.get("opening", "") + s.get("closing", ""),
                 "publish_time": s.get("publish_time", "")}
                for s in structures
            ]
            warn(f"回退到截断文本模式（仅开头+结尾各100字，准确率偏低）")

    if not articles:
        error(f"无法获取 {author_name} 的文章用于校验")
        return None

    sampled = random.sample(articles, min(sample_n, len(articles)))

    # 获取画像声明
    focus = profile.get("关注图谱", {})
    stocks = focus.get("常提及个股", [])
    stock_names = [s.get("name", "") for s in stocks if isinstance(s, dict)]
    sig_phrases = profile.get("表达风格", {}).get("标志性表达", [])

    # A. 个股提及校验
    stock_hits = 0
    for art in sampled:
        text = f"{art.get('title', '')} {art.get('content', '')}"
        if any(sn.lower() in text.lower() for sn in stock_names if sn):
            stock_hits += 1
    stock_acc = stock_hits / len(sampled) * 100 if sampled else 0

    # B. 风格特征校验
    style_hits = 0
    style_total = 3
    if any(any(p in f"{a.get('title', '')} {a.get('content', '')}" for p in sig_phrases[:3]) for a in sampled):
        style_hits += 1
    avg_claimed = profile.get("内容深度", {}).get("平均字数", 0)
    if avg_claimed > 0:
        actual_avg = sum(len(a.get("content", "")) for a in sampled) / len(sampled)
        if abs(actual_avg - avg_claimed) / avg_claimed < 0.5:
            style_hits += 1
    else:
        style_hits += 1
    # 标题风格：检查样本标题是否与画像声称的模式一致
    title_style = profile.get("表达风格", {}).get("标题风格", "")
    sampled_titles = [a.get("title", "") for a in sampled]
    title_exclaim = sum(1 for t in sampled_titles if "！" in t or "!" in t)
    title_ratio = title_exclaim / max(len(sampled_titles), 1)
    if title_ratio >= 0.3:  # 至少30%标题含感叹号即为语气型标题
        style_hits += 1
    style_acc = style_hits / style_total * 100

    # C. 投资体系校验
    system_hits = 1
    system_total = 3
    core = profile.get("投资体系", {}).get("核心流派", "")
    full_text = " ".join([a.get("content", "") for a in sampled])
    # 流派关键词拆分为两字以上独立词（处理中文逗号连接的情况）
    core_kws = [w.strip() for w in re.split(r'[\s,，+、/]+', core) if len(w.strip()) >= 2]
    if any(kw in full_text for kw in core_kws):
        system_hits += 1
    sectors = focus.get("核心赛道", [])
    # 赛道名去掉篇数后缀（如 "AI/人工智能（17篇）" → ["AI", "人工智能"]）
    sector_kws_all = set()
    for s in sectors[:3]:
        s_clean = re.sub(r'[（(]\d+篇[）)]', '', s).strip()
        for part in re.split(r'[/、]', s_clean):
            if len(part.strip()) >= 2:
                sector_kws_all.add(part.strip())
    if any(kw in full_text for kw in sector_kws_all):
        system_hits += 1
    system_acc = system_hits / system_total * 100

    # 综合
    total_hits = stock_hits + style_hits + system_hits
    total_items = len(sampled) + style_total + system_total
    overall_acc = total_hits / total_items * 100

    result = {
        "author": author_name,
        "stock_acc": round(stock_acc, 0),
        "style_acc": round(style_acc, 0),
        "system_acc": round(system_acc, 0),
        "overall_acc": round(overall_acc, 0),
        "passed": overall_acc >= 80,
        "sampled": len(sampled),
    }

    print(f"\n  | 校验维度 | 总题数 | 命中数 | 准确率 |")
    print(f"  |---------|--------|--------|--------|")
    print(f"  | A. 个股提及 | {len(sampled)} | {stock_hits} | {stock_acc:.0f}% |")
    print(f"  | B. 风格特征 | {style_total} | {style_hits} | {style_acc:.0f}% |")
    print(f"  | C. 投资体系 | {system_total} | {system_hits} | {system_acc:.0f}% |")
    print(f"  | **综合** | {total_items} | {total_hits} | **{overall_acc:.0f}%** |")
    print(f"\n  准出标准：综合准确率 >= 80%")
    print(f"  结果：{'通过' if result['passed'] else '需补充蒸馏'}")

