这个 Skill 能做什么，适合哪些场景？
这是 olaxbt/ai-market-maker（AIMM，代理式对冲基金操作系统）仓库中的一个独立技能，位于 src/agents/operator/2.1_pattern_recognition_bot/。它读取内部 OHLCV K线和预先计算的卡尔曼滤波估计，调用 src/ta/pattern_engine.py 的形态检测逻辑，输出形态标签、setup 评分、支撑位和推理说明。查询方式既可以是程序化的 analyze(ticker, market_data) 调用（返回 Tier-0 合约），也可以是自然语言直接提问，还可以通过 /pattern_recognition_bot?ticker=BTC/USDT 这类查询接口获取结果。它只做识别与评分，不执行交易、不管理仓位；整个仓库采用 AGPL-3.0 许可证，商用或网络化部署需注意其开源义务。
接收 ticker 和行情数据，调用 pattern_engine.py 进行形态检测；读取内部 OHLCV K线与预计算的卡尔曼滤波估计；回答诸如“BTC 正在形成什么形态？”“支撑位在哪里？”之类的直接提问；通过 /pattern_recognition_bot?ticker=BTC/USDT 返回 setup 评分、形态标签、支撑位和推理说明；以 analyze(ticker, market_data) 形式输出符合 Tier-0 合约的结构化结果。
- 加密货币日内交易者在开仓前想快速确认某交易对当前正在形成的技术形态及关键支撑位。
- 量化研究者在构建多代理交易流水线时，需要一个标准化的形态识别节点，输出可被下游风控或组合管理模块消费的 Tier-0 合约。
- 使用 AIMM 平台的用户希望与技术分析台（Technical TA Engine）配合，对 BTC/USDT 等交易对做形态层面的诊断。
- 个人投资者想知道某个标的的支撑位在哪里，但不想手动翻看K线图。
如何安装这个 Skill？
- 静态审查，未执行任何代码；所有可靠性结论均基于源码阅读。
- 技能文档未声明权限边界、失败反馈与回滚机制，使用前请自行审查 src/ta/pattern_engine.py 实际行为。
- Setup评分与形态标签的正确性未经独立验证，不应直接作为交易依据；仓库自己也声明单一回测盈利不等于真实edge。
- 核心agentic路径依赖海外LLM服务（OpenAI/Atlas Cloud），中国大陆用户可能不可达。
- 发布者身份未经验证，维护责任与更新路径仅在仓库层面隐含。
- Shell / 命令行
- 网络访问
- 本地文件系统
Python 3.11+TA-Lib
该技能是 ai-market-maker 仓库的一部分。安装整个仓库：git clone https://github.com/olaxbt/ai-market-maker.git && cd ai-market-maker，安装 uv（pip install uv），先安装 TA-Lib C 库（推荐用 conda：conda install -y ta-lib -c conda-forge），再运行 uv sync --extra dev。也可以通过 OpenClaw 安装：claw install https://github.com/olaxbt/ai-market-maker。技能文件位于 src/agents/operator/2.1_pattern_recognition_bot/SKILL.md。README 未单独说明该子技能的独立安装步骤。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/olaxbt/ai-market-maker.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/src/agents/operator/2.1_pattern_recognition_bot" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- BTC 正在形成什么形态？
- 支撑位在哪里？
三种方式：1）程序调用 analyze(ticker, market_data)，返回含形态与 setup 评分的 Tier-0 合约；2）自然语言直接提问，例如“BTC 正在形成什么形态？”或“支撑位在哪里？”；3）查询接口 /pattern_recognition_bot?ticker=BTC/USDT，返回 setup 评分、形态标签、支撑位和推理说明。
这个 Skill 有哪些优点和局限？
- 输出标准化（Tier-0 合约），易于接入下游风控、组合管理等模块。
- 同时支持自然语言提问和程序化调用两种接口。
- 依赖明确：pattern_engine.py 和卡尔曼滤波估计，不依赖外部付费数据源（使用内部 OHLCV）。
- 随仓库提供回测框架与基准对比，可检验整体系统表现。
- 仅为识别与评分技能，不具备执行交易、仓位管理或风控否决能力（那些属于仓库中的其他技能/模块）。
- SKILL.md 本身极简，未说明形态算法细节、评分标准或已知局限。
- 依赖内部 OHLCV 数据和预计算卡尔曼估计，独立于主仓库运行时数据接入方式未在文档中说明。
- README 中的回测结果为示例性质，作者自己也声明单一盈利回测不构成策略优势的证明。
- AGPL-3.0 许可证对网络化商用部署有额外开源义务。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| 模式识别机器人（Pattern Recognition Bot 2.1） 本页 | 42 · 不推荐 | ★ 2.1k | 2 个月前 | AGPL-3.0 |
| 技术分析引擎（Technical TA Engine） | 42 · 不推荐 | ★ 2.1k | 2 个月前 | AGPL-3.0 |
| TradingView MCP 智能交易助手 | 50 · 谨慎使用 | ★ 5.1k | 12 天前 | MIT |
| 新闻叙事挖掘器（News Narrative Miner） | 46 · 谨慎使用 | ★ 2.1k | 2 个月前 | AGPL-3.0 |
| Lighter 交易技能包 | 57 · 谨慎使用 | ★ 67 | 2 个月前 | MIT |
FollowSkills 如何评估这个 Skill？
该技能为只读分析型代理（模式识别、支撑位、Setup评分），无外部副作用、无凭证需求，数据流（内部OHLCV+Kalman预计算）有披露；但SKILL.md自身未说明权限边界、确认机制或回滚路径，扣分。
输出契约（tier0/v1 JSON）与persona中的few-shot一致，仓库含Tier-0共识测试与确定性fixture覆盖pattern字段（setup_confidence_score、kalman_support），但本技能专属的关键路径（src/ta/pattern_engine.py、/pattern_recognition_bot端点）未见针对性测试，异常输入的失败反馈未描述，扣分。
场景清晰（加密行情形态识别、支撑位查询），触发示例明确；但未声明不适用范围（如非加密资产、低数据量），仅英文，未说明中国大陆可达性问题（依赖OpenAI/Atlas等海外LLM时受影响），扣分。
文档可读、契约明确、依赖路径列出；但技能级无版本/变更记录、无FAQ/已知限制，维护责任仅在仓库层面隐含，AGPL-3.0许可在仓库层面明确，扣分。
README声称pattern desk参与加权仲裁并有回测结果，但本技能输出未经独立验证可用性，数值正确性（Setup评分质量）无法静态确认，相对替代方案（直接用TA-Lib）的边际价值证据有限，扣分。
存在CI工作流、pytest套件及覆盖pattern代理字段的确定性fixture，提供部分可审计材料；但无本技能关键路径的针对性测试证据，第三方独立复现缺失，扣分。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →