edge-signal-aggregator

Edge Signal Aggregator

概述

将多个上游边缘发现技能的输出合并为一个加权信心度仪表板。此技能会应用可配置的信号权重、对重叠主题进行去重、标记不同技能之间的矛盾，并按综合信心度评分对边缘想法进行排名。最终结果是一个按优先级排序的边缘想法候选清单，并附有指向各贡献技能的来源链接。

适用场景

• 运行多个边缘发现技能后，希望获得统一视图
• 整合来自 edge-candidate-agent、theme-detector、sector-analyst 和 institutional-flow-tracker 的信号
• 根据多个信号来源做出投资组合配置决策之前
• 识别不同分析方法之间的矛盾
• 确定哪些边缘想法值得深入研究

前提条件

• Python 3.9+
• 无需 API 密钥（处理来自其他技能的本地 JSON/YAML 文件）
• 依赖项：pyyaml（大多数环境中已包含）

工作流

步骤 1：收集上游技能输出

收集要聚合的上游技能输出文件：

• reports/edge_candidate_*.json，来自 edge-candidate-agent
• reports/edge_concepts_*.yaml，来自 edge-concept-synthesizer
• reports/theme_detector_*.json，来自 theme-detector
• reports/sector_analyst_*.json，来自 sector-analyst
• reports/institutional_flow_*.json，来自 institutional-flow-tracker
• reports/edge_hints_*.yaml，来自 edge-hint-extractor

步骤 2：运行信号聚合

执行聚合脚本，并传入上游输出的路径：

python3 skills/edge-signal-aggregator/scripts/aggregate_signals.py \
  --edge-candidates reports/edge_candidate_agent_*.json \
  --edge-concepts reports/edge_concepts_*.yaml \
  --themes reports/theme_detector_*.json \
  --sectors reports/sector_analyst_*.json \
  --institutional reports/institutional_flow_*.json \
  --hints reports/edge_hints_*.yaml \
  --output-dir reports/

可选：使用自定义权重配置：

python3 skills/edge-signal-aggregator/scripts/aggregate_signals.py \
  --edge-candidates reports/edge_candidate_agent_*.json \
  --weights-config skills/edge-signal-aggregator/assets/custom_weights.yaml \
  --output-dir reports/

步骤 3：查看聚合仪表板

打开生成的报告并查看：

1. 排名靠前的边缘想法 - 按综合信心度评分排序
2. 信号来源 - 各想法由哪些技能贡献
3. 矛盾 - 标记相互冲突的信号，供人工审核
4. 去重日志 - 合并的重叠主题

步骤 4：对高信心度信号采取行动

按最低信心度阈值筛选候选清单：

python3 skills/edge-signal-aggregator/scripts/aggregate_signals.py \
  --edge-candidates reports/edge_candidate_agent_*.json \
  --min-conviction 0.7 \
  --output-dir reports/

