# semiconductor-agent

**Repository Path**: simon1239/semiconductor-agent

## Basic Information

- **Project Name**: semiconductor-agent
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-08-05
- **Last Updated**: 2026-08-07

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 半导体制造企业财务数据（Mock · SQLite 版）

基于参考 **三星 / 海力士 / 美光**（存储 IDM 业务：DRAM/NAND/HBM + 重资产折旧结构）与
**英伟达**（AI 芯片高毛利业务）的业务逻辑生成的模拟财务数据库。
用于问数 / 归因分析 / 最优化求解 Agent 的开发与验证。

## 数据概况

| 项目 | 值 |
|------|-----|
| 数据库 | `semiconductor_finance.db`（SQLite 3，含维表/外键/约束/索引/视图） |
| 历史数据 | 2021-01 ~ 2026-06（66 个月，5.5 年，actual） |
| 预测数据 | 2026-07 ~ 2028-06（24 个月，2 年，forecast） |
| 产品数量 | 8 个（DRAM×3 / HBM×1 / NAND×2 / eSSD×1 / AI 芯片×1） |
| 客商数量 | 16 个（PC/手机/服务器/云厂商/汽车/分销商） |
| 数据行数 | 生产 427 + 成本 427 + 销售 1335 + 三表 1710 ≈ 3900 行 |
| 金额单位 | 万元（单价/单位成本为元/颗） |
| 产量单位 | 千颗 / 月 |

## 表结构（星型模型）

### 维表

**product_dim（产品维表）**
| 字段 | 含义 |
|------|------|
| product_id / product_name / product_type | 产品标识与类型 |
| launch_month | 上市月份 |
| base_asp / cycle_time_days / margin_profile | 期初均价 / 制造周期 / 毛利定位 |
| **speed_mts** | **数据速率（MT/s），可空**——DDR4=3200/DDR5=4800/LPDDR5X=8533/HBM3E=9600/NAND=2400，eSSD 与 AI 芯片无此参数为 NULL |

**region_dim（地区维表）**：华北/华东/华南/西南/亚太(除中国)/欧洲/北美/其他

**market_dim（市场维表）**：消费电子/数据中心/汽车/工业/移动通信

**customer_dim（客商维表）**
| 字段 | 含义 |
|------|------|
| customer_id / customer_name | 客商标识与名称（联想/戴尔/苹果/英伟达/微软Azure/阿里云/特斯拉等） |
| customer_type | 客商类型（PC制造商/手机制造商/云服务商/汽车厂商/分销商等） |
| country / region_id / market_id | 国家 / 所属地区 / 所属市场（外键） |

### 事实表

**production_facts（生产数据表）**：良率/产能/投片/产出/制造周期（month × product）

**cost_facts（成本数据表）**：单位成本 + 6 块成本构成（month × product）

**sales_facts（销售表，按客商拆分）**
| 字段 | 含义 |
|------|------|
| month / product_id / customer_id | 主键（month × product × customer） |
| region_id / market_id | 地区与市场（冗余自客商，便于直接聚合） |
| sales_volume_k / asp / revenue_wan | 销量 / 客商成交价（含 ±3% 客商价差）/ 收入 |

**forecast_statements（预测三表）**：period_type / statement / line_item / amount（含 `v_monthly_income` 视图）

## 业务周期（5 年真实还原）

| 年份 | 阶段 | 营收 | 净利率 | 关键逻辑 |
|------|------|------|--------|---------|
| 2021 | 景气上行 | 64.2 亿 | 2.4% | 成长期，产能爬坡 |
| 2022 | 高位回落 | 93.6 亿 | -0.1% | 存储价格下行开始 |
| **2023** | **冰河期** | **86.4 亿** | **1.9%** | **量价齐跌：ASP 跌 ~40%，利用率降至 58%，部分月份亏损** |
| 2024 | 筑底复苏 | 150.7 亿 | 10.9% | HBM3E 上市，AI 需求启动 |
| 2025 | 复苏加速 | 194.9 亿 | 18.1% | 存储涨价 + AI 放量 |
| 2026 | AI 爆发 | 217.7 亿 | 20.5% | 存储满载 93%，AI 芯片营收占比 23% |

