Testa

---
name: user-behavior-analyzer
description: 为AIME（AI交易助手）生成综合用户行为分析报告。当用户要求分析用户行为、生成用户报告、分析交互模式、调查用户流失、了解用户参与度或从用户ID或日志数据创建分析文档时，使用此技能。
---

# AIME用户行为分析器

## AIME是什么？

**AIME** 是集成在 Ainvest 平台中的 AI 驱动的交易助手。它帮助用户在多种资产类别中做出明智的投资决策：

- **股票**：美股、A股、港股等
- **加密货币**：比特币、以太坊和其他代币
- **大宗商品**：黄金、石油、金属和农产品
- **外汇**：货币对和外汇交易
- **期权**：衍生品和期权交易
- **其他金融工具**：ETF、指数等

### AIME的核心能力

- 实时市场分析和洞察
- 交易策略推荐
- 技术面和基本面分析
- 风险评估和投资组合管理
- 投资者教育内容
- 定制化股票/加密货币筛选和过滤
- 价格提醒和通知

本技能分析 AIME 用户交互日志，以了解用户行为、评估服务质量、识别改进机会并评估流失风险。

## 架构

```
┌─────────────────┐      ┌─────────────────┐      ┌─────────────────┐
│  数据层         │  →   │  AI分析层       │  →   │  报告层         │
│  (Python)       │      │  (Claude Code)  │      │  (Python)       │
└─────────────────┘      └─────────────────┘      └─────────────────┘
```

**关键原则**：
- **数据提取**由 Python 代码完成（稳定、可靠）
- **分析**由 Claude Code 基于实际数据执行（灵活、智能）
- **报告生成**由 Python 工具处理（格式化输出）

**无硬编码的分析逻辑** - 所有洞察都基于用户的实际对话数据动态生成。

## 何时使用此技能

在以下情况下使用此技能：
- 用户提供用户ID并要求进行分析或生成报告
- 用户提到"分析用户行为"、"用户参与度"、"流失分析"
- 用户希望从 AIME 对话日志中了解交互模式
- 用户要求从 AIME 用户数据生成分析报告
- 分析 AIME 的服务质量和用户满意度
- 调查用户为什么停止使用 AIME（流失分析）

## 必需输入

要生成报告，您需要提供：

1. **用户交互记录Excel文件路径**（必需）
   - 包含用户与AIME对话记录的Excel文件
   - 每个用户一个文件，文件名不同
   - 示例路径：
     - `/Users/han/ths_work/ths_chat_not_completed/user1834297646/user1834297646.xlsx`
     - `/Users/han/ths_work/ths_chat_done/user1834297646/user1809331416.xlsx`
   - 文件格式：`.xlsx` 或 `.xls`

2. **用户ID**（必需）
   - 从Excel文件名或内容中提取
   - 示例：`1834297646`

3. **分析日期范围**（必需）
   - 开始和结束日期，格式为 YYYYMMDD
   - 示例：`20260101` 到 `20260131`

**使用示例**：
```
请分析用户 1834297646 的行为，Excel文件在：
/Users/han/ths_work/ths_chat_not_completed/user1834297646.xlsx

分析周期：2026年1月1日 到 2026年1月31日
```

**注意**：
- 每个用户的Excel文件路径不同，请提供具体路径
- Claude Code 会自动读取Excel文件并分析其结构

## 输出格式

本技能支持多种报告格式：

1. **JSON数据文件** (`user_{user_id}_data.json`)：原始提取的数据
2. **Markdown报告** (`user_{user_id}_analysis.md`)：Markdown格式的分析报告（推荐）
3. **Word报告** (`user_{user_id}_analysis.docx`)：Word格式的分析报告（可选）

**使用方式**：
- 默认生成 Markdown 格式报告
- 如需 Word 格式，使用 `--format docx` 参数
- Markdown 报告可以使用 Pandoc 或其他工具转换为 Word、PDF 等格式

## 报告结构（标准格式）

每个生成的报告必须遵循此结构（基于 `examples/ex3.docx`）：

### 1、用户行为分析

#### 1.1、单用户生命周期的主动输入量走势

**必需内容**：
- 从第一天开始每天的主动输入量走势（周期：日、周、月、年）
- 指标：
  - 累计输入总量：X句
  - 平均（日、周、月、年）输入量：具体数字
  - 时间分布特征：
    - 极度集中/分散：描述时间分布模式
    - 日输入量：具体数字
    - 活跃度：有问句天数、活跃时长、使用模式（如"脉冲式"、"持续式"）
- **图表位置**：此部分需要预留图表位置，标注"（图表：每日/每周/每月/每年输入量走势图）"

