SK-self-iterate

Files (1)

• SKILL.md

SKILL.md (first lines)

# SK-self-iterate —— 赛后自我迭代学习闭环（V3.5.74）

## 🔴 定位（防止混淆·用户明确要求）
| 层 | 触发 | 动作 | 是否改模型 |
|:--|:--|:--|:--|
| **学习层（本技能）** | 每次赛果 | 录入台账→归因→累积→复发自动提示→calc_all 自动消费提示 | ❌ 只提示·零计算/判定改动 |
| **批量更新层（另流程）** | 观察项达门槛 | 批量回测（时间分割·p<0.05）→ 验证通过 → 改 AGENTS/技能/数据 + check_sync | ✅ 动规则 |

**铁律**：单场永不直接改规则；学习层只积累与提示；批量更新必须门槛+回测+备份+check_sync 全绿。

## 执行流程

### ① 每场赛果后必跑（复盘的一部分）
```bash
python data/tmp/self_iterate.py learn --case <id> --real <比分> --pred "<预测方向>" \
    --anchor "<主锚>|<次锚>" --center <预测进球中心> --handi <让球> --o25 <O25>
```
输出：方向/锚命中/量级偏差（±球）+ 归因类型（多项并存）+ 复发自动升级提示。

归因类型：`超深屠杀锚量级`/`锚净低估`/`大球低估`/`小球高估`/`净胜穿透`/`平局漏判`/`方向误判`/`命中`。

### ② 每批复盘后汇总
```bash
python data/tmp/self_iterate.py status     # 各类型累积 vs 门槛 + 是否达标
python data/tmp/self_iterate.py patterns   # 偏差模式明细（最近样本）
```

### ③ 自动更新（防同一失误犯第二遍）
- 同类型**复发 ≥2** → 自动升级 `status=提示` + 生成规则文本 → 写入 `data/tmp/learned_rules.json`
- **calc_all 每场自动输出**「⚡ 学习成果提示」节（仅提示·判定权在模型）
- 达门槛（方向类 10 / 比分·量级类 20）→ `status=待回测验证`

### ④ 批量回测验证通过 → 固化
```bash
python data/tmp/self_iterate.py verify --type "<类型>" --evidence "<回测结论>" --n <样本> --p <显著性>
```
固化后进入 calc_all 提示（标注"已固化"·依据可追溯）。**固化=启动批量更新流程**（改规则须同步 AGENTS/技能/数据 + check_sync + 备份）。

## 🔴 一条命令（推荐·赛果自动学习总入口）
```bash
python data/tmp/learn_from_result.py --case <id> --real <比分> --league <联赛>     --oh <主赔> --od <平赔> --oa <客赔> --handi <让球> --o25 <O25>     --pred "<预测方向>" --anchor "<主锚>|<次锚>" --center <进球中心>
```
→ 一次完成【复盘学习(self_iterate·偏差归因+复发提示) + 在线学习5层(River/贝叶斯增量/误差规则/CBR/持久化) + 合并报告】。`--status` 汇总。

### 在线学习系统 5 层（data/online_learning/·方案000054实施）
| 层 | 内容 | 状态 |
|:--|:--|:--|
| L1 River 在线ML | 方向分类器/进球回归/量级分类+ADWIN漂移 | 🔴**实测无增益**(30000场·方向34.5% vs 热门48.7%·-14.2pp)→默认关闭仅记录 |
| L2 贝叶斯增量表 | 比分/让球层/进球档格子+联赛校准 | 增量独立累积·n≥50可合并（**合并走批量流程·静态表防污染**）|
| L3 误差模式 | 场景分组误差→修正规则(≥30样本) | 与 learned_rules 协同·预测时提示 |
| L4 案例库 CBR | 相似案例检索+错误案例警告 | 案例库累积·提示级 |
| L5 持久化 | JSON/pickle + 备份/回滚 | 每场自动备份·可回滚 |

## 数据文件
| 文件 | 内容 |
|:--|:--|
| `data/case-library/学习台账.csv` | 逐场学习记录（偏差/归因/状态）|
| `data/tmp/learned_rules.json` | 学习成果库（count/status/rule/evidence/verified）|

## 与既有机制的关系
- **不替代**：量级台账（预测 vs 实际对账）、观察项 md（O1-O18）、case_stats（命中率）、check_sync（一致性）
- **新增价值**：把"教训"变成**可累积计数 + 复发自动提示 + 门槛判定 + 回测固化**的闭环——同一失误第二次出现即自动进入每场提示，不再依赖人工记忆

## 首个固化成果（示例）
`超深屠杀锚量级`：主胜隐含>88%+让≥2 → 历史 n=2109 净3+ 43.2%/净4+ 24.9%/净0-1 29%（时间分割 516 场一致）→ 主锚净3·**次锚须含净4-5+ 出口**·保留净1 停止分支。

## 🔴 置信度校准复核
批量复盘后执行 `python data/tmp/conf_calib.py` → 推导 **strict/any 双口径**（不改案例库 15 列模板）→ 更新 `data/case-library/置信度校准.csv`。
🔴**实测基线（182 场）**: strict 55.5% / any 65.4% / 比分锚 28.0% / 完美 23.6%。
🔴**观察项**: MID-LOW 档 strict 34.3%（标称 45-55%·低于 10.7pp·n=35 样本不足不固化）；LOW 档 any 73.9% vs strict 43.5%（any 口径虚高证实）。
🔴**纪律**: 置信度统计一律用 **strict 口径**；档位调整须达"方向类≥10场同向 + p<0.05"门槛。

From MENG-COOLMAN/PitchQuant, MIT.

More from MENG-COOLMAN/PitchQuant