## 数据口径与勾稽（问数验证要点）

1. **产出 = 投片量 × 良率**；利用率随周期（2023 年存储降至 58%）
2. **成本按产出结转**：总成本 = 产出 × 单位成本
3. **收入 = 销量 × 均价**；销量 = 产出 × (1-库存率 0-8%)
4. **利润表营业收入 = sales_facts 月度聚合**（跨表一致，已验证 0 差异）
5. **资产负债表恒等**：总资产 = 总负债 + 所有者权益（90 个月全部平衡）
6. **现金勾稽**：现金流量表"期末现金" = 资产负债表"现金及等价物"（90 个月全一致）
7. **AI 溢价**：HBM3E 均价 ~2,059 元 vs DDR5 ~48 元（43 倍）；AI 芯片毛利率 68%+（英伟达式）

## 使用示例

```bash
# 查询：2023 年各季度营收与净利（归因分析场景）
sqlite3 semiconductor_finance.db "
  SELECT substr(month,1,4)||'Q'||(CAST(substr(month,6,2) AS INT)+2)/3 AS quarter,
         SUM(CASE WHEN line_item='营业收入' THEN amount END) AS revenue,
         SUM(CASE WHEN line_item='净利润' THEN amount END) AS net_profit
  FROM forecast_statements
  WHERE statement='income_statement' AND month LIKE '2023%'
  GROUP BY quarter;"

# 查询：各产品毛利率（2026-06）
sqlite3 semiconductor_finance.db "
  SELECT s.product_name,
         ROUND((s.asp - c.unit_cost) / s.asp * 100, 1) AS gm_pct
  FROM sales_facts s JOIN cost_facts c USING(month, product_id)
  WHERE s.month = '2026-06'
  ORDER BY gm_pct DESC;"

# 查询：AI 芯片营收占比趋势
sqlite3 semiconductor_finance.db "
  SELECT month, ROUND(revenue_wan * 100.0 / SUM(revenue_wan) OVER (PARTITION BY month), 1) AS pct
  FROM sales_facts WHERE product_id = 'P08' AND month LIKE '____-06';"

# 查询：按地区营收（2026-06，归因下钻）
sqlite3 semiconductor_finance.db "
  SELECT rd.region_name, ROUND(SUM(s.revenue_wan), 0) AS revenue
  FROM sales_facts s JOIN region_dim rd USING(region_id)
  WHERE s.month = '2026-06' GROUP BY s.region_id ORDER BY revenue DESC;"

# 查询：按市场营收（2026-06）
sqlite3 semiconductor_finance.db "
  SELECT md.market_name, ROUND(SUM(s.revenue_wan), 0) AS revenue
  FROM sales_facts s JOIN market_dim md USING(market_id)
  WHERE s.month = '2026-06' GROUP BY s.market_id ORDER BY revenue DESC;"

# 查询：Top 客商营收（2026-06）
sqlite3 semiconductor_finance.db "
  SELECT customer_name, ROUND(SUM(revenue_wan), 0) AS revenue
  FROM sales_facts WHERE month = '2026-06'
  GROUP BY customer_id ORDER BY revenue DESC LIMIT 5;"

# 查询：微软Azure 的采购构成（客商-产品交叉）
sqlite3 semiconductor_finance.db "
  SELECT s.product_name, s.sales_volume_k, s.asp, s.revenue_wan
  FROM sales_facts s WHERE s.customer_id = 'C10' AND s.month = '2026-06'
  ORDER BY s.revenue_wan DESC;"
```

