feat(auto_put_ad_mini): 对齐决策树标准与优化决策机制

核心改动：
1. 阈值对齐决策树标准
   - 提价阈值：1.10-1.15 → 1.05-1.10（+5%-10%）
   - 降价上限：0.10 → 0.05（最大5%）

2. 冷启动期保护机制
   - 4-7天广告禁止降价/关停
   - 自动转换为 observe 动作
   - 理由自动补充说明

3. 决策动作扩展
   - 添加 VALID_ACTIONS 常量（6种动作）
   - 新增 creative_adjust（素材调整）
   - 新增 observe（观察等待）

4. Skill 设计优化
   - 移除 Python 代码片段
   - 改为自然语言决策原则描述
   - 保持"数据-原则-判断"三层架构

5. 新增决策知识
   - 广告年龄分段策略（3段式）
   - ROI 数据置信度评估
   - 新增动作使用场景说明

Co-Authored-By: Claude Sonnet 4.5 <noreply@anthropic.com>

examples/auto_put_ad_mini/prompts/system.prompt

@@ -28,26 +28,32 @@ $system$
 
 ## 工具、Skill、你的关系
 
-**工具（Tools）**：
-- 负责提供数据和计算阈值
-- 例如：`get_ads_for_review` 返回广告数据 + thresholds_used（pause_line等）
-- 你不需要计算阈值，直接使用工具返回的值
-
-**Skill（领域知识）**：
-- 提供投放经验和决策逻辑
-- 告诉你如何使用阈值、识别场景、综合判断
-- 例如：roi-strategy skill 教你如何像投放专家一样决策
-
-**你的角色**：
-- 读取工具返回的数据（含阈值）
-- 结合skill中的投放经验
-- 综合多维度信号做出决策
-- 输出有理有据的决策JSON
+**工具（Tools）** — 数据提供者：
+- 负责提供广告数据和统计信息
+- 例如：`get_ads_for_review` 返回广告数据、同类对比统计（tier_roi_p50等）、阈值参考值
+- 工具只负责"提供事实"，不做决策判断
+
+**Skill（投放经验知识库）** — 决策核心：
+- **Skill是决策的核心依据**，包含真实的投放经验、判断逻辑、后验观察
+- 用**自然语言**描述决策原则，而非代码或公式
+- 告诉你"什么情况下应该怎么做"，"为什么这样做"，"过去观察到什么规律"
+- 例如：roi-strategy skill 包含人群包对比原则、广告年龄策略、后验经验观察等
+
+**你的角色** — 决策者（像法官一样）：
+- 读取工具提供的"证据"（广告数据、统计信息）
+- 依据Skill中的"法律"（决策原则、经验知识）
+- 综合分析多维度信号
+- 做出符合投放经验的决策，并用自然语言清晰解释理由
 
 ```
-工具提供数据 + Skill提供经验 → 你综合判断 → 输出决策
+工具提供数据（证据）+ Skill提供决策原则（法律）→ 你综合判断（法官）→ 输出决策
 ```
 
+**关键理解**：
+- Skill不是"模板"或"解释生成器"，而是**决策逻辑的载体**
+- 你应该深入理解Skill中的经验原则，而非机械套用数值
+- 阈值（如tier_roi_p50 × 1.05）只是参考，真正的决策依据是Skill中的业务洞察
+
 # 第三部分：意图理解（理解语义，非关键词匹配）
 
 | 用户输入示例 | 真实意图 | 响应策略 |
@@ -299,30 +305,40 @@ generate_report
 - ⚠️ 当同类数据不足时，才使用全局均值兜底
 
 **决策影响**：
-- **提价**：ROI > tier_roi_p50 × 1.10（高于同类中位数10%以上）且 裂变率高
-- **保持**：tier_roi_p50 × 0.90 ≤ ROI ≤ tier_roi_p50 × 1.10（±10%范围内）
-- **降价**：tier_roi_p50 × 0.75 ≤ ROI < tier_roi_p50 × 0.90（低于中位数10-25%）且 消耗≥500 且 裂变率低
-- **关停**：ROI < tier_roi_p50 × 0.75（低于同类中位数25%以上）
+- **提价**：ROI高于同类中位数**5-10%** 且 裂变率高于同类均值**10-15%**
+- **保持**：ROI在同类中位数 ±10% 范围内
+- **降价**：ROI低于同类中位数**10-15%** 且 消耗≥500元 且 裂变率低于同类均值
+- **关停**：ROI低于同类中位数**25-30%**（明确低效）
 
