Profile Agent —— 交易者画像生成器
根据风险偏好、持仓周期等问卷输入，自动生成交易者画像，输出权重调整量与可读叙事，为多智能体交易系统提供个性化配置。
SKILL.md声明规则模式下无外部API调用，LLM为可选依赖，数据流披露基本清楚；但未提供最小权限说明、确认机制、回滚或敏感数据处理细节（profile_id虽为SHA-256但未说明含哪些输入）。扣分：权限/确认/回滚与归因不完整。
persona.md描述了确定性规则路径、delta范围约束[-0.15,+0.15]和权重重归一化，自洽性尚可；但仓库提供的测试样例均未覆盖profile_agent关键路径，异常输入的错误处理与失败反馈未见，扣分。静态审查上限10，仅给9。
5题问卷、输入schema和输出JSON格式定义清晰，触发场景（新手配置、直接查询权重）明确；但未声明非适用边界，无中文支持说明，LLM增强依赖境外OpenAI/Atlas服务，扣分。
SKILL.md结构简洁可读，依赖声明明确（可选openai_client）；但无版本号、changelog、FAQ、已知限制披露，维护责任与更新路径未在skill层面说明，扣分。
声称输出可直接使用的profile JSON（deltas+effective_weights+narrative），确定性规则路径有一定边际价值；但无任何代表性输出的可验证证据，rule矩阵本身未展示，扣分。静态上限7，仅给5。
仓库有CI工作流与测试套件，但均不针对profile_agent关键路径；规则矩阵、delta计算均为作者声明，无第三方执行证据，扣分。静态上限5，仅给4。
- 本评估为纯静态审查，未执行任何代码，profile_agent关键路径缺少专门测试覆盖。
- 规则矩阵未展示，delta计算与narrative标签的正确性无法独立核验。
- LLM增强模式依赖境外API（OpenAI/Atlas Cloud），中国大陆网络环境下该路径可能不可达；规则模式不受影响。
- 发布者未经FollowSkills企业注册库验证，身份视为未知；请自行核实仓库维护活跃度。
- profile_id由输入+来源+时间戳哈希生成，具体输入范围未披露，注意隐私敏感性。
这个 Skill 能做什么，适合哪些场景？
Profile Agent 是 olaxbt/ai-market-maker（AIMM）仓库中 14 个技能之一，位于 src/agents/profile_agent/SKILL.md。它读取一份包含风险承受度、时间周期、偏好信号、杠杆舒适度、资产范围等字段的问卷，通过内置规则矩阵生成画像：包括权重增量（deltas）、生效后的最终权重和一段解释性叙事。规则模式下不依赖任何外部 API，可选接入 LLM（Hermes/OpenAI）获得增强模式。它不执行交易、不获取行情数据，只负责把'你是什么类型的交易者'翻译成系统可用的参数配置。
接收结构化问卷（POST /profile-agent，字段含 risk_tolerance、time_horizon、preferred_signals、leverage_comfort、assets）；运行内置规则矩阵，为每种风险/周期/信号组合计算权重增量；返回包含 deltas、effective weights 和 narrative 的画像 JSON；支持直接自然语言提问（如'为一个保守型波段交易者生成画像'）；可选调用 llm/openai_client.py 进入 LLM 增强模式，规则模式下零外部调用。
- 个人加密交易者在接入 AIMM 系统前，想根据自己的风险承受度和波段/日内偏好生成一套初始权重配置
- 量化团队为新用户或新策略做 onboarding，用问卷接口批量生成不同风险档位的画像参数
- 交易教育者或社区运营者向学员演示'激进型抢帽子 vs 保守型波段'在权重上有什么差异
- 开发者在自己的 agent 流程中调用 /profile-agent 端点，把用户偏好转成下游模块可消费的 JSON
- 不希望把问卷数据发给第三方 API 的用户，可选择纯规则模式（无外部 API 调用）生成画像
这个 Skill 有哪些优点和局限？
- 纯规则模式下零外部依赖、零 API 调用，画像生成快且可离线复现
- 输出结构化（deltas + effective weights + narrative），可直接被下游系统消费，也附带人类可读解释
- 支持结构化问卷和自然语言两种入口，降低使用门槛
- LLM 增强模式为可选，不想引入 OpenAI 依赖也能完整使用核心功能
- 规则矩阵的具体权重逻辑未在文档中公开，无法独立评估画像是否合理
- 仅做画像/参数生成，不涉及回测验证，画像权重与实际收益之间没有文档化的证据
- 作为 AIMM 仓库的一个子技能，脱离该 monorepo 的 Python 环境后如何独立部署未在文档中说明
- LLM 增强模式的效果与失败行为缺乏描述
如何安装这个 Skill？
该技能随整个 AIMM 仓库分发：git clone https://github.com/olaxbt/ai-market-maker.git，进入仓库后按 README 执行 pip install uv && uv sync --extra dev（仓库级依赖，需 Python 3.11+）。技能文件本身位于 src/agents/profile_agent/SKILL.md。若使用 OpenClaw，可运行 claw install https://github.com/olaxbt/ai-market-maker。注意：README 未单独说明 profile_agent 这个子技能的独立安装步骤，只描述了整个仓库的安装。
如何使用这个 Skill？
两种方式：1) HTTP 查询——POST /profile-agent，body 示例：{"risk_tolerance": "moderate", "time_horizon": "swing", "preferred_signals": "technical", "leverage_comfort": "1-3x", "assets": "majors_only"}，返回含权重增量和叙事的画像 JSON。2) 直接提问——向 agent 输入'Generate a profile for a conservative swing trader'或'What weights would an aggressive scalper get?'。核心调用为 process(questionnaire)。如需 LLM 增强模式，配置 llm/openai_client.py；否则规则模式开箱即用。
这个 Skill 与同类方案有什么区别？
SKILL.md 与 README 均未将该技能与其他具体产品对比。README 仅提到仓库整体以 LangGraph 编排、所有 agent 遵循统一的 Input → Process → Output → Feedback 接口，可作为评估其架构一致性的参考，但没有可引用的直接竞品。