0.4.3: Feature/WebRDD uploaded.

FeatureRDD.md

@@ -0,0 +1,123 @@
+### basic、个人基础数据特征
+1. 平均Rating（每局）
+2. 平均KD值（每局）
+3. 平均KAST（每局）
+4. 平均RWS（每局）
+5. 每局爆头击杀数
+6. 爆头率（爆头击杀/总击杀）
+7. 每局首杀次数
+8. 每局首死次数
+9. 首杀率（首杀次数/首遇交火次数）
+10. 首死率（首死次数/首遇交火次数）
+11. 每局2+杀/3+杀/4+杀/5杀次数（多杀）
+12. 连续击杀累计次数（连杀）
+15. **(New) 助攻次数 (assisted_kill)**
+16. **(New) 无伤击杀 (perfect_kill)**
+17. **(New) 复仇击杀 (revenge_kill)**
+18. **(New) AWP击杀数 (awp_kill)**
+19. **(New) 总跳跃次数 (jump_count)**
+
+挖掘能力维度：
+### 1、时间序列与稳定性特征
+1. 近30局平均Rating（长期Rating）
+2. 胜局平均Rating
+3. 败局平均Rating
+4. Rating波动系数（近10局Rating计算）
+5. 同一天内比赛时长与Rating相关性（每2小时Rating变化率）
+6. 连续比赛局数与表现衰减率（如第5局后vs前4局的KD变化）
+
+### 2、局内对抗能力特征
+1. 对位最高Rating对手的KD差（自身击杀-被该对手击杀）
+2. 对位最低Rating对手的KD差（自身击杀-被该对手击杀）
+3. 对位所有对手的胜率（自身击杀>被击杀的对手占比）
+4. 平均对枪成功率（对所有对手的对枪成功率求平均）
+*   ~~A. 对枪反应时间（遇敌到开火平均时长，需录像解析）~~ (Phase 5)
+*   B. 近/中/远距对枪占比及各自胜率 (仅 Classic 可行)
+5. 与单个对手的交火次数（相遇频率）
+
+### 3、高压场景表现特征
+1. 1v1/1v2/1v3+残局胜率
+2. 赛点（12-12、12-11等）残局胜率
+3. 人数劣势时的平均存活时间/击杀数（少打多能力）
+4. 队伍连续丢3+局后自身首杀率（压力下突破能力）
+5. 队伍连续赢3+局后自身2+杀率（顺境多杀能力）
+6. 受挫后状态下滑率（被刀/被虐泉后3回合内Rating下降值）
+7. 起势后状态提升率（关键残局/多杀后3回合内Rating上升值）
+8. 翻盘阶段KD提升值（同上场景下，自身KD与平均差值）
+9. 连续丢分抗压性（连续丢4+局时，自身KD与平均差值）
+
+### 4、手枪局专项特征
+1. 手枪局首杀次数
+2. 手枪局2+杀次数（多杀）
+3. 手枪局连杀次数
+4. 参与的手枪局胜率(round1 round13)
+5. 手枪类武器KD
+6. 手枪局道具使用效率（烟雾/闪光帮助队友击杀数/投掷次数）
+
+### 5、阵营倾向（T/CT）特征
+1. CT方平均Rating
+2. T方平均Rating
+3. CT方首杀率
+4. T方首杀率
+5. CT方守点成功率（负责区域未被突破的回合占比）
+6. T方突破成功率（成功突破敌方首道防线的回合占比）
+7. CT/T方KD差值（CT KD - T KD）
+8. **(New) 下包次数 (planted_bomb)**
+9. **(New) 拆包次数 (defused_bomb)**
+
+### 6、道具特征
+1. 手雷伤害 (`throw_harm`)
+2. 闪光致盲时间 (`flash_time`, `flash_enemy_time`, `flash_team_time`)
+3. 闪光致盲人数 (`flash_enemy`, `flash_team`)
+4. 每局平均道具数量与使用率（烟雾、闪光、燃烧弹、手雷）
+
+demo维度：
+
+### d1、经济管理特征
+1. 每局平均道具数量与使用率（烟雾、闪光、燃烧弹、手雷）
+2. 伤害性道具效率（手雷/燃烧弹造成伤害值/投掷次数）
+3. 细分武器KD（AWP、AK-47、M4A4等）
+4. 武器选择与回合胜率相关系数（某武器使用时胜率-整体胜率）
