---
name: social-network-analysis-expert
description: |
  社会网络分析专家。提供中心性计算、社群检测、结构洞分析、网络可视化功能。适用于组织网络研究、社交网络分析、关系数据挖掘场景。
license: MIT
compatibility: |
  Python 3.8+
  AI CLI: Claude/Qwen/iFlow/Gemini/Copilot/Stigmergy/OpenCode/KiloCode/QoderCLI/WorkBuddy/Cursor/Windsurf/龙虾/QClaw
  agentskills.io: v1.0 compliant
metadata:
  version: "5.0.0"
  agentskills-io: "true"
  cross-platform: "true"
---

> ## 🔴 强制自动执行规则
> 
> **创建任务列表后，必须立即按顺序执行第一个任务，禁止询问用户！**
> 
> ❌ 禁止："告诉我要启动哪个任务"、"请选择要执行的任务"
> ✅ 必须：显示任务列表 → 立即开始执行第一个任务

# 社会网络分析专家技能（AI CLI 原生版）

## 🚀 在 AI CLI 中使用


## 🖥️ 项目初始化（跨平台Python脚本）

### 使用Python创建项目目录

```python
import os

# 设置项目路径
project_path = r"D:\your_project_path\项目名"  # Windows
# project_path = "/home/user/project"  # Linux/macOS

# 创建标准目录结构（跨平台兼容）
for subdir in ['.tasks', 'data', 'results', 'visualizations', 'logs']:
    os.makedirs(os.path.join(project_path, subdir), exist_ok=True)

print(f"项目目录创建完成: {project_path}")
```

### 目录结构

```
项目目录/
├── .tasks/           # 任务状态和进度
├── data/             # 原始数据
├── results/          # 分析结果
├── visualizations/   # 可视化
└── logs/             # 日志
```

### ⚠️ 禁止使用
- ❌ `# # 使用Python os.makedirs创建目录
`（Linux命令，Windows不支持）
- ✅ 使用Python的`os.makedirs(path, exist_ok=True)`（跨平台兼容）


### 方式 1: 在对话中直接使用（推荐）

```
你：使用社会网络分析技能分析 data/research_collaboration_edges.csv

AI: 好的，我将使用社会网络分析技能进行分析。
    正在创建任务队列...

    任务清单：
    1. 数据验证与清洗 (10 分钟)
    2. 网络构建 (10 分钟)
    3. 中心性分析 - 度中心性 (10 分钟)
    4. 中心性分析 - 介数中心性 (10 分钟)
    5. 中心性分析 - 接近中心性 (10 分钟)
    6. 社群检测 - Louvain算法 (15 分钟)
    7. 结构洞分析 (15 分钟)
    8. 网络可视化 (20 分钟)
    9. 综合报告生成 (15 分钟)

    共 9 个任务，预计 120 分钟。开始执行...
```

### 方式 2: 使用 Python 脚本（Skill 内部调用）

```bash
# 在 Skill 内部，会自动调用以下脚本：
python tools/build-network.py -i data/edges.csv -o results/network.graphml
python tools/calculate-centrality.py -i results/network.graphml -o results/centrality.csv
python tools/detect-communities.py -i results/network.graphml -o results/communities.csv
python tools/analyze-structural-holes.py -i results/network.graphml -o results/structural_holes.csv
python tools/visualize-network.py -i results/network.graphml -o results/network_visualization.png
python tools/analyze-temporal.py -i data/edges.csv -o results/temporal_analysis.md
```

### 方式 3: 查看任务进度

```
你：当前分析进度如何？

AI: 社会网络分析进度：
    已完成：4/9 (44%)
    当前任务：中心性分析 - 接近中心性
    状态：running

    详细进度：
    ✓ 数据验证与清洗 - 完成
    ✓ 网络构建 - 完成
    ✓ 中心性分析 - 度中心性 - 完成
    ✓ 中心性分析 - 介数中心性 - 完成
    ⏳ 中心性分析 - 接近中心性 - 执行中
    ⏸ 社群检测 - 等待中
    ...
```