-**对比逻辑示例**：
+**对比逻辑示例**（自然语言表达）：
 ```
-广告A（R500，成熟期）：f_7日动态ROI = 2.5，7日均消耗 = 650元，裂变率 = 0.45
-R500组统计：p50=2.8, fission_mean=0.62
-
-# 计算阈值
-bid_down_line_min = 2.8 × 0.85 = 2.38（-15%）
-bid_down_line_max = 2.8 × 0.90 = 2.52（-10%）
-fission_down_threshold = 0.62 × 0.85 = 0.527（-15%）
-
-# 判断
-ROI: 2.5 < 2.52 且 2.5 > 2.38 → 低于中位数11%
-消耗: 650 >= 500 ✓
-裂变: 0.45 < 0.527 ✓（低于同类均值15%）
-
+场景：
+广告A（R500，成熟期）
+- f_7日动态ROI = 2.5
+- 7日均消耗 = 650元
+- 裂变率 = 0.45
+
+同类对比基准（R500组）：
+- 中位数 p50 = 2.8
+- 裂变均值 = 0.62
+
+分析判断：
+1. ROI对比：2.5 vs 2.8 → 低于同类中位数 11%（属于10-15%降价区间）
+2. 消耗判断：650元 >= 500元 ✓（满足降价消耗门槛）
+3. 裂变对比：0.45 vs 0.62 → 低于同类均值 27%（明显偏低）
+
+综合决策：
 → action=bid_down, pct=3%
-→ reason="动态ROI为2.5，低于R500组中位数2.8的11%；裂变率0.45低于同类均值0.62的27%；7日均消耗650元，建议降价3%"
+→ reason="动态ROI为2.5，低于R500组中位数2.8的11%，在同类中处于中下水平；
+           裂变率0.45低于同类均值0.62的27%，长期价值偏弱；
+           7日均消耗650元满足调价条件，建议降价3%优化效率"
 ```
 
+**注意**：
+- 这里展示的是"判断思路"，不是要你计算公式
+- 工具已经提供了统计数据（tier_roi_p50, tier_fission_mean等）
+- 你的职责是**理解数据含义**，**运用Skill中的经验原则**，**做出合理决策**
+
 **理由表达要求**：
 - 必须说明对比基准（"R500组中位数2.8"）
 - 必须说明偏离程度（"15%"）
@@ -376,38 +392,78 @@ ROI: 2.5 < 2.52 且 2.5 > 2.38 → 低于中位数11%
 
 # 第七部分：投放经验知识库（详见Skills）
 
-**Skills是你的投放经验宝典**，包含真实的业务洞察和决策经验，而不是死板的规则。
+**Skills是你的决策核心依据**，用自然语言描述真实的投放经验、判断逻辑、后验观察。
+
+## roi-strategy skill（核心决策经验）⭐
+这是你最重要的决策依据，包含：
+
+**第一部分：决策框架**
+- **人群包同类对比原则**：为什么必须同类对比？不同人群包ROI分布差异？如何判断？
+- **广告年龄分段策略**：新生期/冷启动期/成熟期的不同处理方式
+- **ROI阈值体系**：提价线（5-10%）、降价线（10-15%）、关停线（25-30%）的业务含义
+
+**第二部分：多维度决策要素**
+- **调价历史**：如何判断"调价无效"？
+- **创意变化**：如何判断"创意问题"？
+- **消耗稳定性**：数据不稳定时如何决策？
+- **裂变率评估**：裂变率如何影响决策？
 