+5. 保枪成功率（需保枪回合中成功保下武器次数/总机会）
+6. 经济溢出率（每局剩余金钱>3000的回合占比）
+
+### d2、团队协同特征（后续进行详细设计计算，暂时有较大缺陷）
+1. 补枪成功次数（队友阵亡后10秒内完成击杀）
+2. 补枪反应时间（队友阵亡到自身补枪击杀的平均时长）
+3. 与队友A的补枪成功率（对队友A的补枪成功次数/其阵亡次数）
+4. 被补枪率（自身阵亡后10秒内被队友补枪次数/总阵亡次数）
+5. 道具配合得分（被队友闪光致盲后击杀的敌人数量）
+6. 辅助道具价值（自身烟雾/燃烧弹帮助队友下包/拆包次数）
+7. 拉枪线贡献（自身阵亡后队友获得多杀的次数）
+8. 疑似卖队友次数（自身附近队友存活但未补枪的阵亡次数）
+
+
+### d3、经济影响力特征（自定义计算方案）
+1. 累计缴获敌方武器的经济价值（如AWP按4750计算）
+2. 保枪致胜次数（保下的武器在下一回合帮助获胜的次数）
+3. 单局经济扭转值（因自身行为导致的双方经济差变化）
+4. 回合致胜首杀贡献分（首杀为胜利带来的权重分，如5v4优势计0.3分）
+5. 回合致胜道具贡献分（关键烟雾/闪光为胜利带来的权重分）
+6. 回合致胜残局贡献分（1vN残局胜利的权重分，1v3+计1分）
+
+### d4、热图与站位特征（预留demoparser阶段开发）
+1. 各地图区域击杀数（如Inferno的A区、B区、中路等）
+2. 各地图区域死亡数（同上区域划分）
+3. 常用站位区域占比（某区域停留时间/总回合时间）
+4. 区域对枪胜率（某区域内击杀数/死亡数）
+5. 默认站位下的首杀率
+6. 非常规站位的击杀效率（非默认站位击杀数/停留时间）
+---
+
+### 手调1.、指挥手动调节因子（主观评价，0-10分）
+1. 抗压能力（高压局心态稳定性）
+2. 沟通量（信息传递频率与有效性）
+3. 辅助决策能力（半区决策建议的合理性）
+4. 团队协作倾向（主动帮助队友的频率）
+5. 打法激进程度（进攻倾向，0为保守，10为激进）
+6. 执行力（对指挥战术的落实程度）
+7. 临场应变力（突发情况的自主处理能力）
+8. 氛围带动性（团队士气影响，正向/负向）
+
+
+以上特征覆盖了客观数据与主观调节维度，可直接作为数据集基础，后续结合位置倾向（如突破手侧重T方突破成功率、辅助侧重道具配合得分）进行针对性分析，同时保留指挥手动调节的灵活性。

database/docs/original/特征维度prompt.md

@@ -0,0 +1,103 @@
+我现在需要你帮助我制作一个cs能力分析器与指挥帮助器，命名为csanalyzer，首先我们需要沟通确定，CS2是分CT与T，CT应该有哪几个位置，T应该有哪几个位置？
+
+常见来说 T包括步枪手 突破手 狙击位 辅助 自由人，其中一位兼任指挥
+
+CT包括小区主防 区域辅助 自由人 狙击位
+
+你认可这样的分析吗？请给我你的思路，首先我们确定每个位置与其倾向，然后再来分析玩家的数据应该包括哪些维度，再来分析如何建立python模型分析（这个模型我希望有一定的主观调整性，因为我是指挥，很多地方数据无法提现一个人是怎么玩游戏的，例如rating低但是做的事很扎实，只是因为碰的人不多，这样不应该给低分。）
+
+现在我们需要开始构建能力维度，能力维度应该是极其极其丰富的。
+
+首先我给你一张图，这是5e主界面截图下来的，里面包括一些维度。
+
+但是我认为不管是rating还是rws还是5e评分都并没有考虑到特定玩家在队伍内的现状，所以在这个基础上进行能力评分同样我认为是不合理的。
+
+我认为首先应该增加一些维度：
+
+1.玩家时间序列能力评估：长期rating，胜局rating，败局rating等参数，波动系数
+
+2.玩家局内对枪能力评估：对位对手最高最低rating的KD差，对位所有人的胜率或百分比计算（例如我：对面第一=6：2，就是我杀他6次他杀我2次），这个应该与遇到的次数相关而非线性。
+
+3.玩家高压发挥评估：残局能力，赛点残局能力，少打多能力，连续丢分压力下突破能力首杀能力
+
+4.玩家手枪局评估：手枪局首杀能力，多杀能力，连杀能力，回放能力
+
+5.玩家T/CT评估：玩家平均在CT表现好还是T表现好，倾向于做什么，CT首杀率等评估进攻与防守倾向