    if not result["passed"]:
        warn(f"准确率 {overall_acc:.0f}% < 80%，建议：")
        warn("1. 增加采集数量（--count 100）")
        warn("2. 仔细阅读raw全文补充蒸馏")
        warn("3. 更新画像中不准确的字段后重新校验")

    report_file = OUTPUT_DIR / f"{author_name}_校验报告_{datetime.now().strftime('%Y%m%d')}.json"
    report_file.write_text(json.dumps(result, ensure_ascii=False, indent=2), encoding="utf-8")
    info(f"校验报告已保存：{report_file}")

    return result


# ─── CLI ────────────────────────────────────────────────────────────────────────────
def main():
    parser = argparse.ArgumentParser(
        description="公众号投资博主蒸馏器",
        formatter_class=argparse.RawDescriptionHelpFormatter,
        epilog="""\
示例:
  python distill.py --account "zshbtz" --count 60
  python distill.py --account "zshbtz" --author "�

#!/usr/bin/env python3
"""
公众号文章数据采集
==================
两步 API 流程：
1. queryWorkList — 分页获取文章 UUID 列表（每页20条，offset 步进20）
2. workDetail — 按 UUID 获取单篇完整数据（正文/摘要/词云等）

UUID 缓存：首次获取后自动保存到 output/{account}_uuids.json，
后续运行直接读取缓存，避免重复消耗积分。

认证：REDFOX_API_KEY（CLI 参数 > 环境变量 > 配置文件）
"""

import json
import os
import sys
import time
from pathlib import Path

# Windows 控制台 UTF-8 编码
if sys.platform == 'win32':
    sys.stdout.reconfigure(encoding='utf-8', errors='replace')
    sys.stderr.reconfigure(encoding='utf-8', errors='replace')

try:
    import requests
    HAS_REQUESTS = True
except ImportError:
    HAS_REQUESTS = False


# ─── 配置 ─────────────────────────────────────────────────────────────────────────

WORK_LIST_URL = "https://redfox.hk/story/api/gzh/data/queryWorkList"
WORK_DETAIL_URL = "https://redfox.hk/story/api/gzh/data/workDetail"

CONFIG_DIR = Path.home() / ".qoder" / "apis"
CONFIG_FILE = CONFIG_DIR / "redfox.json"
ENV_KEY = "REDFOX_API_KEY"
SOURCE = "公众号投资博主蒸馏-GitHub"

PAGE_SIZE = 20  # queryWorkList offset 步进为20，非10

# UUID 缓存目录（与 distill.py 的 OUTPUT_DIR 保持一致）
SCRIPT_DIR = Path(__file__).parent.parent
CACHE_DIR = SCRIPT_DIR / "output"


# ─── 终端颜色 ──────────────────────────────────────────────────────────────────────

GREEN = "\033[92m"
YELLOW = "\033[93m"
RED = "\033[91m"
CYAN = "\033[96m"
RESET = "\033[0m"


def info(msg):
    print(f"{GREEN}[✓]{RESET} {msg}")


def warn(msg):
    print(f"{YELLOW}[!]{RESET} {msg}")


def error(msg):
    print(f"{RED}[✗]{RESET} {msg}")


def step(msg):
    print(f"{CYAN}[→]{RESET} {msg}")


# ─── API Key 管理 ──────────────────────────────────────────────────────────────────

def get_api_key(cli_key=None):
    """获取 API Key：CLI参数 > 环境变量 > 配置文件。未配置返回空字符串。"""
    if cli_key:
        return cli_key
    env_key = os.environ.get(ENV_KEY)
    if env_key:
        return env_key
    if CONFIG_FILE.exists():
        try:
            data = json.loads(CONFIG_FILE.read_text(encoding="utf-8"))
            key = data.get("api_key") or data.get("REDFOX_API_KEY")
            if key:
                return key
        except (json.JSONDecodeError, OSError):
            pass
    return ""


# ─── Step 1: 获取文章UUID列表 ──────────────────────────────────────────────────────

def fetch_work_list(session, account, count, force_refresh=False):
    """
    调用 queryWorkList 分页获取文章 UUID 列表。
    offset 从0开始，每页+20，循环分页直到达到目标数量。
    首次获取后自动缓存到 output/{account}_uuids.json，后续运行直接读取。

    Args:
        session: requests.Session（已设置 headers）
        account: 公众号微信号（如 zshbtz）
        count: 目标获取文章数量
        force_refresh: 是否强制刷新缓存（忽略已有缓存重新请求API）