#### 1.2、Ainvest上的行为特征分析

**必需字段**：
- 首次登陆app日期
- 国家
- 手机品牌
- 性别
- 近一个月登陆天数
- 多少自选股
- 有无绑定开户
- 有无付费
- 最多使用的功能

#### 1.3、用户基础属性

**必需子章节**：

（1）用户生命周期：
- 新手期：定义和判断标准
- 成长期：定义和判断标准
- 稳定期：定义和判断标准
- 衰退期：定义和判断标准

（2）用户类型识别：
- 是不是竞争对手：识别标准和判断
- 是不是爬虫：识别标准和判断
- 是不是内部用户：识别标准和判断

（3）社会学特征的描述：
- 推测性别：基于语言风格、投资偏好等
- 推测年龄：基于投资经验、表达方式等
- 其他社会学特征

### 2、用户问句的分析

#### 2.1、输入方式的分析

**必需子章节**：
- 输入方式：打字/语音/多模态，百分比和数量
- 语种：英语/中文/其他，百分比和数量
- 问句特征：长度特点、追问频率、纠错频率等

#### 2.2、问句的特征分析

**必需内容**：
- 高频词统计：列出出现频率最高的词汇
- 表达方式特点：正式/非正式、简洁/详细等
- 字数统计：平均字数、最长/最短问句等
- 其他显著特征

#### 2.3、用户需求洞察

**必需子章节**：

用户的投资需求分析：
- 选股需求：具体标准和证据
- 买卖点需求：具体标准和证据
- 诊股需求：具体标准和证据
- 预测需求：具体标准和证据
- 其他投资需求：列出并提供证据

每个需求需提供：
- 需求描述
- 用户实际问句作为证据
- 出现频次

#### 2.4、用户的投资市场分析

**必需内容**：
- 美股：关注度、具体股票案例
- 数字币：关注度、具体币种案例
- 其他市场：A股、港股、外汇、大宗商品、期权等
- 市场偏好分析：主要关注哪些市场，原因分析

#### 2.5、用户的投资逻辑分析

**必需内容**：
- 投资目标：短期收益/长期增长/投机套利等
- 风险承受能力：保守/稳健/激进/极端投机，提供证据
- 选股逻辑：技术面/基本面/情绪面等
- 诊股逻辑：关注哪些指标和因素
- 交易周期：日内/短线/中线/长线
- 仓位管理：重仓/轻仓/分散/集中等
- 其他投资逻辑特征

### 3、AIME的服务分析

**说明**：此部分由产品经理填写，分析师提供数据支持和问题聚类

#### 3.1 显性的服务评价

**必需格式**：

```
在用户反馈中明确表达不满的：

案例1（时间戳）：用户输入 "xxx"
原因：AIME回答xxxx，没有满足用户xxxx
后果：用户说xxx/用户行为xxx

案例2（时间戳）：...
```

**注意**：同类原因只展示1个代表性案例

```
在用户反馈中明确表达不错的：

案例1（时间戳）：用户输入 "xxx"
原因：AIME回答xxxx，满足了用户xxxx
后果：用户说xxx/用户行为xxx

案例2（时间戳）：...
```

#### 3.2 隐式的服务分析

**必需格式**：

```
基于看到的有问题的case，进行罗列聚类分析：

问题名称1：
详细说明问题
证据：xxx（具体时间戳 + 用户问题 + AIME回答）

问题名称2：
详细说明问题
证据：xxx（具体时间戳 + 用户问题 + AIME回答）
```

#### 3.3 回答的模型占比 & 答案的OK率评估

**必需分析**：

根据提供的excel表统计：

**总体统计：**
- 总问句数：X句
- 使用的AI模型分布（如 deep_thinking, o3_reasoning, gpt-4等）

**二维矩阵分析：**
- 行维度：Excel文档的skill_name列内容，例如advise crypto suggestions,advisestock suggestions等
- 列维度：Excel里agent_mode列内容，例如normal_agent,deep_thinking
- 每个单元格：ok率（例如3/4是指某个agent执行某个任务4次，3次OK,使用 “回答质量"列进行统计）

**格式示例：**
```
Skill	deep_thinking	normal_agent	o3_reasoning
advise crypto suggestions	1/1 (100%)	-	-
advise stock suggestions	6/9 (67%)	-	2/3 (67%)

