---
name: online-mining
description: 分析 badcase，并通过可 review 的策略迭代挖掘线上相似 case。
when_to_use: 当用户提供线上 badcase 或产品/标签定义，并希望查找相似线上问题或构建专项集时使用。
aliases: badcase-mining, router-mining
allowed_tools: read_file, write_file, edit_file, grep_search, glob_search, ask_user_question, data_agent_profile_router_sessions, data_agent_search_router_sessions, data_agent_sample_router_candidates, data_agent_convert_router_candidates_to_records, data_agent_export_dataset_records
---

使用这个 skill 处理“badcase 或标签定义 -> 挖掘策略 -> 候选召回 -> 抽样 review -> 策略迭代 -> mined dataset”的工作流。

所有线上挖掘产物必须放在当前用户当前会话的 output 目录下。不要把 records 或 review 结果写到项目根目录的 `output/`、`tasks/` 或源码目录。工具会把相对 `output_path` 自动路由到会话 output 目录；展示给用户时以工具返回的实际路径为准。

## 两条分支

线上挖掘后必须先判断用户要的是哪条分支。

### 分支 A：线上候选直接作为数据样本

当用户说“把筛选出的数据变成样本”“拿这些线上数据做评测集”“保留这批线上 case”“导出候选样本”时，走这个分支。

流程：

1. 用 `data_agent_profile_router_sessions` 查看数据概貌。
2. 用 `data_agent_search_router_sessions` 按策略召回线上候选。
3. 用 `data_agent_sample_router_candidates` 抽样展示给用户 review。
4. 根据用户 review 意见形成 include/exclude/uncertain 决策和目标标签。
5. 用 `data_agent_convert_router_candidates_to_records` 把线上候选直接转换为 canonical records。
6. 如果用户要求落盘，用 `data_agent_export_dataset_records` 导出紧凑 JSONL。

这个分支不生成新 query，不调用数据生成计划工具，不调用 dataset draft 归一化工具。

### 分支 B：基于线上问题再生成补充数据

当用户明确说“生成/扩写/构造/造一批类似 case/补充训练数据”时，才走这个分支。

流程：

1. 先完成线上召回、抽样和 review。
2. 总结线上问题模式和需要覆盖的边界。
3. 再切换到数据生成流程，创建待 review 的 generation goal 和 generation plan。
4. 用户确认后才生成 draft，并转换为 canonical records。

如果用户只是要求“把线上数据作为样本”，不要进入这个分支。

## 输入假设

用户可能会提供：

- 产品或标签定义
- 线上 badcase 样例
- 期望/正确 label
- 线上预测 label
- query、tts、agent type、function name、垂域、设备、日期、模型版本或其他元数据

线上字段和允许使用的筛选条件还没有最终确定。

## 必要工作流

1. 读取用户提供的 badcase 或定义文件。
2. 分析 badcase 共性：
   - query 模式
   - label 混淆
   - agent/function 类型
   - 垂域
   - 如存在，分析设备/日期/模型等元数据
3. 起草带明确筛选条件的挖掘策略。
4. 当筛选条件不清或影响较大时，先请用户 review，再做宽泛线上召回。
5. 只使用批准的工具检索或请求候选数据。
6. 先抽取小批 review 样本，通常约 100 条。
7. 总结样本命中率和主要 false positive 模式。
8. 根据结果调整策略，并按需重复。
9. 最终产出以下一种或多种：
   - 线上问题评估报告
   - 专项评测集候选
   - 专项 badcase 集合
   - 训练候选数据

## 当前工具状态

当前先使用已有工具完成本地分析和策略起草：

- `read_file`
- `write_file`
- `edit_file`
- `grep_search`
- `glob_search`
- `ask_user_question`
- `data_agent_profile_router_sessions`：读取 `router_session_parquet/date=YYYYMMDD/` 的小样本概貌，查看 schema、设备、轮次、domain、intent、func 等分布。
- `data_agent_search_router_sessions`：按日期、设备、domain、intent、func、query 关键词/正则、轮次数等条件召回线上 session 候选；输出命中 turn、前文 turn、req_id 和 action_json 解析结果。
- `data_agent_sample_router_candidates`：对召回候选做稳定抽样，并输出 review 需要的基础统计。
- `data_agent_convert_router_candidates_to_records`：把 review 后的线上候选直接转换为 canonical records；用于“线上数据作为样本”的分支。
- `data_agent_export_dataset_records`：后续把 review 后的线上候选转换为 canonical records 后落盘；默认紧凑 JSONL。

TODO：后续规划中的专用工具：

- `analyze_badcases`
- `build_mining_strategy`
- `create_annotation_batch`
- `read_annotation_result`
- `evaluate_mining_precision`
- `refine_mining_strategy`
- `export_mined_dataset`

不要手写 raw SQL，也不要用宽泛 shell 命令进行数据检索。

## 推荐产物

```text
tasks/{task_id}/context/badcases.*
tasks/{task_id}/artifacts/badcase_analysis.md
tasks/{task_id}/artifacts/mining_strategy.md
tasks/{task_id}/artifacts/candidate_sample.jsonl
tasks/{task_id}/artifacts/review_report.md
tasks/{task_id}/artifacts/mined_candidates.jsonl
tasks/{task_id}/memory/open_questions.md
tasks/{task_id}/memory/failed_attempts.md
```

## 约束

- 除非批准的工具输出已经脱敏，否则不要导出敏感线上原始字段。
- 不要把第一版挖掘策略当成最终策略。
- 始终让筛选条件和抽样决策可 review。
- 只有用户明确要求生成、扩写或构造新数据时，才进入数据生成分支。
- 如果用户要求把筛选出的线上候选变成样本，必须先使用 `data_agent_convert_router_candidates_to_records`，不要改走 generation goal/plan。