stock-prediction

# Stock Prediction Skill 自动化股票预测工作流，处理从图片提取股票代码到执行预测并返回结果的完整流程。 ## 触发条件 当同时满足以下条件时触发： 1. 用户发送了1张或多张包含股票代码的图片 2. 用户消息中包含关键词："预测"、"未来x天"、"采样次数" ## 执行流程 ### Step 1: 预处理与即时反馈 **日期计算：** - 获取当前系统日期（Today） - 解析"未来 N 天"：`开始时间 = Today + 1天`，格式固定为 `YYYY-MM-DD` - 解析"采样次数"：提取数字 **即时回复用户：** ``` 收到{图片数量}张图片，预测开始时间：{开始时间}，采样次数：{采样次数}。 ``` **数据持久化：** - 目录：`C:\Users\Administrator\Desktop\kronos\predict\{MMDD}\`（以当前月日命名文件夹） - 文件名：`{HHmmss}.txt`（以当前时分秒命名） - 内容：识别图片中所有股票代码，每行一个 ### Step 2: 服务健康检查 (Self-Healing) 调用接口：`GET http://localhost:8000/health` **逻辑分支：** - 若返回 `status: healthy` → 执行 Step 3 - 若连接失败或状态异常： - 打开终端，切换至 `C:\Users\Administrator\Desktop\kronos\kronos-ai\backend` - 执行：`conda activate my_project_env && python .\main.py` - 等待 10 秒后重新检查 `/health`，直到正常 ### Step 3: 模型版本校验与切换 **检查当前模型：** 查看 Step 2 返回的 `model.model` 是否为 `kronos-base` **切换逻辑：** 若当前模型不是 `kronos-base`，调用： ```bash curl -X 'POST' 'http://localhost:8000/model/switch' \ -H 'Content-Type: application/json' \ -d '{"model_name": "kronos-base"}' ``` 确认返回 `success: true` ### Step 4: 执行预测脚本 **环境准备：** 切换至目录 `C:\Users\Administrator\Desktop\kronos\kronos-ai` **指令发送：** ```bash conda activate my_project_env && python .\batch_predict.py --start_date {开始时间} --samples {采样次数} ``` > `{开始时间}` 和 `{采样次数}` 使用 Step 1 中解析的变量 ### Step 5: 结果回传 **定位结果文件：** - 路径：Step 1 的同级目录 - 文件名：`result_{Step1生成的文件名}`（例如 `result_143022.txt`） **读取与回复：** - 确认文件内容不为空 - 将文件内的全部预测结果文本直接发送给用户 ## 辅助脚本 - `scripts/health_check.py` - 服务健康检查与自启动 - `scripts/model_switch.py` - 模型版本校验与切换 - `scripts/run_prediction.py` - 执行批量预测脚本 ## 路径常量 ```python WORK_DIR = "C:\\Users\\Administrator\\Desktop\\kronos" BACKEND_DIR = f"{WORK_DIR}\\kronos-ai\\backend" PREDICT_DIR = f"{WORK_DIR}\\kronos-ai" OUTPUT_BASE = f"{WORK_DIR}\\predict" HEALTH_URL = "http://localhost:8000/health" SWITCH_URL = "http://localhost:8000/model/switch" TARGET_MODEL = "kronos-base" CONDA_ENV = "my_project_env" ```