## 项目结构

```
semiconductor-agent/
├── README.md                         # 项目文档
├── .env                              # LLM 配置（gitignored）
├── semiconductor_finance.db          # SQLite 主数据库（22 表 6132 行）
├── semantic_layer.yaml               # 语义层字典（37 指标/13 维度/15 表）
│
├── __init__.py                       # 运行时核心（平级导入，禁止移动）────────┐
├── agent_framework.py                # 框架层：@command/ToolRegistry/Agent循环   │
├── agent_platform_v2.py              # 统一入口（七大能力路由）                 │
├── question_agent.py                 # 问数 Agent（三层防线）                    │
├── attribution.py                    # 归因流水线（量价分解+下钻）               ├─ 8 核心
├── optimizer.py                      # 最优求解（线性规划）                      │  运行时
├── dynamic_agents.py                 # 动态优化 + 自动报告 Agent                 │
├── expert_engine.py                  # 专家系统（YAML 配置驱动）                 │
├── skill_loader.py                   # 技能库加载器                             │
├── shared_tools.py                   # 共享工具层（消除重复实现）────────────────┘
│
├── scripts/                          # 数据生成与工具脚本（独立运行）
│   ├── generate_mock_data.py         # 财务基础数据生成
│   ├── gen_wafer_flow.py             # 晶圆制造转化链
│   ├── gen_manufacturing_ext.py      # Capex/CycleTime/Chamber 调度
│   ├── gen_process_yield.py          # 工序级良率
│   ├── gen_semiconductor_model.py    # 制造模型层数据（六视角）
│   ├── semantic.py                   # 语义层治理 CLI
│   └── agent_platform.py             # 旧平台入口（保留兼容）
│
├── config/                           # 配置
│   ├── experts/                      # 专家 YAML（3 个：财务/产品/销售）
│   └── skills/                       # 技能 SKILL.md（3 个：周期/归因/优化）
│
├── docs/research/                    # 调研报告（10 篇）
│   ├── 半导体制造工艺与技术时代·最终调研报告.md
│   ├── 半导体制造工艺与技术时代·最终调研报告（六视角修订版）.md
│   └── *工程师批注.md（SK海力士/三星/美光/台积电/英特尔 共 6 篇）
│
├── data_exports/                     # CSV 导出（13 个表 / 1 个 schema.sql）
├── reports/                          # 自动生成的报告（gitignored）
└── dist/                             # 技能打包文件
    ├── semiconductor-model-data.zip
    └── semantic-layer-qa.zip
```

### 核心入口速查

| 用途 | 命令 |
|------|------|
| 平台入口 | `python agent_platform_v2.py "问题"` |
| 数据重生成 | `cd scripts && python generate_mock_data.py` |
| 制造模型生成 | `cd scripts && python gen_semiconductor_model.py` |
| 语义层管理 | `cd scripts && python semantic.py scan --db ../semiconductor_finance.db` |
python question_agent.py --interactive --demo

# 真实模式（OpenAI 兼容接口，默认 DeepSeek）
export QA_LLM_BASE_URL=https://api.deepseek.com/v1
export QA_LLM_API_KEY=sk-xxx
python question_agent.py "微软Azure在2026年6月买了什么"
```

### 三层防线（防 LLM 幻觉）

| 防线 | 机制 | 实现 |
|------|------|------|
| 事前 | 指标口径在语义层锁死，LLM 只查字典 | semantic_layer.yaml |
| 事中 | SQL 表/列白名单校验（超范围打回重生成） | question_agent.py SQLGuard |
| 事后 | 执行报错回灌重试 + 只读连接 + 口径解释 | question_agent.py |

已通过安全测试：DDL/DML 拦截、未知表拦截、伪造列拦截全部生效；合法查询放行。

### 语义层治理流程（标准化可重复）

