mlb-opponent-profiler

MLB 对手画像分析器

目录

• 示例
• 工作流
• 常见模式
• 防护措施
• 快速参考

示例

场景：第 5 周周一早晨。在又一个高活跃度周（7 次操作、花费 $14 补充球员、对阵以 4-1 获胜）后，更新 Springfield Isotopes（经理 Nikolay）的画像。

输入：

team_name: "Springfield Isotopes"
yahoo_session: <authenticated chrome context>
prior_profile:                       # from context/opponents/springfield-isotopes.md (Week 4)
  archetype: balanced
  archetype_confidence: 0.50
  posterior: {balanced: 0.42, stars_and_scrubs: 0.18, punt_sv: 0.02, punt_sb: 0.04,
              punt_wins_qs: 0.03, hitter_heavy: 0.12, pitcher_heavy: 0.08,
              inactive: 0.00, frustrated_active: 0.11, unknown: 0.00}

步骤 1 -- 抓取 Yahoo 页面（4 个页面）：球队索引、team_id=8 的球队页面、选秀结果，以及按 tid=8 筛选的交易记录。URL 见 methodology.md。

步骤 2 -- 提取 MLB 特征，得到：

sp_roster_share: 0.35; closer_count: 2; sb_speed_count: 4; power_bat_count: 6
moves_per_week: 3.3; faab_spent_pct: 0.32; faab_avg_bid: 2.5
lineup_set_daily: true; trade_offers_sent: 1; trade_offers_received: 0
record_last_2_weeks: "8-2-0"; days_since_last_login: 0

步骤 3 -- 调用 opponent-archetype-classifier：

archetype_taxonomy:            # see resources/template.md -- 10 archetypes
  balanced: {...}
  stars_and_scrubs: {...}
  ...
observed_features: <from step 2>
archetype_prior: <prior_profile.posterior>     # sequential: last week's posterior is this week's prior
observation_weight: 0.65        # Week 5 -- see methodology.md observation_weight_calibration
correlated_feature_pairs:
  - [moves_per_week, faab_spent_pct]            # active managers do both
  - [sp_roster_share, closer_count]             # they trade off

步骤 4 -- 分类器返回：

posterior:
  balanced:            0.58    # up from 0.42 -- evidence accumulating
  stars_and_scrubs:    0.12
  hitter_heavy:        0.10
  frustrated_active:   0.08    # record is winning, so frustrated_active down
  pitcher_heavy:       0.07
  punt_sb:             0.03
  punt_sv:             0.01
  punt_wins_qs:        0.01
  inactive:            0.00
  unknown:             0.00

map_archetype: balanced
classification_confidence: 37.7      # 0.58 * 0.65 * 100 -- still just under 40
best_response_hints:
  - "Match cat-for-cat; decided on execution"
  - "Include in N-estimate for every common-value FAAB target"
  - "Active manager -- probe for fair consolidation trades"

步骤 5 -- 读取现有的 context/opponents/springfield-isotopes.md，保留手动备注，并更新机器生成的部分：

“Summary”、“Apparent weaknesses”、“Best response”和“Open questions”部分包含用户手动撰写的备注——原样保留。仅刷新以下内容：

• YAML 前置元数据：last_updated、confidence、source_urls
• 第 2 节（类型）：archetype、archetype_confidence、archetype_evidence
• 第 3 节（类别强度）：cat_strength、presumed_punts、likely_pushes
• 第 4 节（行为）：activity_level、last_active、waiver_aggression、faab_remaining、faab_avg_bid_pct、trade_propensity

步骤 6 -- 在 signals/wk05-opponent-profiles.md 输出每周信号：

---
type: opponent_profile_summary
date: 2026-04-20
week: 5
emitted_by: mlb-opponent-profiler
confidence: 0.65
source_urls: [<11 team pages + transactions + teams>]
---
## Archetype shifts since Week 4
- Springfield Isotopes: balanced 0.42 -> 0.58 (confidence 0.50 -> 0.66). Nikolay continues active pattern, record confirms execution.
- Jennys Team: inactive 0.78 -> 0.84 (confidence 0.80 -> 0.85). Still zero moves. Profile hardening.
- ...9 more