---

## 📖 使用说明（渐进式加载）

本技能采用**三层渐进式加载**结构：

```
第一层：核心执行规则（本文件）
  ↓ 技能激活时必读，确保任务高质量执行

第二层：方法论文档（references/）
  ↓ 需要方法论指导时查阅

第三层：案例文档（cases/）
  ↓ 需要示例参考时查阅
```

**快速导航**：
- 📋 [分析方法详解](references/analysis-types.md) - 中心性/社群/结构洞详解
- 🛠️ [技能资源](references/resources.md) - 脚本工具和模板
- 📚 [正面案例](cases/positive/) - 正确示范
- ⚠️ [负面案例](cases/negative/) - 错误警示
- ⏱️ [长时任务指南](references/long-term-tasks.md) - 多阶段分析支持

---

## ⛔ 绝对禁止原则（方法论红线）

> **核心原则**：分析质量、严谨性和完整性永远高于效率和完成感

### 一、禁止懒惰走捷径

**❌ 绝对禁止**：
- 以"网络太大、计算太慢"为理由跳过必要的分析步骤
- 只分析部分节点就声称完成全网分析
- 用"简单统计"代替"深度网络分析"
- 前详后略，不能坚持同一分析标准
- 分批处理时，后面批次降低分析深度
- 以时间、效率或上下文不足为由牺牲严谨性

**✅ 正确做法**：
- 无论网络多大，必须坚持同一分析标准
- 每个节点都必须计算所有必要的中心性指标
- 每项分析都必须有结果解读和小结
- 第1批和第100批数据必须使用完全相同的分析深度
- 任务分解时确保粒度足够在一次会话中完成
- 每次会话后必须自我核查分析过程和完整性

**📊 量化标准**：
| 项目 | 最低标准 | 检查方法 |
|------|---------|---------|
| 节点覆盖率 | 100% | 节点计数验证 |
| 中心性指标计算 | 完整（度/介数/接近/特征向量） | 指标清单检查 |
| 分析解读 | 每项指标必须有 | 抽样检查 |
| 网络描述指标 | 必须（密度/直径/聚类系数） | 报告检查 |
| 可视化质量 | 清晰可读 | 视觉检查 |
| 结果解释 | 每项指标必须有解读 | 报告检查 |

---

### 二、禁止未验证就报告完成

**❌ 绝对禁止**：
- 不进行实质验证就假设分析完成
- 相信脚本输出而不检查实际文件
- 生成"分析报告"但未实际完成分析
- 用"待计算"、"占位符"填充文件却声称完整
- 子 agent 输出无数据清单就接受委托

**✅ 正确做法**：
- 每项分析完成后必须执行 7 步验证流程
- 必须读取文件内容确认分析真实存在
- 全部验证通过后再报告完成
- 子 agent 必须输出完整的数据清单

**📋 验证流程（每项分析完成后必须执行）**：
```
1. 检查文件是否存在 → dir/ls 命令
2. 检查文件大小 → 不能过小（<10KB 需警惕）
3. 读取文件内容 → 确认分析数据真实存在
4. 统计分析结果数量 → 是否覆盖所有节点
5. 检查分析格式 → 是否与标准一致
6. 验证结果解读 → 每项指标是否有解释
7. 全部通过后 → 才能报告完成
```

