能力	名称	说明
工具	`rrd_profiling`	第 1 步：X/y 确认与数据质量检查（自动剔除 ID/serialno/常量/近似唯一/高缺失列）
工具	`rrd_mining`	第 2 步：单规则评估 + 并行规则集最优组合（遍历规则先后顺序）+ 默认生成 HTML 报告
工具	`rrd_report`	第 3 步：基于挖掘快照重新生成/调整 HTML 报告
技能	`risk-rule-design`	专家方法论（角色、流程、评判标准、报告结构），可被模型/用户加载

⚠️这个插件是东哥的第一个dsh插件，还在完善中；如使用中有不妥之处，欢迎各位留言指正。

二、目录结构

risk_rule_design/
├── cordis.yml            # 插件补丁覆盖层（绝对路径版，源码直挂用 --patch 或合并进 profile）
├── cordis.patch.yml      # 插件补丁（npm 包形态，发布后由 dsh plugin 安装）
├── package.json          # npm 发布清单（零依赖）
├── LICENSE               # MIT
├── src/
│   ├── index.js          # 插件入口：注册工具与技能（零外部依赖）
│   ├── engine.js         # 挖掘引擎：CSV 解析、质检、单规则、组合规则搜索（纯逻辑）
│   └── report.js         # 自包含 HTML 报告生成（内联 CSS/SVG，无外部资源）
├── demo/
│   ├── make_demo_data.mjs    # 演示数据集生成器（含已知潜在规则结构）
│   └── report/smoke_report.html  # 演示输出样例（生成物，不入库）
└── test/
    ├── smoke.mjs         # 引擎 + 报告冒烟测试
    ├── load_plugin.mjs   # 插件模块加载测试（桩 ctx）
    └── run_tools.mjs     # 3 个工具端到端执行 + schema 一致性校验

三、安装

插件是纯 JavaScript（ESM），零构建、零外部依赖。

方式一：从npm安装（推荐）

dsh plugin --profile web install dsh-plugin-risk-rule-design

安装后重启 dsh web 生效；卸载：

dsh plugin --profile web remove dsh-plugin-risk-rule-design

✅ npm 包自带 dsh.bundle.patch，安装命令会自动把包注册进 profile 的 dsh.profile.bundles，重启后工具与技能即可用，无需手动配置。

方式二：从Github安装（备选）

dsh plugin --profile web add "github:pypcfx-glitch/risk-rule-design"

⚠️ GitHub 直装只把包加入依赖，不会自动注册 bundle，需手动把包名追加到 profile 的 C:\Users\yaodyu\.dsh\profiles\web\package.json 中：

"dsh": {
  "profile": {
    "bundles": [
      "@deepseek-ai/dsh-base",
      "@deepseek-ai/dsh-web-app",
      "risk-rule-design"
    ]
  }
}

然后重启 dsh web 生效。

提示：两种方式任选其一即可，无需重复安装；推荐方式一（npm 安装一键生效）。

四、使用流程

如何使用这个插件？

为了解决风控策略/数据分析人员的双手，你只需要准备分析样本即可（样本中需包括特征X和目标变量y）。

下面提供一个简单的对话命令模版。

敲入/调用插件risk-rule-design（安装成功后敲入risk应该会自动显示出来），然后将分析样本的绝对文件路径copy过来，并说明y的字段名。

最后执行就可以了。

/risk-rule-design
D:\...\model_data_v1.0.xlsx
分析这个数据集，剔除y_label_30和y_label_7，其中y_label_15是y，X请自行判断。

插件risk-rule-design会按照规则挖掘的分析流程自动执行，并生成报告，执行流转步骤如下：

rrd_profiling(dataset, target) ↓ 确认 X 清单 rrd_mining(dataset, target, features, [objective, hitRateBudget, minBadCoverage, ...]) ↓ 输出最优组合 + HTML 报告 + 快照 rrd_report(snapshot, [title, note]) # 可选

五、HTML报告结构及展示

数据集与质量检查：样本/字段/坏率概览、字段清单与剔除决策、质量检查问题、y 分布；

Screenshot

单变量效果分析：每个特征的候选规则（命中率、命中坏率、Lift、IV）与可视化条形图；

Screenshot

组合规则效果分析：
- 最优组合总览卡片（精准率、召回率、F1、命中率、Lift、拒绝样本数）；
- 最优组合内所有规则 + 累积命中率 / Lift / 召回率 / 边际增益明细；
- 全部组合评估表（按 F1 降序）：排名、组合规则、精准率、召回率、F1、命中率、Lift，最优高亮（top_lift 目标时 ⭐ 标注 top5%）；
- 命中率 × Lift 点位图：全部组合散点，最优高亮（可见累加规则后沿「命中率↑、Lift↓」移动）；
- 精准率-召回率曲线：全部组合曲线，标注 F1 最高点（即最优组合对应的点），而非拐点；
- 候选规则池与入选情况；
附录：分析配置与约束说明。