## New reactivity triggers fired
- Team 7 (Kenyi) -- outbid us on Wade Miley at $14; shift `faab_avg_bid_pct` up

工作流

复制此检查清单并跟踪进度：

Opponent Profiler Progress (per team, x 11 for all_opponents):
- [ ] Step 1: Resolve team identity (team_name -> team_id, manager_alias)
- [ ] Step 2: Scrape 4 Yahoo pages for this team
- [ ] Step 3: Extract MLB-specific features (9 features; see template.md)
- [ ] Step 4: Load prior_profile.posterior as archetype_prior (sequential update)
- [ ] Step 5: Invoke opponent-archetype-classifier with 10-archetype MLB taxonomy
- [ ] Step 6: Compute cat_strength (0-100 per cat) from roster composition
- [ ] Step 7: Read existing context/opponents/<slug>.md; identify manual-notes sections
- [ ] Step 8: Write updated file atomically (preserve manual notes)
- [ ] Step 9: (at end of batch) Emit signals/wkNN-opponent-profiles.md summary

步骤 1：确定球队身份

输入可以是单个 team_name（不区分大小写，与规范的 Yahoo 球队名称进行模糊匹配），也可以是 all_opponents: true（遍历 team_ids 1-12，跳过用户自己的 team_id）。映射到 team_id 和 team-slug（小写并以连字符分隔）。

• 如果 team_name 与任何 Yahoo 球队都不匹配，则返回错误——不要猜测
• team-slug 必须与磁盘上的文件名 context/opponents/<slug>.md 匹配（如果文件不存在，则新建）

步骤 2：抓取 4 个 Yahoo 页面

准确的 URL 流程见 resources/methodology.md。所需页面：

• https://baseball.fantasysports.yahoo.com/b1/23756/teams -- 经理、最后登录时间、胜-负记录
• https://baseball.fantasysports.yahoo.com/b1/23756/<team_id> -- 阵容 + 剩余 FAAB
• https://baseball.fantasysports.yahoo.com/b1/23756/<team_id>/draftresults -- 选秀球员分布
• https://baseball.fantasysports.yahoo.com/b1/23756/transactions?tid=<team_id> -- 补入/弃用/出价/交易
• 每次抓取都要将准确的 URL 记录在 source_urls 中（用于引用）
• 如果任何页面返回 4xx/5xx 错误或认证失败，则优雅降级（见防护措施 #3）

步骤 3：提取 MLB 特征

根据抓取的页面计算。准确公式见 resources/methodology.md。

• sp_roster_share、closer_count、sb_speed_count、power_bat_count（阵容构成）
• moves_per_week、faab_spent_pct、faab_avg_bid（弃权名单活动）
• lineup_set_daily（布尔值——过去 7 天中，是否有被搁置但实际参加 MLB 比赛的球员？）
• trade_offers_sent、trade_offers_received
• record_last_2_weeks、days_since_last_login

步骤 4：按顺序更新先验

读取 prior_profile.posterior（如果提供），并将其作为 archetype_prior 传给分类器。这是关键的序贯贝叶斯步骤：上周的后验分布成为本周的先验分布。

• 如果没有 prior_profile，则使用分类体系的先验（仅第 1 周）
• 如果 prior_profile.posterior 的总和不等于 1.0，则进行归一化，并在 assumptions_flagged 中标记
• 观测权重随周数增加：Wk1-2 = 0.25，Wk3-4 = 0.45，Wk5-7 = 0.65，Wk8-11 = 0.80，Wk12+ = 0.90

步骤 5：调用 opponent-archetype-classifier 传入 resources/template.md 中的 10 类 MLB 分类体系，以及观测特征、先验和 observation_weight。请勿在此技能中重新实现贝叶斯数学计算。 分类器会返回 posterior、map_archetype、classification_confidence、best_response_hints、feature_contribution_breakdown、assumptions_flagged。

• 传入 correlated_feature_pairs（参见防护措施 #1）
• 如果分类器返回 map_archetype: "inconclusive"，则将分类写为 unknown，置信度使用返回值
• 不要覆盖或重新解读分类器的输出——原样存储

步骤 6：计算 cat_strength（每项 cat 为 0-100）

分类器会返回分类结果；每项 cat 的 10 个强度分数由另一个基于阵容的估算器计算（这是 MLB 专用内容，应保留在此技能中）。计算方法见 resources/methodology.md。

• 汇总阵容中每项 cat 的赛季预计总值
• 归一化至 0-100，其中 50 为联盟平均水平
• 得出 presumed_punts：分数 < 35 的 cat
• 得出 likely_pushes：分数 > 65 的 cat

步骤 7：读取现有文件，识别手动笔记部分

重要：此技能绝不会覆盖手动编写的笔记。 参见 resources/methodology.md。

• 打开 context/opponents/<slug>.md；如果文件不存在，则根据模板生成新文件
• 原样保留第 1 节（摘要）、第 5 节（明显弱项 / 优势项）、第 6 节（最佳应对）、第 8 节（反应触发条件）、第 9 节（待解决问题）
• 仅更新：frontmatter（last_updated、confidence、source_urls）、第 2 节（分类）、第 3 节（类别强度）、第 4 节（行为特征）、第 7 节（对战历史——如果曾与其交手）