输出格式

JSON 报告

{
  "schema_version": "1.1",
  "generated_at": "2026-03-02T07:00:00Z",
  "config": {
    "weights": {
      "edge_candidate_agent": 0.25,
      "edge_concept_synthesizer": 0.20,
      "theme_detector": 0.15,
      "sector_analyst": 0.15,
      "institutional_flow_tracker": 0.15,
      "edge_hint_extractor": 0.10
    },
    "min_conviction": 0.5,
    "dedup_similarity_threshold": 0.8
  },
  "summary": {
    "total_input_signals": 42,
    "unique_signals_after_dedup": 28,
    "contradictions_found": 3,
    "signals_above_threshold": 12,
    "invalid_signals_dropped": 2,
    "idempotency_check": {
      "total_input_signals": 42,
      "unique_evidence_ids": 28,
      "duplicate_copies_merged": 14,
      "independent_units_total": 30
    }
  },
  "ranked_signals": [
    {
      "rank": 1,
      "signal_id": "sig_001",
      "title": "AI Infrastructure Capex Acceleration",
      "composite_score": 0.87,
      "evidence_id": "ticket_2026-03-01_001",
      "score_scale_assumed": false,
      "contributing_skills": [
        {
          "skill": "edge_candidate_agent",
          "signal_ref": "ticket_2026-03-01_001",
          "raw_score": 0.92,
          "weighted_contribution": 0.23,
          "evidence_id": "ticket_2026-03-01_001",
          "event_fingerprint": "sha1-of-title-and-tickers"
        },
        {
          "skill": "theme_detector",
          "signal_ref": "theme_ai_infra",
          "raw_score": 0.85,
          "weighted_contribution": 0.13
        }
      ],
      "tickers": ["NVDA", "AMD", "AVGO"],
      "direction": "LONG",
      "time_horizon": "3-6 months",
      "confidence_breakdown": {
        "multi_skill_agreement": 0.30,
        "signal_strength": 0.35,
        "recency": 0.22
      }
    }
  ],
  "contradictions": [
    {
      "contradiction_id": "contra_001",
      "description": "Conflicting sector view on Energy",
      "skill_a": {
        "skill": "sector_analyst",
        "signal": "Energy sector bearish rotation",
        "direction": "SHORT"
      },
      "skill_b": {
        "skill": "institutional_flow_tracker",
        "signal": "Heavy institutional buying in XLE",
        "direction": "LONG"
      },
      "resolution_hint": "Check timeframe mismatch (short-term vs long-term)"
    }
  ],
  "deduplication_log": [
    {
      "merged_into": "edge_candidate_agent:ticket_001",
      "duplicates_removed": ["edge_candidate_agent:ticket_001@reports/ticket_001.json"],
      "similarity_score": 1.0,
      "reason": "same evidence re-ingested",
      "selection_rule": "newest timestamp wins; ties, missing, or unparsable timestamps keep the highest raw_score, then a stable key",
      "retained_copy": {
        "signal_ref": "ticket_001",
        "source_file": "reports/rerun.json",
        "raw_score": 0.5,
        "timestamp": "2026-10-10T00:00:00Z"
      },
      "discarded_copies": [
        {
          "signal_ref": "ticket_001",
          "source_file": "reports/ticket_001.json",
          "raw_score": 0.9,
          "timestamp": "2026-10-09T00:00:00Z"
        }
      ]
    },
    {
      "merged_into": "edge_candidate_agent:ticket_001",
      "duplicates_removed": ["theme_detector:ai_compute"],
      "similarity_score": 0.9
    }
  ],
  "invalid_signals": [
    {
      "skill": "theme_detector",
      "signal_ref": "broken_theme",
      "title": "Theme with a corrupted score",
      "reason": "non_finite",
      "declared_scale": null,
      "raw_value_repr": "nan",
      "source_file": "reports/theme_detector_2026-03-01.json"
    }
  ],
  "scale_assumptions_report": [
    {
      "skill": "theme_detector",
      "signal_ref": "ai_compute",
      "value": 7.2,
      "normalized_value": 0.072,
      "assumed_scale": "0-100",
      "source_file": "reports/theme_detector.json"
    }
  ]
}

Producer 契约（可选键，schema 1.1）

每个 producer 条目（ticket、concept、theme、sector row、flow、hint）都可以携带：

• evidence_id — 底层证据的稳定标识符。若没有此键，则根据 skill、signal reference、标题、tickers 和方向生成确定性回退值（排除时间戳，以防刷新时间戳伪造新身份）。重新摄取相同证据（相同 skill + evidence_id）绝不会增加加成：所有副本都会合并为一个。副本不同时，以最新观测为准：保留时间戳最新的副本，时间戳按解析后的带时区日期时间进行比较（仅日期值和不带时区的值均按 UTC 读取）。若时间戳相同、缺失或无法解析，则依次采用最高 raw_score，再按稳定键（signal_ref、source_file）确定，因此摄取顺序不会改变结果。只有 ISO-8601 字符串（或 YYYY-MM-DD）会参与排序；epoch 数字和 20261010 之类的紧凑格式视为缺失时间戳。其余完全相同的情况按标题、方向、tickers 以及 signal 的规范化转储进行区分。若某个副本携带的分数早于保留副本，则会被丢弃，因此较新的低分会替换较旧的高分。被丢弃副本的分数和时间戳会列在 deduplication_log[].discarded_copies 中。完全相同的副本不会改变分数。
• score_scale — "0-1" 或 "0-100"，声明原始分数的范围。声明的范围会严格执行：NaN/无穷大/负值/超范围值会被拒绝并归入 invalid_signals，绝不会转换成最高置信度。存在但无法解析的声明（""、"foo"）也会被拒绝（missing_scale）。若省略此键，则 (1, 100] 范围内的值会除以 100，并标记 score_scale_assumed: true，同时添加一条 scale_assumptions_report 记录（value 为原始输入，normalized_value 为使用的 0-1 分数）；大于 100 的值会被拒绝。