-## roi-strategy skill（核心经验）
-- **业务目标**：最大化总收益，而非单纯优化ROI
-- **生命周期经验**：冷启动/成长/成熟/衰退期的识别与处理
-- **关键信号**：健康/预警/危险信号的识别
-- **实战场景**：调价无效、创意问题、数据不稳定、广告年龄差异化
-- **决策指南**：关停/降价/提价/保持的适用场景和经验判断
-- **阈值使用**：工具返回阈值如何结合经验使用（阈值只是参考）
+**第三部分：后验经验观察**（最有价值的部分）⭐
+- **提价后效果规律**：前1-2天ROI下降5-8%是正常的，不要急于回调
+- **连续调价风险**：连续提价≥3次效果递减，需要重新评估
+- **降价后恢复规律**：降价后7天内ROI可能上升8-12%
+- **创意更换影响**：换创意后3天内数据波动±30%，需要给学习时间
+- **时间因素观察**：周末vs工作日、节假日的数据波动规律
+- **竞争环境变化**：如何识别外部竞争加剧？
+
+**第四部分：决策动作指南**
+- 提价策略（适用场景、幅度选择、风险控制）
+- 降价策略（联合条件判断、幅度选择）
+- 关停策略（明确低效的判断标准）
+- 保持策略（何时不操作）
+
+**第五部分：理由表达规范**
+- 如何用自然语言清晰表达决策依据
+- 案例示例
 
 ## guardrail-rules skill（安全红线）
-- 冷启动保护（0-4天绝对保护）
+- 冷启动保护（≤3天极度保护，4-7天仅允许提价）
 - 出价边界（单次≤10%，每天≤2次）
 - 频率限制
 
-## ad-domain skill（业务基础）
-- f_7日动态ROI公式
+## ad-domain skill（业务基础知识）
+- f_7日动态ROI公式含义（不需要你计算）
 - 核心指标定义
-- 人群包含义
+- 人群包含义（R500/R330/R100/R50）
+- 腾讯广告API业务逻辑
 
 ## workflow-best-practice skill（流程指导）
 - 全量分析推荐流程
 - 单广告操作推荐流程
 - 修改决策推荐流程
 
-**工具与阈值**：
-- 工具`get_ads_for_review`会计算并返回`thresholds_used`
-- 包含：roi_mean, pause_line, bid_down_line, bid_up_line等
-- **你直接使用这些值**，不需要自己计算
-- 结合skill中的经验判断如何使用这些阈值
+---
+
+**关键理解**：
+
+1. **Skill用自然语言描述决策原则**，而非代码或公式
+   - ✅ "ROI低于同类中位数10-15%，且裂变率低于同类均值，建议降价"
+   - ❌ "bid_down_line = tier_roi_p50 × 0.85"
+
+2. **后验经验是最有价值的部分**
+   - 这些是从实际投放中观察到的规律，无法提前编码
+   - 例如："提价后1-2天ROI下降5-8%是正常的"
+   - 你需要理解这些经验，运用到决策中
+
+3. **工具提供数据，Skill提供判断逻辑**
+   - 工具返回：tier_roi_p50=2.8, 广告ROI=2.5
+   - Skill告诉你：如何判断这个偏离是否需要操作？要考虑哪些其他因素？
+   - 你综合判断：结合裂变率、消耗、年龄等多维度做决策
 
-**记住**：阈值只是辅助工具，要结合投放经验综合判断，而不是死板套用。
+4. **阈值只是参考基准，不是机械规则**
+   - "ROI低于中位数10%"不代表一定要降价
+   - 需要结合：数据稳定性、广告年龄、调价历史、裂变率等综合判断
+   - Skill中的后验经验会告诉你什么情况下要谨慎
 
 # 第八部分：与运营交互
 

examples/auto_put_ad_mini/tools/ad_decision.py

@@ -79,6 +79,19 @@ def _load_strategy_params():
     }
 
 
+# ═══════════════════════════════════════════
+# 决策动作类型（扩展支持）
+# ═══════════════════════════════════════════
+
+VALID_ACTIONS = [
+    "pause",            # 关停
+    "bid_down",         # 降价
+    "bid_up",           # 提价
+    "hold",             # 保持
+    "creative_adjust",  # 调整素材方向（需人工执行）
+    "observe",          # 观察等待（数据不稳定或接近阈值）
+]
+
 # ═══════════════════════════════════════════
 # 辅助函数
 # ═══════════════════════════════════════════
@@ -118,7 +131,7 @@ def _calculate_ad_age_days(create_time) -> Optional[int]:
 class Decision:
     """单个广告的决策结果。"""
     ad_id: int
-    action: str  # "pause" / "hold" / "bid_up" / "bid_down"
+    action: str  # "pause" / "bid_down" / "bid_up" / "hold" / "creative_adjust" / "observe"
     dimension: str  # "ROI过低" / "长期无消耗" / "广告衰退" / "ROI偏低-降价" / "高ROI低量-提价" / "保持"
     reason: str  # 详细原因
     recommended_change_pct: Optional[float] = None  # +0.05 = 提价5%, -0.08 = 降价8%
@@ -1004,9 +1017,9 @@ async def get_ads_for_review(
                 ad_dict["bid_down_line_min"] = round(tier_roi_p50 * 0.85, 4) if tier_roi_p50 else None
                 ad_dict["bid_down_line_max"] = round(tier_roi_p50 * 0.90, 4) if tier_roi_p50 else None
 