步骤 8：以原子方式写入文件

• 写入临时文件 <slug>.md.tmp，执行 fsync，然后重命名
• 重命名前，根据 yahoo-mlb/context/frameworks/opponent-profile-schema.md 中的 frontmatter 和章节顺序验证输出

步骤 9：生成信号文件

在全部 11 次更新完成后（针对 all_opponents: true 模式），生成 signals/wkNN-opponent-profiles.md。格式见 resources/template.md。

• 包含自上周以来变化幅度 > 0.05 的所有分类后验概率
• 包含所有变化幅度 > 0.10 的置信度
• 列出本周触发的所有反应触发事件

常见模式

模式 1：inactive（不活跃的经理——例如 Jenny's Team）

• 信号：moves_per_week < 0.5、faab_spent_pct < 0.05、days_since_last_login > 3 或 lineup_set_daily = false
• 最佳应对：不要将其纳入 N 竞标者的 FAAB 估算。发送整合型交易报价。预计其阵容会逐渐衰退——逐周利用其忽视阵容的劣势。
• 置信度快速提升：不活跃特征明确；预计到第 4 周时 archetype_confidence 会超过 0.80。

模式 2：punt_wins_qs（Marmol 策略——全打者阵容 + 仅 RP 的投手组）

• 信号：sp_roster_share < 0.25、closer_count >= 3、moves_per_week > 3（轮换球员以提升打者表现）
• 最佳应对：放弃 K 和 QS（免费输掉两个类别）；锁定剩余 8 个类别中的 6 个。不要对他们使用 SP 轮换策略。

模式 3：punt_sv（没有终结者，拥有精英 SP + 打击阵容）

• 信号：closer_count = 0、sp_roster_share > 0.40、在第 1–3 轮选中了高端 SP
• 最佳应对：放弃 SV；全力争取全部 5 个打击类别，以及 K、QS、ERA 和 WHIP。不要为了轮换球员而追逐终结者。

模式 4：frustrated_active（活跃但连败——有交易意愿的经理）

• 信号：moves_per_week > 4，且 record_last_2_weeks 的 W% < 0.35
• 最佳应对：优先考虑作为交易伙伴。他们会回应报价。瞄准他们状态下滑的明星球员（他们高价卖出，我们低价买入）。

模式 5：balanced（默认）

• 信号：没有明显的放弃策略；所有特征的阵容构成都在联盟平均值的 1 个标准差范围内
• 最佳应对：逐类别匹配；对决结果取决于每周执行情况。当我们处于劣势时，寻求高方差策略（matchup_win_probability < 0.40）。

规则

1. 分类器委派纯粹性。 此技能 MUST NOT 实现贝叶斯数学。如果发现自己在计算后验概率、似然或归一化，请停下——这些工作属于 opponent-archetype-classifier。此技能负责提供分类体系（MLB 专用）、特征提取（Yahoo 专用）和输出格式。除了“对预测的赛季总量求和以计算 cat_strength”之外，任何数学计算都值得警惕。

2. 必须保留手动笔记。 用户会手动撰写第 1、5、6、8、9 节，其中包含此技能无法复现的策略笔记（例如“Jennifer 的邮件被退回，建议通过私信试探”）。盲目覆盖这些章节会毁掉用户的工作。始终采用读取－修改－写入的方式。提交前验证差异：仅允许修改 frontmatter 和第 2、3、4、7 节。

3. 优雅处理抓取失败。 如果 Yahoo 页面返回 4xx/5xx，或会话未通过身份验证：不要猜测。将对应特征标记为 null，在 frontmatter 的 scrape_errors: 块中记录失败的 URL，并将 confidence 降低 0.2。仍应生成档案，只是置信度较低。有部分档案总比没有好。

4. 遵守顺序更新原则。 上周的后验概率始终作为本周的先验概率。不要每周都从分类体系的先验概率重新开始（那会丢弃 1-4 周的证据）。唯一例外：如果 prior_profile.confidence < 0.20，则重新开始（先前的档案基本不可信）。

5. 处理相关特征。 moves_per_week 和 faab_spent_pct 高度相关（活跃的经理两者都会做）。将 correlated_feature_pairs 传给分类器，以便降低其权重。sp_roster_share 和 closer_count 也同样如此（它们受阵容名额限制而相互取舍）。