一致性规则（Issue #510）

一致性加成按合并信号贡献者中的 distinct evidence_ids、distinct event_fingerprints 和 distinct skills 三者最小值计算，即 agreement_tier = min(distinct evidence_ids, distinct event_fingerprints, distinct skills)：tier 2 可获得双 skill 加成，tier 3+ 可获得三项及以上加成。重新摄取的重复项不会获得加成；另一 skill 重述同一事件（规范化标题 + tickers 相同）只计一次。已知限制：事件指纹基于词汇，因此即使改述后的词集互不重叠，仍会获得一致性加成——对跨 skill 的改述应进行独立验证。合并后的重复项不再按副本获得加成（merge_bonus_per_duplicate 已弃用且会被忽略）。

Markdown 报告

Markdown 报告提供易于阅读的仪表板：

# Edge Signal Aggregator Dashboard
**Generated:** 2026-03-02 07:00 UTC

## Summary
- Total Input Signals: 42
- Unique After Dedup: 28
- Contradictions: 3
- High Conviction (>=0.5): 12

## Top 10 Edge Ideas by Conviction

### 1. AI Infrastructure Capex Acceleration (Score: 0.87)
- **Tickers:** NVDA, AMD, AVGO
- **Direction:** LONG | **Horizon:** 3-6 months
- **Contributing Skills:**
  - edge-candidate-agent: 0.92 (ticket_2026-03-01_001)
  - theme-detector: 0.85 (theme_ai_infra)
- **Confidence Breakdown:** Agreement 0.30 | Strength 0.35 | Recency 0.22

...

## Contradictions Requiring Review

### Energy Sector Conflict
- **sector-analyst:** Bearish rotation (SHORT)
- **institutional-flow-tracker:** Heavy buying XLE (LONG)
- **Hint:** Check timeframe mismatch

## Deduplication Summary
- 14 signals merged into 8 unique themes
- Average similarity of merged signals: 0.89

报告保存在 reports/ 中，文件名为：

• edge_signal_aggregator_YYYY-MM-DD_HHMMSS.json
• edge_signal_aggregator_YYYY-MM-DD_HHMMSS.md

资源

• scripts/aggregate_signals.py -- 主聚合脚本，包含 CLI 接口
• references/signal-weighting-framework.md -- 默认权重和评分方法的依据
• assets/default_weights.yaml -- 默认 skill 权重配置

核心原则

1. 来源追踪 —— 每条汇总信号都会关联到其来源技能和原始参考
2. 透明呈现矛盾 —— 标记而非隐藏相互冲突的信号，以便做出明智的决策
3. 权重可配置 —— 默认权重反映了典型的可靠性，但可按用户自定义
4. 去重但不丢失信息 —— 合并后的信号仍保留对所有原始来源的引用
5. 输出可执行 —— 提供经过排序的列表，其中每个想法都包含清晰的股票代码、方向和时间范围
6. 幂等聚合 —— 重新摄取相同证据绝不会抬高分数；只有来自不同技能且对应不同事件的信号一致时，才计为一致性加分
7. 严格的分数验证 —— NaN/无穷大、负数和超出范围的分数都会被拒绝并报告，绝不会被转换为最高置信度