+
+6.玩家热图评估：常用站位，不同默认站位下打出的效果，哪里杀人多哪里杀人少
+
+7.玩家数据评估：常用rating，KD，KAST，impact，RWS等数据产出
+
+8.玩家分位置能力评估：不同位置要求不同，指挥在能力值上应该有增益，狙击手与步枪手更加看重补枪效率，辅助看中道具能力等
+
+9.玩家经济管理评估：每局道具量，购买与使用与产生作用关系（主要针对伤害性道具），武器倾向，武器效果，武器kd，选择倾向与局效果的相关度
+
+10.玩家持续时间评估：是否有随着同一天内比赛进行rating下降？
+
+11.指挥手动调参维度：作为指挥我知道队伍中谁抗压好，谁抗压不行，谁沟通多，谁可以辅助指挥进行半区决策，谁喜欢帮助队友，谁是激进谁是保守
+
+给我基于这些你的更多想法我来思考与选择。
+
+除了上面给你的图片之外，你还有非常多指标可用，局内爆头击杀 爆头率 首杀首死，道具，rating，残局，等等详细内容，也可以进行特征工程，产出更多的数据维度特征
+
+队伍维度应该有一些倾向分析，例如喜欢打哪块，胜率如何，下包概率，回访概率，回防成功概率，赌点成功概率，eco局，anti-eco局胜率，发生概率帮助指挥进行决策。
+
+### 拓展方向一：团队协同与配合分析
+
+我们之前主要聚焦于单个选手，但CS的精髓在于团队。我们可以增加一些维度来衡量选手之间是如何进行 互动 的。
+
+- 补枪与被补枪效率 (Trade & Refrag Efficiency):
+
+- 这是什么： 当一名队员阵亡后，队友立刻补枪完成人数交换的频率有多高？这个反应时间有多快？在队伍里，谁和谁是最高效的“补枪搭档”？
+
+- 价值何在： 这是一个可以直接量化的、衡量团队协调性和沟通水平的指标。高的补枪率意味着队伍像一个整体在移动和战斗；反之则可能说明队员之间站位过远，打得太孤立。它能帮你回答：“我们到底是不是在抱团打？”
+
+- 道具配合得分 (Utility Coordination Score):
+
+- 这是什么： 衡量一名队员击杀的敌人，有多少是被队友的闪光弹致盲的。反过来，一名队员投掷的烟雾弹或燃烧弹，有多少次成功帮助队友完成了下包或拆包？
+
+- 价值何在： 这将分析从“你有没有扔闪”提升到了“你的闪光弹 帮到人 了吗？”。它量化了辅助性道具的真实影响力，并能找出团队中最高效的道具配合二人组。
+
+- “拉枪线”与“卖队友”行为分析 (高级功能):
+
+- 这是什么： 这是一个更细微、也更难量化的指标。我们可以尝试识别一种模式：当一名队员阵亡时，他附近的队友是否在没有交火的情况下存活了下来。这 可能 是卖队友行为。反之，我们也可以识别出，当一名队员的阵亡成功吸引了敌方大量注意力，从而让队友拿到多杀的情况，这就是成功的“拉扯空间”。
+
+- 价值何在： 作为指挥，你最清楚什么是必要的牺牲，什么是自私的打法。虽然这个指标很难做到100%自动化判断，但它可以将这些“可疑”的回合标记出来，供你亲自复盘，从而对团队内部的动态有更深刻的洞察。
+
+### 拓展方向二：高级经济影响力分析
+
+我们可以进一步优化衡量选手真实影响力的方式，超越原始的伤害或击杀数据。
+
+- 经济扭转因子 (Economic Swing Factor):
+
+- 这是什么： 量化那些对双方经济产生巨大影响的行为。例如：
+
+1. 武器窃取价值： 击杀对方的狙击手并缴获其AWP，这相当于一次近$6000的经济优势（$4750的武器成本 + 击杀奖励）。
+
+2. “影响力保枪”价值： 成功保下一把有价值的武器（如AWP或长枪），并在 下一回合 使用这把枪赢得了胜利。
+
+- 价值何在： 这能凸显出那些在数据面板上不显眼，但通过聪明的经济决策改变了战局的选手。
+
+- “回合致胜贡献”评分 (Round-Winning Contribution Score):
+
+- 这是什么： 在任何一个赢下的回合里，哪些行为是 最关键 的？一个1v3的残局胜利显然贡献巨大。但那个为团队创造了5v4优势的开局首杀呢？那颗为安全下包提供了保障的烟雾弹呢？我们可以建立一个模型，为回合内的不同行为（首杀、残局、关键道具）赋予“胜利贡献分”。
+
+- 价值何在： 它能帮助你发现，谁在持续地做出那些 导致胜利的关键决策 ，即便他不是数据榜上的第一名。
+
+### 拓展方向三：心理与势头指标