```

**预测类单独说明：**
- 总的预测类问句数：X句
- 子类分类：价格预测、趋势预测、波动预测等
- 每个子类的数量和OK率
- 优化建议

#### 3.4 优化方向

**必需格式**：
```
优化方向1：
问题：详细说明问题（基于实际案例分析）
建议：
- 具体建议1
- 具体建议2
- 具体建议3

优化方向2：
问题：详细说明问题
建议：
- 具体建议1
- 具体建议2
```

### 4、主动输入的问句list

**必需内容**：
- 完整的用户问句列表
- 格式：`序号. [时间戳] 原始问句`
- ⚠️ **重要**：Claude Code需要将所有非中文问句翻译成中文
- 对于每个英文问句，在下方添加"翻译："行，提供中文翻译

**翻译要求**：
- 逐个翻译每个英文问句
- 保持专业性和准确性
- 投资术语使用标准中文翻译（如：stock→股票，surge→大涨，plummet→暴跌，short→做空等）
- 保留股票代码（如BIDU、SIDU等）不翻译

**示例格式**：
```
1. [2026-01-14 07:04:02] provide five top stocks with gap up and volume
   翻译：提供5只具有跳空上涨和成交量放大的股票

2. [2026-01-14 07:15:30] what about Coinbase
   翻译：Coinbase怎么样

3. [2026-01-15 06:34:39] provide stocks with a gap >= 4% and volume >= 150% of 30-day avg
   翻译：提供跳空幅度>=4%且成交量>=30日均量150%的股票
```

---

## 快速开始

### 方法 1: 使用主脚本（推荐）

```bash
# 生成 Markdown 报告
python3 scripts/analyze_user.py <user_id> <excel_file> <start_date> <end_date>

# 示例
python3 scripts/analyze_user.py 1834297646 /path/to/user.xlsx 20260101 20260131

# 生成 Word 报告
python3 scripts/analyze_user.py 1834297646 /path/to/user.xlsx 20260101 20260131 --format docx

# 同时生成两种格式
python3 scripts/analyze_user.py 1834297646 /path/to/user.xlsx 20260101 20260131 --format both

# 指定输出目录
python3 scripts/analyze_user.py 1834297646 /path/to/user.xlsx 20260101 20260131 --output-dir ./reports

# 跳过 Ainvest API 数据获取（仅分析 Excel）
python3 scripts/analyze_user.py 1834297646 /path/to/user.xlsx 20260101 20260131 --skip-api
```

### 方法 2: 分步执行

```bash
# 步骤 1: 提取数据
python3 -c "
from scripts.user_data_extractor import UserDataExtractor
extractor = UserDataExtractor.extract_all_data('1834297646', '/path/to/user.xlsx')
extractor.export_for_analysis()
"

# 步骤 2: 生成报告（使用 Claude Code 分析数据）
# 由 Claude Code 基于提取的数据进行分析

# 步骤 3: 生成 Markdown 报告
python3 -c "
from scripts.md_generator import MarkdownReportGenerator
generator = MarkdownReportGenerator()
generator.generate_from_analysis(analysis_data, 'user_1834297646_analysis.md', '/path/to/user.xlsx')
"
```

## 分析方法论

### 关键原则

1. **数据驱动分析**：所有结论基于实际用户交互数据
2. **模式识别**：从实际问题、时间戳和响应中识别用户行为模式
3. **基于证据**：为所有声明提供具体证据（时间戳、引用、数据点）
4. **多维度**：从行为、需求、市场、逻辑和服务质量角度进行分析
5. **图表准备**：为日/周/月/年输入量图表准备数据
6. **翻译支持**：为中文产品团队翻译所有非中文问题（由 Claude Code 完成）
7. **服务评估**：为产品经理的评估提供客观数据
8. **统计分析**：构建模型使用和OK率的二维矩阵

### 动态分析（无硬编码逻辑）

- ✅ **输入量趋势分析** → 分析日/周/月/年模式
- ✅ **输入方式分析** → 统计打字/语音/多模态输入
- ✅ **语言分析** → 检测使用的语言，计算百分比
- ✅ **词频分析** → 识别高频词和主题
- ✅ **问题模式分析** → 分析表达风格、长度、特征
- ✅ **投资需求分析** → 分类需求（选股/买卖点/诊股/预测）
- ✅ **投资市场分析** → 识别用户关注的市场
- ✅ **投资逻辑分析** → 了解用户的投资理念和策略
- ✅ **服务质量数据** → 为产品经理的评估准备数据
- ✅ **问题聚类** → 对对话中发现的问题进行分组和分类
- ✅ **模型使用统计** → 构建二维矩阵（模式 × Skill类型）
- ✅ **问句翻译** → 为产品团队将所有问题翻译成中文（由 Claude Code 完成）