```bash
python semantic.py scan --db semiconductor_finance.db      # 1 扫描表结构
python semantic.py draft --db semiconductor_finance.db     # 2 生成草稿(LLM辅助)
python semantic.py add --yaml semantic_layer.yaml --kind metric --json '{...}'   # 3 人工审核后入库
python semantic.py validate --yaml semantic_layer.yaml --db semiconductor_finance.db  # 4 校验回归
python semantic.py list --yaml semantic_layer.yaml         # 查看指标/维度
```

### 真实 LLM 验证（火山引擎 Ark · deepseek-v4-flash，2026-08-05 实测）

| 问题 | 结果 |
|------|------|
| 2023年销售额是多少 | ✓ 871,530 万，跨表一致 |
| 2023年每月净利润 | ✓ 逐月正确，识别 5 月亏损 664 万 |
| 微软Azure在2026年6月买了什么 | ✓ 自动 GROUP BY，AI 加速器 + HBM3E |
| 2026年6月各产品毛利率 | ✓ JOIN 计算型指标，8 产品与定位一致 |
| 2023年营收为什么下降 | ✓ 自动量价分解：销量 -30.4% 主因 |

> 正确端点：`https://ark.cn-beijing.volces.com/api/coding/v1/chat/completions`（OpenAI 兼容）
> 模型 `deepseek-v4-flash` 为推理模型，响应含 `reasoning_content`。

---

## Phase 3 最优化求解（已实现）

`optimizer.py` — 产品组合优化（线性规划，scipy.linprog）

```
数据取数(2026-06) → 建模(产能/需求/最低产出约束) → 求解(利润或收入最大化) → LLM 解读
```

```bash
python optimizer.py                                       # 默认: 当前产能利润最优组合
python optimizer.py --capacity-scale 0.8                  # 产能削减 20%
python optimizer.py --min-output "NAND 1Tb TLC:11000"     # 最低产出约束(保客户供应)
python optimizer.py --goal revenue                        # 目标改为收入最大化
python optimizer.py --question "产能削减20%如何调整产品组合保持利润"  # LLM 解析参数
```

### 实测结果（2026-06 基准）

| 场景 | 结果 |
|------|------|
| 默认优化 | 现状已接近最优（产能不稀缺） |
| 产能 -20% | 只砍最低毛利 NAND（-3,023 千颗），利润仅 -0.7% |
| 产能 -20% + NAND 保产 11000 | 利润损失扩大至 -1.0%（保产约束的代价） |
| 产能 -30% | NAND 再砍至 5,447，利润仅 -1.5%（产品组合的缓冲垫效应） |
| LLM 解读 | 识别"产能上限是人为瓶颈而非真实短板"、建议放宽利用率至 85-90%、边际利润驱动的产能分配机制 |

> 核心洞察：**低毛利产品（NAND）是产能波动的缓冲垫**——产能削减时优先压缩最低毛利产品，可将利润损失控制在 1-2% 内。

---

## Phase 4 专家系统 + 技能库（已实现）

自定义专家 + SKILL.md 技能库 + 意图路由统一入口。

```
agent_platform.py（统一入口: 意图路由 -> 专家/内置能力）
├── experts/           # 专家配置(3个): 财务分析师 / 产品运营分析师 / 销售分析师
│   （专家 = system_prompt + 绑定技能 + 可用工具, YAML 配置驱动, 无需改代码）
├── skills/            # 技能库(SKILL.md): 存储周期分析 / 归因方法论 / 产品组合优化
├── expert_engine.py   # 专家引擎: 对话循环 + JSON action 工具调用 + 收敛控制
└── skill_loader.py    # SKILL.md 加载器(frontmatter + 正文)
```

```bash
python agent_platform.py "2023年营收为什么下降"        # 自动路由到专家
python agent_platform.py --expert 财务分析师 "分析2026年6月净利润"
python agent_platform.py --expert 产品运营分析师 "产能削减20%怎么调整"
python agent_platform.py --experts / --skills          # 列出专家/技能
python agent_platform.py --interactive                 # 交互模式
```

### 专家可调工具（复用 Phase 1-3）
- `ask_question`：自然语言查数（问数 Agent）
- `run_attribution`：指标变动归因（归因流水线）
- `run_optimization`：产品组合优化（线性规划）

### 实测（真实 LLM）
| 测试 | 结果 |
|------|------|
| 财务分析师：2023 营收下降原因 | ✅ 自动查数 → 量价分解（销量 -30.4% 主因）→ 结构效应洞察 |
| 产品运营分析师：产能削减 20% | ✅ 自动调优化 → NAND 减产 3,023 千颗、利润仅 -0.7% |
| 自动路由：2026-06 净利润 | ✅ 路由到财务分析师 → 环比 -8.3%，费用刚性驱动归因 |

> 关键工程点：JSON action 协议（不依赖 function calling API 兼容）、括号深度解析多 JSON、工具方法实例绑定、收敛控制（最多 3 轮工具调用）、LLM 调用重试容错。

---

## 晶圆制造转化链数据（新增表）

`wafer_manufacturing_facts` — 从晶圆到终端颗粒的完整转化模型（427 行，与 production_facts 完全自洽）