+
+这个方向尝试量化比赛中的“心态”博弈。
+
+- “上头”与“起势”指标 ("Tilt" & "Snowball" Indicators):
+
+- 这是什么： 一名选手在经历了一次令人沮丧的死亡（比如被刀）后，他的个人表现（如枪法精准度、反应速度）是否会在接下来的几个回合里有明显下滑？反之，在他赢得一个关键残局或拿到多杀后，他的表现是否会飙升（即“滚雪球”效应）？
+
+- 价值何在： 这能帮助你作为指挥，识别出哪些队员心态坚韧，哪些队员在失利后可能需要一句鼓励。同时，也能看出谁是那种能依靠势头越打越好的“顺风神”。
+
+- 翻盘贡献分 (Comeback Contribution Score):
+
+- 这是什么： 在那些队伍完成大翻盘的比赛中（例如从4-11追到13-11），在翻盘阶段，哪位选手的各项表现数据有最大的正面提升？
+
+- 价值何在： 这能精准地找出那些在队伍陷入绝境时，能够挺身而出、提升自己状态的选手——这是一个至关重要的领袖和韧性特质。
+
+

database/docs/事件结构统一方案.md

@@ -0,0 +1,43 @@
+## 3. 统一处理方案 (Unified Pipeline Strategy)
+
+为了解决互斥问题，建议在 ETL `L2_Builder` 中建立一个 **中间抽象层 (Unified Event Model)**。
+
+### 3.1 统一事件结构
+无论来源是 Classic 还是 Leetify，都解析为以下标准结构存入 `fact_round_events`：
+
+```python
+@dataclass
+class UnifiedKillEvent:
+    match_id: str
+    round_num: int
+    tick: int = 0             # Web数据通常为0或估算
+    seconds: float = 0.0      # 回合开始后的秒数
+    
+    attacker_steam_id: str
+    victim_steam_id: str
+    assister_steam_id: str = None
+    
+    weapon: str
+    is_headshot: bool
+    is_wallbang: bool
+    is_blind: bool           # Classic: attackerblind, Leetify: AttackerBlind
+    is_through_smoke: bool   # Classic: throughsmoke, Leetify: ThroughSmoke
+    is_noscope: bool
+    
+    # 空间数据 (Classic 有值, Leetify 为 Null)
+    attacker_pos: Tuple[float, float, float] = None 
+    victim_pos: Tuple[float, float, float] = None
+    distance: float = None   # 有坐标时自动计算
+    
+    # 来源标记
+    source_type: str         # 'classic' | 'leetify'
+```
+
+### 3.2 降级策略 (Graceful Degradation)
+在 Web 前端或 API 层：
+1.  **热力图/站位分析**: 检查 `match.data_source_type`。如果是 `leetify`，显示“该场次不支持热力图数据”，或隐藏相关 Tab。
+2.  **距离分析**: 同上，Leetify 场次不计入“平均交战距离”统计。
+3.  **经济分析**: Leetify 场次可提供更精准的经济走势图（因为有确切的 `Money` 字段），Classic 场次可能需显示估算值。
+
+### 3.3 推荐补充
+对于 **反应时间**、**拉枪线**、**精确道具覆盖** 等 `❌` 项，建议列入 **Phase 5 (Demo Parser)** 开发计划，不强行通过 Web 数据拟合，以免误导用户。