    Returns:
        list[dict] — 每个 dict 包含 workUuid 等基础字段
    """
    # 检查 UUID 缓存
    CACHE_DIR.mkdir(parents=True, exist_ok=True)
    cache_file = CACHE_DIR / f"{account}_uuids.json"

    if not force_refresh and cache_file.exists():
        try:
            cached = json.loads(cache_file.read_text(encoding="utf-8"))
            cached_items = cached.get("items", [])
            if len(cached_items) >= count:
                info(f"使用 UUID 缓存（{len(cached_items)}条，跳过API请求）")
                return cached_items[:count]
            else:
                info(f"缓存仅 {len(cached_items)} 条，不足目标 {count} 条，重新请求...")
        except (json.JSONDecodeError, OSError):
            warn("缓存文件损坏，重新请求...")

    all_items = []
    offset = 0

    while len(all_items) < count:
        payload = {
            "source": SOURCE,
            "account": account,
            "sortType": "2",
            "offset": offset,
        }

        try:
            resp = session.post(WORK_LIST_URL, json=payload, timeout=30)
            result = resp.json()
        except Exception as e:
            error(f"queryWorkList 请求失败: {e}")
            break

        code = result.get("code")
        if code not in (200, 2000):
            if code == 3108:
                warn("触发限流，等待5秒...")
                time.sleep(5)
                continue
            error(f"queryWorkList 返回错误码 {code}：{result.get('msg') or result.get('message') or '(无详细信息)'}")
            break

        data_raw = result.get("data", {})
        if isinstance(data_raw, list):
            items = data_raw
        elif isinstance(data_raw, dict):
            items = data_raw.get("list") or data_raw.get("records") or data_raw.get("data") or []
        else:
            items = []

        if not items:
            break

        # 按需截断：避免 API 返回超量数据浪费积分
        needed = count - len(all_items)
        all_items.extend(items[:needed])
        offset += PAGE_SIZE

        if len(items) < PAGE_SIZE or len(all_items) >= count:
            break  # 已无更多数据

        # 进度提示
        if len(all_items) % 20 == 0:
            step(f"  已获取 {len(all_items)} 条UUID...")

        time.sleep(0.5)  # 请求间隔

    info(f"queryWorkList 共获取 {len(all_items)} 条文章UUID")

    # 保存 UUID 缓存
    try:
        cache_data = {
            "account": account,
            "fetched_at": time.strftime("%Y-%m-%dT%H:%M:%S"),
            "count": len(all_items),
            "items": all_items,
        }
        cache_file.write_text(json.dumps(cache_data, ensure_ascii=False, indent=2), encoding="utf-8")
        info(f"UUID 缓存已保存：{cache_file}")
    except OSError as e:
        warn(f"缓存写入失败: {e}")

    return all_items[:count]


# ─── Step 2: 逐篇获取完整数据 ──────────────────────────────────────────────────────

def fetch_work_detail(session, uuid):
    """
    调用 workDetail 获取单篇文章完整数据。

    Args:
        session: requests.Session（已设置 headers）
        uuid: 文章UUID

    Returns:
        dict — 包含 title/content/summary/wordCloud 等完整字段，失败返回 None
    """
    payload = {
        "source": SOURCE,
        "workUuid": uuid,
    }

    try:
        resp = session.post(WORK_DETAIL_URL, json=payload, timeout=30)
        result = resp.json()
    except Exception as e:
        warn(f"workDetail({uuid[:8]}...) 请求失败: {e}")
        return None

    code = result.get("code")
    if code not in (200, 2000):
        if code == 3108:
            time.sleep(5)
            return fetch_work_detail(session, uuid)  # 重试一次
        warn(f"workDetail({uuid[:8]}...) 返回错误码 {code}：{result.get('msg') or result.get('message') or '(无详细信息)'}")
        return None

    data = result.get("data", {})
    if isinstance(data, list) and data:
        data = data[0]
    return data if isinstance(data, dict) else None


def fetch_work_details(session, uuid_items, batch_delay=0.3):
    """
    批量获取文章详情。

    Args:
        session: requests.Session
        uuid_items: UUID列表（从 fetch_work_list 返回）
        batch_delay: 每篇请求间隔（秒）