```
晶圆(wafer) → 切割成 die(DPW) → 良率筛选(KGD) → 堆叠/封装 → 测试 → 终端颗粒
```

**转化公式**：
- `DPW = πD²/(4A) − D/√(2A)`（D=300mm 晶圆, A=die 面积, 含边缘损失）
- `终端颗粒 = 投片数 × DPW × die良率 / 每颗粒die数 × 封装良率 × 测试良率`
- 投片数由终端产量**反推**，保证整条链自洽（偏差 0.00%）

**产品制造参数**（参考真实工艺）：

| 产品 | die面积 | DPW/片 | die/颗粒 | 封装/测试良率 | 晶圆成本 |
|------|--------|--------|---------|-------------|---------|
| DDR4/DDR5/LPDDR5X | 38-45mm² | 1539-1826 | 1 | 98%/99% | 1.9-2.0 万 |
| HBM3E 24GB | 90mm² | 763 | **12**(12-Hi) | 92%/97% | 4.0 万 |
| NAND 1Tb/2Tb | 70-95mm² | 722-984 | 1 | 97-98%/99% | 1.8 万 |
| eSSD 3.84TB | 70mm² | 984 | **8**(8颗NAND) | 95%/98% | 2.0 万 |
| AI Accelerator | **800mm²** | **81** | 1 | 90%/95% | **12.0 万**(先进制程) |

**关键字段**：wafer_input(投片/月)、total_die_k、kgd_k(有效die)、unit_output_k(=生产产量)、die_cost_yuan(有效die成本)

**业务洞察**：
- AI 芯片有效 die 成本 1,799 元 vs DDR5 12 元（150 倍）——大 die + 先进制程
- 2023 冰河期投片 5,391 片/月(NAND) → 2026 景气 8,637 片/月（减产-复苏逻辑可视化）
- HBM 12 层堆叠使单片晶圆只产出 ~63 颗颗粒（堆叠良率损耗）

```bash
python gen_wafer_flow.py   # 重新生成（幂等, 自洽性自检 <1%）
```

---

## 制造扩展数据（Capex / Cycle Time / 机台 Chamber）

### capex_facts（66 行）— 资本开支 → 产能 → 投片量 传导
```
月度 Capex(设备75%/厂房25%) → 6-12个月线性激活 → 累计晶圆产能(片/月) → 利用率 = 实际投片/产能
```
| 年份 | Capex | 产能 | 利用率 | 周期逻辑 |
|------|-------|------|--------|---------|
| 2021 | 10.0亿 | 23,116 片/月 | 91% | 景气 |
| 2023 | **4.4亿** | 28,861 | **68%** | **冰河期砍资本开支, 产能富余** |
| 2025 | **12.2亿** | 33,429 | 96% | AI 加码 |
| 2026 | 9.6亿 | 36,033 | 93% | 产能紧张 |

> 自动校准：期初产能=首月投片/0.9，COEF 由 2026-06 目标利用率 91% 反推，与 wafer_manufacturing_facts 投片完全自洽。

### cycle_time_facts（427 行）— 按产品按月制造周期
- 负载效应：利用率 >90% 时周期 ×1.05（产线排队），<70% 时 ×0.91
- 工段拆分：frontend（前道晶圆制造）~75% / backend（后道封测）~25%

### 机台 Chamber（equipment_dim 7台 / chamber_dim 18个 / chamber_schedule_facts 216行）
- 机台：光刻/刻蚀/薄膜沉积/离子注入/扩散，每台 2-4 个 chamber
- **chamber 跑不同制程（recipe），对应不同时代产品**：
  | 制程节点 | 产品 | 转化系数 | 含义 |
  |---------|------|---------|------|
  | N28(28nm) | DDR4 | 1.00 | 成熟制程产能基准 |
  | 3DNAND | NAND/eSSD | 0.90 | 堆叠制程 |
  | N19/N15 | DDR5/LPDDR5X | 0.85/0.80 | 先进存储 |
  | N1A | HBM3E | 0.55 | 先进制程 |
  | **N5(5nm)** | **AI 芯片** | **0.40** | **最先进制程, 单位产能耗时最高** |
- 转化系数逻辑：同一机台标准产能 × 系数 = 该制程实际处理能力（如光刻机-2 的 CH1 跑 HBM 系数 0.55、CH2 跑 AI 芯片系数 0.4）

