企业官网建设流程全解析

• AI 技能
• AI 插件
• 金融科技

本篇技术指南围绕 UZI-Skill 仓库中的commands/scan-trap.md展开，系统讲解"杀猪盘体检任务"从命令触发、8 信号扫描、风险评级到结果输出的完整链路，并结合仓库内trap-detectorskill 及其底层fetch_trap_signals.py实现，说明它如何在 A 股/港股/美股分析场景中帮助投资者识别"大量账号荐股、老师带单、付费社群引流"等资金套路。读完你将掌握该命令的调用方式、每个信号的判定标准、评级与加权的计算逻辑，以及它在完整分析流水线（Dimension 18）中的真实实现位置。

一、命令定位：一条命令完成"杀猪盘体检"

scan-trap是 UZI-Skill 提供的专项体检命令，专门用于回答一个高频问题：这只股票是不是杀猪盘？有没有被资金套路？其定义位于commands/scan-trap.md的 frontmatter：

description: 单独检查一只股票是不是杀猪盘 / 有没有被资金套路 argument-hint: "[股票名称或代码，可附加描述如「朋友推荐我买」]"

从参数提示可以看出两点关键设计：

• 入参灵活：既可以是股票名称（如"贵州茅台"），也可以是代码（如002273.SZ、600519.SH）。附加的自然语言描述（如"朋友推荐我买"）会被保留并参与后续关键词加权判断。
• 命令即任务模板：文档正文将命令体定义为"杀猪盘体检任务"，核心动作是加载trap-detectorskill 并执行 8 信号扫描，即命令本身是 skill 的入口封装，而不是独立的业务逻辑。

在 README 的快捷入口中，该命令的典型用法为:scan-trap 002217（README.md），用于单独排查单只标的；它也可以作为/stock-deep-analyzer:scan-trap <ticker>子命令出现在分析工作流中（README.md）。

命令执行后必须输出三部分内容：

1. 风险评级：🟢 安全 / 🟡 注意 / 🟠 警惕 / 🔴 高度可疑；
2. 每个信号的具体证据（而非只给结论）；
3. 给用户的明确建议。

二、触发场景：什么时候该跑 /scan-trap

trap-detectorskill 的SKILL.md明确了三类触发场景，/scan-trap命令属于第三类的显式入口：

这一设计意味着：即使 Agent 在闲聊或提问中捕捉到"群里说""老师带"这类话术，也会自动唤起杀猪盘检测流程，而不是等用户主动发起命令。

三、8 信号扫描清单：判定维度全景

SKILL.md给出的 8 个信号构成了杀猪盘检测的完整维度骨架，每个信号对应一种典型的资金套路特征：

SKILL 还给出了每个信号在搜索引擎中的检索式模板，例如信号 2 搜"{name} 即将爆发"、"主力建仓完毕"、"目标翻倍"，信号 8 搜"{name} 谣言"、"{name} 辟谣"。这些模板与底层实现的查询构造一一对应（见下文第四节）。

四、信号级判定标准：八个信号的命中细则

trap-detector的参考文档references/eight-signals.md把每个信号进一步细化为可执行的判定标准，这是扫描时逐条核对的依据：

信号 1 · 大量低质量账号同时推荐

• web search"{name} 推荐"返回 ≥ 10 个标题相似的内容；
• 内容来自 0–100 粉的小号 / 新建公众号；
• 推荐时间集中在近 7–30 天。
• 证据收集：列出 3–5 个示例 URL 及账号 metric。

信号 2 · 推荐话术模板化关键词清单出现 ≥ 2 个即命中："即将爆发" / "重大利好"、"主力建仓完毕" / "庄家洗盘结束"、"目标翻倍" / "目标价 XX 元"、"最后上车机会" / "错过等十年"、"底部反转信号" / "技术面突破"、"内部消息" / "知情人爆料"。

信号 3 · 付费社群 / VIP 直播间引流

• 搜索"{name} 微信群"、"{name} 直播间"、"{name} VIP"命中；
• 推荐内容附带二维码 / 加群链接 / 老师微信；
• 抖音 / 快手直播间出现该股。

信号 4 · 基本面与热度脱节（任一命中即触发）

• 公司亏损或 ROE < 5%，但近 30 天讨论量翻倍；
• 行业景气度下行，但股价异动；
• 财务造假嫌疑（应收账款 / 存货异常）+ 推广热度高。
• 验证方式：调fetch_financials和fetch_sentiment交叉验证。

信号 5 · K 线异常配合

• 推荐密集期前 30–60 天内已有 ≥ 50% 涨幅；
• 推荐密集期出现放量横盘 / 拉升出货特征；
• 大宗交易折价 + 推广同时发生。
• 验证方式：调fetch_kline+fetch_capital_flow验证。

信号 6 · "老师 / 股神"人设推广关键词如"X 老师"、"操盘手 X"、"内部老师"、"打板高手"；配图常为豪车 / 名表 / 高额对账单截图；历史"战绩"无法验证（无龙虎榜、无实盘账户）。