6. 不得根据原型臆造 cat_strength。 cat_strength 是一个基于实际阵容组成的独立估算值，而非从 archetype 推导而来。balanced 球队如果外野手阵容较弱，其 SB 就低于平均水平；不要用“balanced = 各项都在 50 左右”来掩盖这一点。应根据阵容计算。

7. unknown 是有效的原型。 当 classification_confidence < 40 时，写入 archetype: unknown，并让 archetype_confidence 体现分类器的输出。证据不足时不要强行选出 MAP。下游 Agent 会在遇到 unknown 时回退到宽泛的启发式方法。

8. 引用要求。 每份生成的档案都必须在 source_urls 中列出准确的 Yahoo URL。每周信号文件必须列出全部 11 支球队的所有 URL（球队页面 URL 去重）。

9. 单次模式与全部对手模式。 单队刷新（收到交易报价、观察到 FAAB 竞争时）只生成档案文件，不生成每周汇总信号。只有在全部 11 次刷新完成后，才生成每周汇总信号。

10. 球队 slug 保持稳定。 slug 由球队名称转为小写并以连字符连接，在整个赛季中保持稳定（例如 jennys-team、springfield-isotopes）。如果经理在赛季中途更改球队名称，保留原 slug，并在 frontmatter 中存储新的 team_name；不要重命名文件（这会破坏下游 Agent 的引用）。

快速参考

管道一行命令：

scrape_yahoo(4_pages) -> extract_mlb_features -> invoke(opponent-archetype-classifier,
  taxonomy=mlb_10_archetype, prior=last_week_posterior, observation_weight=f(week))
  -> compute_cat_strength(roster) -> read_existing_md -> merge_preserve_notes
  -> atomic_write -> [if all_opponents] emit_weekly_signal

MLB 10 种原型分类（内置）：

原型	核心信号	先验概率（第 1 周）
balanced	不放弃任何类别，全面争取各项数据	0.25
stars_and_scrubs	4-5 名精英球员 + 替补席实力薄弱	0.10
punt_sv	没有终结者，其他位置阵容充实	0.10
punt_sb	进攻只依赖力量型表现	0.10
punt_wins_qs	先发投手阵容单薄，重用后援投手（Marmol）	0.05
hitter_heavy	sp_roster_share < 0.30	0.10
pitcher_heavy	sp_roster_share > 0.45	0.10
inactive	没有任何操作，阵容过时	0.10
frustrated_active	操作频繁 + 战绩不佳	0.05
unknown	未达到明确判定阈值	0.05

先验概率之和为 1.00。根据 12 队联赛的基准发生率设置为有依据的分布（而非均匀分布）。

观测权重安排：

周次	权重	理由
1-2	0.25	只有选秀证据，噪声较大
3-4	0.45	首批弃留球员操作已可见
5-7	0.65	模式逐渐稳定
8-11	0.80	行为特征已较为明确
12+	0.90	剩余疑点均属真正的模糊情况

关键资源：

• resources/template.md：10 种原型分类的 MLB YAML（传递给分类器）、每个对手的 .md 输出模板（符合 opponent-profile-schema.md），每周摘要信号模板。
• resources/methodology.md：Yahoo 抓取 URL 流程、特征提取公式、cat_strength 估算器、读取-修改-写入协议、顺序更新协议、优雅降级处理。
• resources/evaluators/rubric_mlb_opponent_profiler.json：10 项质量标准（分类完整性、特征提取正确性、Yahoo 抓取覆盖率、分类器委派纯度、输出架构符合度、保留手动备注、顺序更新正确性、信号文件生成、抓取失败时的优雅降级、引用）。

所需输入：

• team_name（字符串，单支球队）或 all_opponents: true
• yahoo_session（已认证的 Chrome 上下文）
• prior_profile（可选；如果缺失，则根据分类先验概率进行初始化）

生成的输出：

• 更新后的 context/opponents/<team-slug>.md（每支已刷新的球队一份）——保留手动备注
• signals/wkNN-opponent-profiles.md（仅限 all_opponents 模式）——原型变化 + 置信度变化 + 反应性事件摘要

下游使用方（5 个 Agent）：

• mlb-lineup-optimizer——读取 §3 cat_strength + §6 best_response，以进行 leverage_vs_opponent 分析
• mlb-category-state-analyzer——读取 §2 原型 + §3，预测对手的争取或放弃策略
• mlb-faab-sizer——读取所有 11 支球队的 §4（waiver_aggression、faab_remaining），估算竞标人数
• mlb-trade-analyzer——读取 §4（trade_propensity、trade_cooperation_score）+ §5 弱项
• mlb-fantasy-coach——读取本周对手的 §6，用于生成晨间简报