用途:q-tf 用于主题精调与主题合并,把主题建模(BERTopic、LDA、NMF)的输出整合为有理论依据的分类框架,适用于学术论文写作。它不执行主题建模本身,也不做可视化与统计分析。
主要能力:加载并分析主题,识别重叠与未分配主题;定义最终主题结构(FINAL_TOPICS);按可定制的理论框架模板对每个主题分类;生成实施计划;把 Final_Topic_Code、Final_Topic_Label、Category_Theme 等标签写回 Excel;通过基础模型对离群主题重新分类。核心原则包括保留领域特定区分(实体、事件、地理、利益相关方)、显式跟踪多类别主题并计算重叠、所有非离群主题至少归入一个类别。
使用方式:依赖 pandas、openpyxl(读写 .xlsx)、google-genai(仅离群分类需要),安装命令为 pip install pandas openpyxl google-genai。环境变量为 GEMINI_API_KEY,可选 GEMINI_MODEL。输入包括主题模型输出(Excel/CSV,含 Topic ID、Count、Name/Label、Keywords,可选 Representative_Docs)、可选合并建议(MERGE_GROUPS、INDEPENDENT_TOPICS 表)、用于标签更新的文档数据。脚本调用示例:python "${SKILL_DIR}/scripts/generate_implementation_plan.py" --input topic_model_output.xlsx --output implementation_plan.md 与 python "${SKILL_DIR}/scripts/update_excel_with_labels.py" --input document_data.xlsx --output document_data_labeled.xlsx。需按 references/code_patterns.md 修改 FINAL_TOPICS、FINAL_LABELS 与主题类别。
输出:implementation_plan.md 分类计划;*_labeled.xlsx 含分类列的源数据;可选离群分类结果(Final_Topic_Label、classification_confidence、key_phrases)。已进入 plan 模式时应先写简短计划并立即退出,不要执行分析或更新。其他细节暂未提供。