**关键**：Claude Code 查看数据并根据实际用户交互做出智能判断，而不是预定义的类别。为产品经理的决策提供全面的数据支持。

## 脚本说明

### 可用脚本

**scripts/analyze_user.py** - 主入口脚本
- 完整的端到端分析流程
- 集成所有子模块
- 命令行接口
- 支持多种输出格式

**scripts/user_data_extractor.py** - 数据提取器
- 从 Excel 文件提取用户交互数据
- 提供便捷的数据访问方法
- 导出 JSON 格式数据

**scripts/ainvest_data_fetcher.py** - API 数据获取器
- 从 Ainvest 平台获取用户行为数据
- 获取用户基础属性
- 统计功能使用情况

**scripts/user_analyzer.py** - 用户分析器
- 基础信息分析
- 交互模式分析
- 会话分析
- 输入趋势、输入方式、语言检测

**scripts/matrix_analyzer.py** - 矩阵分析器
- 分析模型使用情况
- 构建 Skill × AgentMode × OK率 矩阵
- 生成优化建议

**scripts/md_generator.py** - Markdown 报告生成器
- 生成 Markdown 格式报告
- 遵循标准4节结构

**scripts/docx_generator.py** - Word 报告生成器
- 生成 Word (.docx) 格式报告
- 遵循标准4节结构

## 依赖安装

### 必需的 Python 包

```bash
pip install pandas openpyxl requests python-docx
```

依赖说明：
- `pandas`：用于读取和处理 Excel 文件
- `openpyxl`：用于读取 .xlsx 格式文件（pandas的依赖）
- `requests`：用于 API 调用
- `python-docx`：用于 Word 文档生成

## 格式要求清单

生成报告时，请确保：

- ✅ 使用 Markdown 或 Word 格式
- ✅ 遵循上面定义的新4节结构
- ✅ 包含所有必需的子章节和正确的标题
- ✅ 在所有案例研究中使用具体的时间戳
- ✅ 为所有声明提供证据
- ✅ 使用正确的标题级别
- ✅ 在第1.1节预留图表空间
- ✅ 在第3.3节包含二维矩阵格式
- ✅ 在第4节将所有非中文问题翻译成中文（由 Claude Code 完成）
- ✅ 标记需要产品经理输入的章节（3.1、3.4）
- ✅ 保存到指定的输出目录

## 错误处理

### 未找到数据
- 验证用户ID是否正确
- 检查日期范围是否覆盖活跃期
- 如有必要，扩大日期范围
- 如果未找到交互，请通知用户

### API 失败
- 检查网络连接
- 使用重试逻辑处理超时
- 检查响应是否包含 'data' 字段
- 可以使用 `--skip-api` 参数跳过 API 获取

### 数据结构问题
- API 返回带有 'data' 字段的字典，其中包含实际的日志数组
- 提取日志：`logs = response.json()['data']`
- 在传递给分析器之前验证日志结构

## 关键概念总结

### 报告结构概述

新的报告格式包含 4 个主要章节：

1. **用户行为分析**
   - 1.1 主动输入量走势（含图表预留位置）
   - 1.2 Ainvest平台行为特征
   - 1.3 用户基础属性（生命周期、用户类型、社会学特征）

2. **用户问句的分析**
   - 2.1 输入方式分析
   - 2.2 问句特征分析
   - 2.3 用户需求洞察
   - 2.4 投资市场分析
   - 2.5 投资逻辑分析

3. **AIME的服务分析**
   - 3.1 显性服务评价（产品经理填写）
   - 3.2 隐式服务分析（问题聚类）
   - 3.3 模型占比&OK率评估（二维矩阵）
   - 3.4 优化方向

4. **主动输入的问句list**（含翻译，由 Claude Code 完成）

### 分析目标

1. **量化用户参与度**：跟踪输入量随时间的趋势（日/周/月/年）
2. **了解用户行为**：分析用户如何在 Ainvest 平台上与 AIME 交互
3. **分类用户属性**：识别用户生命周期阶段、用户类型和人口统计特征
4. **分析输入方式**：了解用户如何与 AIME 通信（打字/语音/多模态）
5. **提取投资需求**：识别用户想要什么（选股/买卖点/诊股/预测）
6. **映射投资市场**：用户关注哪些市场（美股/数字币/其他）
7. **了解投资逻辑**：用户的投资理念、风险承受能力、策略
8. **评估服务质量**：为产品经理提供数据以评估 AIME 的性能
9. **聚类问题**：对对话中发现的问题进行分组和分类
10. **准备统计数据**：构建模型使用和 OK 率的二维矩阵
11. **支持决策**：翻译发现并提供可操作的洞察

### 成功标准

一份好的分析报告应该：
- ✅ 遵循上面定义的精确4节结构
- ✅ 包含所有子章节和适当的细节
- ✅ 在第1.1节预留图表空间
- ✅ 在第4节翻译所有问题（由 Claude Code 完成）
- ✅ 为产品经理的审查提供全面的数据
- ✅ 支持数据驱动的产品决策
- ✅ 帮助提高 AIME 的服务质量和用户满意度