信号 7 · 跨平台联动推广在 ≥ 3 个平台同时找到推荐：小红书、抖音 / 快手、B 站、知乎、公众号矩阵、Twitter / 微博。

信号 8 · 虚假研报 / 伪造消息

• 搜索"{name} 谣言"/"{name} 辟谣"命中公司公告；
• 网传研报无券商水印 / 无分析师签名；
• 公司主动澄清传闻。

五、底层实现：Dimension 18 与fetch_trap_signals.py

scan-trap并非孤立脚本，它在 deep-analysis 流水线中对应Dimension 18（18_trap）。核心实现位于skills/deep-analysis/scripts/fetch_trap_signals.py，其模块 docstring 明确写着"Dimension 18 · 杀猪盘检测 — 真实 web search 扫描 8 信号"。

5.1 信号表的程序化定义

源码用SIGNALS列表把 8 个信号映射为检索式 + 命中关键词的组合（fetch_trap_signals.py），例如：

{ "id": 2, "name": "推荐话术模板化", "queries": ["{name} 主力建仓完毕 即将爆发", "{name} 翻倍 目标价"], "positive_kws": ["即将爆发", "主力建仓完毕", "翻倍", "目标翻倍"], }, { "id": 3, "name": "付费社群/VIP直播间引流", "queries": ["{name} 股票 微信群", "{name} 老师 带单 VIP 直播间"], "positive_kws": ["微信群", "VIP 直播", "老师带", "收费群", "加入群聊"], },

可以看到，第四节人工判定标准中的关键词（"即将爆发""主力建仓完毕"等）在这里被编译成了positive_kws列表，由代码直接做子串匹配。

5.2 扫描主流程

main()函数（fetch_trap_signals.py）的执行逻辑为：

1. 名称解析：若入参是纯数字/带后缀的代码（如002273.SZ），调用parse_ticker+fetch_basic解析出股票名称，确保检索式以中文名展开；
2. 逐信号检索：每个信号只取第一条查询模板（sig["queries"][:1]，注释说明是为节省搜索调用量），调用search(q, max_results=3)；
3. 关键词命中统计：把所有搜索结果正文合并后，统计positive_kws中命中的关键词数量，命中 ≥ 2 个关键词才计为该信号命中，并按命中数划分严重度（≥3 为 high，否则 medium）；
4. 证据收集：每个信号保留最多 2 条结果快照（title 截断 80 字符、body 截断 180 字符、url），写入snippets供报告引用。

5.3 搜索引擎封装：缓存、预算与超时

扫描依赖skills/deep-analysis/scripts/lib/web_search.py的统一搜索封装，该模块解决了三个实战问题：

• 缓存：所有查询以ws__{query[:100]}__n{max_results}为 key 走lib/cache.py，TTL 12 小时，重复扫描不重复计费；
• 预算保护：UZI_DDG_BUDGET环境变量可设置全局真实搜索次数上限，命中缓存不计预算（web_search.py），防止首次全量扫描导致搜索额度爆炸；
• 硬超时：DDGS 内部请求无超时，模块用独立线程 +UZI_DDG_TIMEOUT（默认 10 秒）兜底，避免代理/网络故障时卡死（web_search.py）。

此外，TRUSTED_DOMAINS_BY_DIM为18_trap配置了权威域白名单（web_search.py）：zhihu.com、weibo.com、xiaohongshu.com、douyin.com、tgb.cn、guba.eastmoney.com、cs.com.cn、nbd.com.cn——即杀猪盘证据的检索目标平台与权威媒体，可通过search_trusted(dim_key="18_trap")限定站点。

5.4 在流水线中的注册方式

在新版 pipeline 中，该维度通过 fetcher 注册表挂载为适配器（lib/pipeline/fetchers/registry.py）：

# 18_trap · 杀猪盘排查 "18_trap": _make_adapter( dim_key="18_trap", legacy_module="fetch_trap_signals", ... optional=["risk_score", "pump_dump_signals", "warning_flags", "trap_likelihood"], ),

其输出字段risk_score、pump_dump_signals、warning_flags、trap_likelihood会被TrapRenderer消费，在 HTML 报告中渲染为"⚠️ 杀猪盘排查"小节，按风险分着色并列出警示标记（lib/pipeline/renderer/trap.py）。

六、风险评级模型与 trap_score

扫描结果最终落到四档评级。SKILL 文档给出的评级表为：

eight-signals.md进一步给出了评级与trap_score（1–10，反向，越高越安全）的映射：

源码实现与之严格对应（fetch_trap_signals.py）：命中 ≤1 信号给 score=9 与"数据正常"话术；≤3 给 score=7；≤5 给 score=4 并以"强烈建议谨慎"开头；6+ 给 score=1，输出"强烈建议回避，疑似杀猪盘特征"。注意源码当前版本评分落在各档的固定档位（9/7/4/1），trap_score的 1–10 刻度为后续按命中数细分预留了空间。