```bash
python gen_manufacturing_ext.py   # 重新生成（幂等）
```

---

## 制造过程良率（工序级）— process_yield_facts（427 行）

把 die 良率拆解到 5 道关键工序（光刻→刻蚀→薄膜→离子注入→扩散），**工序累积良率 = die 良率**（偏差 <0.5%）：

| 产品 | 制程工序数 | 光刻 | 离子注入(最难点) | 累积良率 | die良率 |
|------|-----------|------|-----------------|---------|--------|
| DDR4 (28nm) | 320 | 99.8% | 98.9% | 96.6% | 97.0% |
| DDR5 (1x nm) | 380 | 98.8% | 98.5% | 94.2% | 94.3% |
| HBM3E (1a nm) | 480 | 96.9% | 96.3% | 85.3% | 84.6% |
| **AI 芯片 (5nm)** | **520** | **95.9%** | **94.5%** | 81.8% | 81.4% |

> 洞察：先进制程工序更多（520 vs 320 道）、光刻/注入良率更低——这就是 AI 芯片良率爬坡难、die 成本高的工艺根源。

```bash
python gen_process_yield.py   # 重新生成
```

## 制造模型层数据（六视角修订版 · 2026-08-05 新增）

基于《半导体制造工艺与技术时代·最终调研报告（六视角修订版）》补充的制造模型层数据，沉淀调研报告的行业参数为可查询表（含 data_dictionary 表/字段解释）：

### 新增维表（4 张）

| 表 | 行数 | 说明 |
|----|------|------|
| `technology_era_dim` | 8 | 技术时代：T0 平面/T1 FinFET/T2 GAA/T3 先进封装/T4 晶圆级 + S1 EUV DRAM/S2 3D NAND/S3 3D DRAM |
| `vendor_dim` | 5 | 五大厂商：SK海力士(纯存储)/三星(韩国IDM)/美光(美国存储)/台积电(纯代工)/英特尔(逻辑IDM+Foundry)，含 OEE 基准/CHIPS 补贴 |
| `process_node_dim` | 14 | 制程节点：N28~N2 + Intel 18A + 存储节点(1a/1-gamma/3D NAND/HBM3E)，含 Routing 工序数/EUV 层数/晶圆成本 |
| `packaging_platform_dim` | 10 | 封装平台：内部堆叠(MR-MUF/TC-NCF/Hybrid) + 系统集成(InFO/CoWoS-S/L/R/SoIC/EMIB/Foveros) |

### 新增事实表（2 张）

| 表 | 行数 | 说明 |
|----|------|------|
| `vendor_kpi_facts` | 450 | 厂商 KPI 月度(90月×5厂商)：OEE/产能利用率/CycleTime/QueueTime占比/Capex强度。2023 冰河期体现差异化：SK海力士利用率61% vs 台积电95%(不减产) |
| `hbm_stack_facts` | 90 | HBM3E 堆叠月度：层数(12-Hi)/工艺路线(Hybrid Bonding)/堆叠良率(2024爬坡60.5%→2026成熟71.9%) |

### 数据字典表（1 张）
`data_dictionary`（31 行）— 全部新表/新字段的解释与来源，供问数 Agent 与建模引用。

### 现有表补充字段（3 表 9 字段）
- `product_dim` + 5 字段：vendor_id / technology_era_id / process_node / euv_layers / gate_architecture（产品→厂商→时代→节点映射）
- `wafer_manufacturing_facts` + 2 字段：edge_exclusion_mm（EUV 2-3mm vs DUV 3-5mm）/ yield_scope（良率口径 die-level）
- `equipment_dim` + 2 字段：oee_benchmark_pct / euv_support

### 语义层同步更新
`semantic_layer.yaml` 新增 11 个指标（OEE/厂商利用率/QueueTime占比/Capex强度/HBM堆叠良率/EUV层数/工序数/晶圆成本/CHIPS补贴/封装良率/封装产能）、5 个维度（厂商/厂商类型/技术时代/制程节点/封装平台）、5 条业务规则（厂商KPI分层/HBM良率分层/背面供电/GAA三强/CapEx三维修正/良率口径）。SQLGuard 白名单回归通过。

