Stock Prediction Skill#

自动化股票预测工作流，处理从图片提取股票代码到执行预测并返回结果的完整流程。

触发条件#

当同时满足以下条件时触发：

1. 用户发送了1张或多张包含股票代码的图片
2. 用户消息中包含关键词："预测"、"未来x天"、"采样次数"

执行流程#

Step 1: 预处理与即时反馈#

日期计算：

• 获取当前系统日期（Today）
• 解析"未来 N 天"： 开始时间 = Today + 1天，格式固定为 YYYY-MM-DD
• 解析"采样次数"：提取数字

即时回复用户：

text

收到{图片数量}张图片，预测开始时间：{开始时间}，采样次数：{采样次数}。

数据持久化：

• 目录： C:\Users\Administrator\Desktop\kronos\predict\{MMDD}\（以当前月日命名文件夹）
• 文件名： {HHmmss}.txt（以当前时分秒命名）
• 内容：识别图片中所有股票代码，每行一个

Step 2: 服务健康检查 (Self-Healing)#

调用接口： GET http://localhost:8000/health

逻辑分支：

• 若返回 status: healthy → 执行 Step 3
• 若连接失败或状态异常：
  • 打开终端，切换至 C:\Users\Administrator\Desktop\kronos\kronos-ai\backend
  • 执行： conda activate my_project_env && python .\main.py
  • 等待 10 秒后重新检查 /health，直到正常

Step 3: 模型版本校验与切换#

检查当前模型： 查看 Step 2 返回的 model.model 是否为 kronos-base

切换逻辑： 若当前模型不是 kronos-base，调用：

bash

curl -X 'POST' 'http://localhost:8000/model/switch' \
  -H 'Content-Type: application/json' \
  -d '{"model_name": "kronos-base"}'

确认返回 success: true

Step 4: 执行预测脚本#

环境准备： 切换至目录 C:\Users\Administrator\Desktop\kronos\kronos-ai

指令发送：

bash

conda activate my_project_env && python .\batch_predict.py --start_date {开始时间} --samples {采样次数}

{开始时间} 和 {采样次数} 使用 Step 1 中解析的变量

Step 5: 结果回传#

定位结果文件：

• 路径：Step 1 的同级目录
• 文件名： result_{Step1生成的文件名}（例如 result_143022.txt）

读取与回复：

• 确认文件内容不为空
• 将文件内的全部预测结果文本直接发送给用户

辅助脚本#

• scripts/health_check.py - 服务健康检查与自启动
• scripts/model_switch.py - 模型版本校验与切换
• scripts/run_prediction.py - 执行批量预测脚本

路径常量#

python

WORK_DIR = "C:\\Users\\Administrator\\Desktop\\kronos"
BACKEND_DIR = f"{WORK_DIR}\\kronos-ai\\backend"
PREDICT_DIR = f"{WORK_DIR}\\kronos-ai"
OUTPUT_BASE = f"{WORK_DIR}\\predict"
HEALTH_URL = "http://localhost:8000/health"
SWITCH_URL = "http://localhost:8000/model/switch"
TARGET_MODEL = "kronos-base"
CONDA_ENV = "my_project_env"