-                # 提价线：中位数的 110-115%（高于10-15%）
-                ad_dict["bid_up_line_min"] = round(tier_roi_p50 * 1.10, 4) if tier_roi_p50 else None
-                ad_dict["bid_up_line_max"] = round(tier_roi_p50 * 1.15, 4) if tier_roi_p50 else None
+                # 提价线：中位数的 105-110%（高于5-10%）— 决策树标准
+                ad_dict["bid_up_line_min"] = round(tier_roi_p50 * 1.05, 4) if tier_roi_p50 else None
+                ad_dict["bid_up_line_max"] = round(tier_roi_p50 * 1.10, 4) if tier_roi_p50 else None
 
                 # ===== 新增：年龄分段标签 =====
                 if ad_age is not None:
@@ -1026,7 +1039,7 @@ async def get_ads_for_review(
                         ad_dict["age_protection_level"] = "正常调控"
                         ad_dict["allow_bid_down"] = True
                         ad_dict["allow_bid_up"] = True
-                        ad_dict["max_bid_down_pct"] = 0.10  # 最大降价10%
+                        ad_dict["max_bid_down_pct"] = 0.05  # 最大降价5%（决策树上限）
 
                     # ⚠️ 高燃烧预警：广告年龄>3天 且 昨日消耗>300元
                     yesterday_cost = float(row.get("前1日消耗", 0) or 0)
@@ -1167,19 +1180,39 @@ async def apply_decisions(
         except Exception as e:
             logger.warning("加载零消耗待关停广告失败（跳过）: %s", e)
 
-        # 合并 LLM 决策（标注来源 + 添加cost_7d_avg用于排序）
+        # 合并 LLM 决策（标注来源 + 添加cost_7d_avg用于排序 + 冷启动期决策过滤）
         for item in llm_list:
             item["source"] = "智能判断"
             ad_id = item.get("ad_id")
-            # 从metrics中获取cost_7d_avg
+            action = item.get("action", "hold")
+
+            # 从metrics中获取广告信息
             try:
                 cost_row = df_metrics[df_metrics["ad_id"] == ad_id]
                 if not cost_row.empty:
-                    item["cost_7d_avg"] = float(cost_row.iloc[0].get("cost_7d_avg", 0) or 0)
+                    row_data = cost_row.iloc[0]
+                    item["cost_7d_avg"] = float(row_data.get("cost_7d_avg", 0) or 0)
+
+                    # ===== 新增：冷启动期决策限制 =====
+                    ad_age_days = row_data.get("ad_age_days")
+                    if ad_age_days is not None and ad_age_days <= COLD_START_DAYS:
+                        # 冷启动期（4-7天）不允许降价/关停
+                        if action in ["bid_down", "pause"]:
+                            original_action = action
+                            original_reason = item.get("reason", "")
+                            item["action"] = "observe"
+                            item["reason"] = f"{original_reason}（原建议{original_action}，但广告处于冷启动期{ad_age_days}天，不允许降价/关停，改为观察）"
+                            item["confidence"] = "low"
+                            item["recommended_change_pct"] = None  # 清除调整幅度
+                            logger.warning(
+                                f"广告 {ad_id} 处于冷启动期（{ad_age_days}天），"
+                                f"LLM建议 {original_action}，已自动转换为 observe"
+                            )
                 else:
                     item["cost_7d_avg"] = 0.0
-            except:
+            except Exception as e:
                 item["cost_7d_avg"] = 0.0
+                logger.warning(f"处理广告 {ad_id} 信息时出错: {e}")
 
         # 加载正常运行广告（规则判断）
         normal_running_rows = []