### 生成与重新生成
```bash
python gen_semiconductor_model.py   # 幂等：INSERT OR REPLACE + ALTER ADD COLUMN(存在跳过)
```
> 该流程已沉淀为条件触发技能 `semiconductor-model-data`（用户级 ~/.workbuddy/skills/，zip 见 semiconductor-model-data.zip）：当用户要求生成/补充半导体制造模型数据时自动触发。

## Agent 平台 v2：七大能力统一架构（2026-08-06 重构）

基于《Agent项目核心代码提取与复用指南.md》的十大可复用模式，重构为统一 Agent 平台，实现七大能力：

| # | 能力 | Agent | 实现 | 复用模式 |
|---|------|-------|------|---------|
| 1 | 问数 | `qa` | question_agent（三层防线） | Agent 循环 |
| 2 | 归因 | `attribution` | attribution（量价分解+下钻） | Agent 循环 |
| 3 | 最优化求解 | `optimization` | optimizer（线性规划） | Agent 循环 |
| 4 | **动态最优化** | `dynamic` | **dynamic_agents：多期滚动+敏感性分析** | **新** |
| 5 | **自动报告** | `report` | **dynamic_agents.ReportAgent：多源→结构化报告** | **新** |
| 6 | 自定义专家 | `--expert` | expert_engine（YAML 配置+技能绑定） | 事件总线 |
| 7 | 调用专家 | 自动路由 | LLM 意图路由 + 责任链编排 | 责任链 |

### 架构（agent_framework.py 框架层）

| 组件 | 来源 | 职责 |
|------|------|------|
| `@command` + ToolRegistry | AutoGPT | 函数签名自动生成工具 Schema |
| EventManager | XYBotV2 | 装饰器事件总线 |
| BaseStorage | Agno | 会话/报告存储抽象 |
| Pipeline 责任链 | MaxKB | 归因→报告 串联编排 |
| Agent 循环 | AutoGPT | Think→Act→Observe，JSON action 协议 |
| 错误回灌重试 | SWE-agent | LLM 输出错误拼回 prompt 重试 |
| TERMINATE 协议 | AnythingLLM | 多 Agent 链终止 |

### 使用

```bash
python agent_platform_v2.py "2023年营收为什么下降"            # 自动路由
python agent_platform_v2.py --agent qa "2026年6月销售额"      # 指定问数
python agent_platform_v2.py --agent dynamic "产能削减20%影响" # 动态优化
python agent_platform_v2.py --agent report "2023营收分析"     # 自动报告
python agent_platform_v2.py --expert 财务分析师 "分析净利润"  # 专家
python agent_platform_v2.py --pipeline --month 2023-12        # 责任链: 归因+报告
python agent_platform_v2.py --agents / --tools                # 列表
python agent_platform_v2.py -i                                # 交互模式
```

### 新增能力亮点

- **动态最优化**（dynamic）：多期滚动优化（按月观测最优解演化）+ 产能敏感性分析（0.6~1.2 扫描，识别产能瓶颈拐点——实测 2026 产能 90% 时影子价格归零，即需求转为瓶颈）
- **自动报告**（report）：多源分析材料 → LLM 组织为结构化报告（摘要/数据概览/分主题/风险建议/附录），自动落盘 `reports/`
- **责任链**（--pipeline）：归因数据自动注入报告 Agent，一条命令产出完整归因报告