七、用户关键词加权：识别"朋友推荐 / 老师带"话术

命令文档特别强调：如果用户提到"朋友推荐"、"群里说"、"老师带"等关键词，信号严重程度自动升一级。这对应 skill 的"用户关键词加权"机制，eight-signals.md给出了精确的权重表：

USER_KEYWORDS = { "朋友推荐": 1, "群里": 1, "老师": 1, "带我": 1, "内幕": 2, "稳赚": 2, "必涨": 1, "翻倍": 1, "稳赚不赔": 2, "包赚": 2, } # 命中后将 trap_score 直接降 N 档

SKILL 文档对权重的表述为：

• "朋友推荐我" / "群里有人说" / "老师带我" →+1 级；
• "内幕消息" / "稳赚不赔" →+2 级；
• "必涨" / "翻倍" / "暴涨" →+1 级。

其设计意图是：来自社交推荐的用户往往处于弱信息位置，对套路的警惕性更低，因此同样的扫描结果需要给出更保守的结论。这就是argument-hint中"可附加描述如「朋友推荐我买」"的价值所在——输入上下文直接参与风险判定。

八、输出格式与完成检查

扫描结果的推荐输出为 JSON（SKILL.md）：

{ "ticker": "...", "trap_score": 1-10, // 反向，越高越安全 "trap_level": "🟢 安全", "signals_hit": [ { "id": 3, "name": "付费社群引流", "evidence": "搜索发现 5 个公众号同期推送 VIP 群入口", "severity": "high", "sources": ["url1", "url2"] } ], "user_keyword_boost": 1, "recommendation": "🟢 未发现明显推广痕迹，可正常分析。但任何投资都需自己判断。", "warning_phrases": ["..."] // 给用户的明确警告（如有） }

skill 内置的"完成检查"清单约束了输出质量底线：

• 8 个信号每个都给出"命中 / 未命中 / 数据不足"；
• 至少有 1 条具体证据 URL（除非全部安全）；
• recommendation必须有，不能为空；
• 如果 ≥ 4 信号，必须用"强烈建议谨慎"或"强烈建议回避"开头。

这些约束与源码输出字段一一对应：signals_hit_detail携带命中信号与证据关键词、snippets携带可追溯的 URL 快照、recommendation按档位生成固定话术（fetch_trap_signals.py）。

九、在完整分析流水线中的位置与运行方式

9.1 与 deep-analysis 的协作关系

trap-detector的 metadata 声明了related_skills: [deep-analysis]，即它既可以独立使用，也可以作为深度分析的第 18 个维度嵌入完整报告。在完整流水线中，信号 4、5 需要调fetch_financials/fetch_sentiment/fetch_kline/fetch_capital_flow交叉验证，这些数据均来自 deep-analysis 的数据层。

9.2 独立运行方式

仓库根目录的run.py提供一键入口（本地分析 + 浏览器打开）：

python run.py 002273.SZ # 本地分析，浏览器打开 python run.py 600519.SH --remote # 分析完用 Cloudflare Tunnel 映射公网 python run.py AAPL --no-browser # 不打开浏览器（Codex/CI 环境）

针对单独的杀猪盘排查，可直接按 README 的快捷用法:scan-trap 002217触发；在安装了 Hermes 的环境里，也可先通过hermes skills install安装trap-detector子 skill 再调用（参见 INSTALL-HERMES.md）。

9.3 适用前提与边界

• 依赖网络搜索：8 信号扫描基于真实 web search（默认 ddgs），需要网络可用；UZI_DDG_BUDGET、UZI_DDG_TIMEOUT可分别控制成本与超时。
• 证据导向而非定性结论：评级依据是"命中信号数 + 用户关键词加权"，输出必须附证据 URL，供用户自行核实。
• 不构成投资建议：SKILL 中的推荐话术（如"未发现明显推广痕迹，可正常分析。但任何投资都需自己判断"）明确将结论限定在"异常推广迹象"层面，风险评级反映的是套路特征而非股票涨跌预测。

十、小结

/scan-trap是 UZI-Skill 中"风险排查"能力的代表性命令：它以 8 信号扫描为骨架，以真实网络检索为证据来源，以四档风险评级和用户关键词加权为决策模型，形成了从"一条命令 + 一句话描述"到"结构化证据清单 + 明确建议"的完整闭环。无论作为独立体检工具，还是作为 deep-analysis 流水线的 Dimension 18，其核心价值都在于把"这是不是杀猪盘"这种模糊的直觉问题，转化为可检索、可复现、可追溯的信号化判定过程。

如果你想进一步深入，可以继续阅读 skills/trap-detector/SKILL.md（skill 全量触发与输出约束）、skills/trap-detector/references/eight-signals.md（逐信号判定细则）、skills/deep-analysis/scripts/fetch_trap_signals.py（Dimension 18 实现）以及 skills/deep-analysis/scripts/lib/web_search.py（检索封装、缓存与预算机制）。

• AI 技能
• AI 插件
• 金融科技