'use strict';

/**
 * 智能问数智能体 · 内置技能（skills）
 * ----------------------------------------------------------------------------
 * 技能 = 注入系统提示的分析打法（playbook），不是可执行工具；工具是动作，技能是
 * 「何时调哪些工具、按什么顺序、结论必答什么」的打法约束。用户可在问数页点名技能
 * （rec.skill），模型也会在适用时自行遵循（全部技能的打法都常驻提示词，体积小）。
 */

const SKILLS = [
  {
    key: 'period-compare',
    name: '周期对比分析',
    desc: '本期 vs 基期全流程对比，归因到门店',
    playbook: '①lake_overview 摸底确认区间可用；②compare_periods 取本期 vs 基期加权 delta（不要自己相减）；③对异常指标用 cross_check 抽查层间一致性；④结论必答「变化量 / 变化率 / 主因门店」，配趋势或对比图（x=date 需先按日查询）。',
  },
  {
    key: 'data-checkup',
    name: '数据体检',
    desc: '全面体检数据质量并分级给结论',
    playbook: '①lake_overview 摸底；②data_quality 全区间体检；③cross_check 全区间层间一致性核对；④结论按 fail/warn/info 分级列出问题、影响范围与处置建议（如门店全零行建议排查取数参数或数据权限），涉及质量问题的数字标注「数据质量存疑」。',
  },
  {
    key: 'peer-benchmark',
    name: '同行对标',
    desc: '门店自身 vs 同行均值/排名',
    playbook: '①lake_overview 摸底；②peer_benchmark 取目标字段的同行均值与排名；③对排名恶化门店用 query_report(mode=date) 下钻逐日；④raw_inspect 看同行均值是否整体下移（区分自身问题 vs 大盘问题）；⑤结论：排名变化 + 原因归类（自身/大盘/数据质量）。',
  },
  {
    key: 'drill-down',
    name: '下钻归因',
    desc: 'TopN → 异常门店 → 拐点日期归因',
    playbook: '①query_report(mode=shop, 按目标指标排序) 取 TopN；②锁定异常门店用 query_report(mode=detail) 看逐日；③定位拐点日期；④raw_inspect 查该店该日 raw（环比差值/同行均值），判断自身波动还是大盘波动；⑤结论给归因链路「指标 → 门店 → 日期 → 原因」。',
  },
];

function get(key) {
  return SKILLS.find((s) => s.key === key) || null;
}

/** 常驻提示词的技能清单（打法全文，体积小） */
function manifestText() {
  return SKILLS.map((s) => `- ${s.name}（${s.key}）：${s.desc}。打法：${s.playbook}`).join('\n');
}

module.exports = { SKILLS, get, manifestText };