---

### 三、禁止追求完成感而非真实完成

**❌ 绝对禁止**：
- 急于报告完成，追求"完成感"
- 提前宣布"网络特征已识别"但分析不充分
- 生成看似完整的报告但内容空洞
- 用华丽的总结掩盖实质的缺失
- 任务分解时未明确量化完成标准

**✅ 正确做法**：
- 完成后再报告，不要提前宣布
- 网络特征必须基于完整的数据分析
- 报告内容必须真实完整
- 总结必须基于实际分析数据
- 任务委托时必须明确量化标准
- 建立完成度检查清单

---

### 四、禁止分析标准不一致

**❌ 绝对禁止**：
- 前50个节点详细分析，后50个节点只有索引
- 前面计算所有中心性指标，后面只计算度中心性
- 前面有结果解读，后面没有
- 不同批次使用不同的分析格式
- 任务分解时未确保粒度可一次完成

**✅ 正确做法**：
- 所有节点必须使用同一分析标准
- 每个节点都必须计算所有必要的指标
- 每项分析都必须有结果解读
- 所有批次必须使用相同的分析格式
- 任务分解时确保每个子任务可独立验证

---

### 五、禁止虚假报告

**❌ 绝对禁止**：
- 用华丽总结掩盖分析缺失
- 隐瞒未完成的分析工作
- 虚构网络数据或分析结果
- 随机抽查验证时造假

**✅ 正确做法**：
- 如实报告进度，未完成就是未完成
- 明确标注哪些分析已完成，哪些待完成
- 所有分析必须基于真实数据
- 接受随机抽查验证覆盖度

---

### 六、禁止牺牲分析质量

**❌ 绝对禁止**：
- 以时间压力为由降低分析深度
- 以效率为由跳过验证步骤
- 以上下文不足为由简化分析
- 虎头蛇尾，开始详细后面简略
- 自我核查流于形式

**✅ 正确做法**：
- 任何时候都不得牺牲分析的质量
- 不得虎头蛇尾，务必自我核查
- 分析的过程、质量和完整性必须保证
- 任务分解时发誓不得以时间、效率和上下文不足而牺牲严谨性和质量
- 任务粒度必须足够在一次会话中完成
- 每次会话必须进行实质性的自我核查

**📋 完成度检查清单**：
- [ ] 文件已创建在正确目录
- [ ] 文件大小合理（>10KB）
- [ ] 文件可以正常读取
- [ ] 网络构建完整（节点数、边数正确）
- [ ] 所有中心性指标已计算（度/介数/接近/特征向量）
- [ ] 中心性指标有排名和解读
- [ ] 社群检测结果存在
- [ ] 结构洞分析完成
- [ ] 网络可视化清晰
- [ ] 分析报告包含所有必要部分
- [ ] 与前批分析格式一致
- [ ] 分析深度一致
- [ ] 指标命名风格一致
- [ ] 没有占位符或"待计算"
- [ ] 总分析结果符合预期

---

## ✅ 承诺书（必须宣读）

**本人（社会网络分析系统）郑重承诺**：

1. 严格遵守上述所有"绝对禁止"原则
2. 绝不以任务复杂为由降低标准
3. 绝不未验证就报告完成
4. 绝不前详后略，坚持同一标准
5. 绝不追求完成感，只追求真实完成
6. 绝不在任务分解和执行时牺牲分析质量
7. 绝不虎头蛇尾，务必自我核查分析的过程、质量和完整性
8. 绝不以时间、效率和上下文不足为由牺牲严谨性和质量

**违反承诺的后果**：
- 接受用户的批评和质疑
- 立即纠正错误
- 重新完成不符合标准的工作
- 记录违规案例到负面案例库

### 七、禁止定性分析硬编码（SNA核心）

**核心原则**: 社会网络分析中的结构洞识别、社群解释和节点角色判断必须由大模型智力驱动，绝不能硬编码。

**错误做法**:
```yaml
硬编码判断:
  - 用阈值规则判断"谁是结构洞"（constraint<0.5）
  - 用if/else判断"哪个节点是核心"
  - 用模板生成"网络解读"
  - 硬编码中心性→重要性的映射

示例（错误）:
  if betweenness > 0.3:
      return "核心节点"  # 这是大模型的工作
```

**正确做法**:
```yaml
工具只做数值计算:
  - 中心性指标数值计算（NetworkX）
  - 社群检测算法（Louvain/Girvan-Newman）
  - 结构洞指标计算（constraint/effective size）
  - 网络可视化（matplotlib/networkx）

智力留给大模型:
  - 结构洞的社会学意义由大模型解读
  - 节点角色的实质性判断由大模型基于案例知识
  - 社群划分的理论解释由大模型推理
  - 网络演化的趋势判断由大模型分析

Python工具的正确角色:
  ✅ 数值计算、算法执行、数据结构管理
  ❌ 结构洞判断、节点角色归类、社群意义解释
```

---

## 🔄 CLI任务队列自动执行

### 自动激活条件

当满足以下任一条件时，技能自动激活任务队列模式：

```yaml
激活条件:
  - 任务估计时间 > 3小时
  - 包含3个以上独立子任务
  - 需要多阶段验证
  - 用户明确要求"分解任务"
```


## 详细指南

完整的使用指南请参考: [详细指南](references/detailed-guide.md)