    Returns:
        list[dict] — 完整文章数据列表
    """
    articles = []
    total = len(uuid_items)

    for i, item in enumerate(uuid_items):
        uuid = item.get("workUuid") or item.get("uuid") or item.get("id") or (item if isinstance(item, str) else "")
        if not uuid:
            continue

        detail = fetch_work_detail(session, uuid)
        if detail:
            articles.append(detail)

        # 进度提示
        done = i + 1
        if done % 10 == 0 or done == total:
            step(f"  已获取 {done}/{total} 篇正文...")

        time.sleep(batch_delay)

    info(f"workDetail 共获取 {len(articles)} 篇完整文章")
    return articles


# ─── 主采集函数 ──────────────────────────────────────────────────────────────────────

def fetch_articles(account, author_name="", count=None, api_key=None, force_refresh=False):
    """
    两步流程采集公众号文章：
    1. queryWorkList 获取UUID列表（优先读缓存）
    2. workDetail 逐篇获取完整数据

    Args:
        account: 公众号微信号（如 zshbtz）
        author_name: 博主显示名称（用于日志）
        count: 目标文章数量（20/60/100）
        api_key: API Key（可选）
        force_refresh: 是否强制刷新UUID缓存

    Returns:
        list[dict] — 标准化文章数据列表，每个 dict 包含：
            - title: 标题
            - content: 正文
            - summary: 摘要
            - publish_time: 发布时间
            - url: 链接
            - content_keywords: 内容关键词（list[dict]，含 keyword/weight）
            - read_count/like_count/comment_count/share_count/collect_count/reward_count: 互动数据
            - author: 作者名
            - uuid: 文章UUID
    """
    if not HAS_REQUESTS:
        error("缺少 requests 库，请执行: pip install requests")
        return []

    key = get_api_key(api_key)
    if not key:
        error("未配置 API Key，请设置环境变量 REDFOX_API_KEY=ak_xxxxxxxx")
        error("获取 Key: https://redfox.hk/settings/api-keys?source=github")
        return []

    session = requests.Session()
    session.headers.update({
        "Content-Type": "application/json",
        "X-API-Key": key,
    })

    display = author_name or account
    step(f"开始采集公众号 [{display}]（微信号: {account}）的文章...")

    # Step 1: 获取UUID列表
    step("Step 1: 获取文章UUID列表...")
    uuid_items = fetch_work_list(session, account, count=count, force_refresh=force_refresh)

    if not uuid_items:
        error(f"未获取到 [{display}] 的文章列表，请检查微信号是否正确")
        return []

    # Step 2: 逐篇获取完整数据
    step("Step 2: 逐篇获取文章正文...")
    raw_articles = fetch_work_details(session, uuid_items)

    if not raw_articles:
        error(f"获取到UUID但无法获取正文数据")
        return []

    # 标准化输出
    articles = []
    for raw in raw_articles:
        # 内容关键词（API 字段名: contentKeywords，非 wordCloud）
        ck_raw = raw.get("contentKeywords") or raw.get("wordCloud") or raw.get("contentWordCloud") or []
        if isinstance(ck_raw, str):
            try:
                ck_raw = json.loads(ck_raw)
            except (json.JSONDecodeError, ValueError):
                ck_raw = []
        content_keywords = ck_raw if isinstance(ck_raw, list) else []

        articles.append({
            "title": raw.get("title") or raw.get("workName") or "",
            "content": raw.get("content") or raw.get("workContent") or raw.get("workText") or "",
            "summary": raw.get("summary") or raw.get("workSummary") or "",
            "publish_time": raw.get("publishTime") or raw.get("publicTime") or "",
            "url": raw.get("workUrl") or raw.get("url") or "",
            "content_keywords": content_keywords,
            # 互动数据（直接来自 API）
            "read_count": raw.get("readCount", 0),
            "like_count": raw.get("likeCount", 0),
            "comment_count": raw.get("commentCount", 0),
            "share_count": raw.get("shareCount", 0),
            "collect_count": raw.get("collectCount", 0) if raw.get("collectCount") is not None else 0,
            "reward_count": raw.get("rewardCount", 0) if raw.get("rewardCount") is not None else 0,
            "author": raw.get("author") or raw.get("accountName") or raw.get("accountNickName") or author_name or account,
            "uuid": raw.get("workUuid") or raw.get("uuid") or raw.get("id") or "",
            "platform": "gzh",
        })

    info(f"[{display}] 共采集到 {len(articles)} 篇完整文章")
    return articles