生产级 Prompt 自动评估 A/B 实验结果的决策树设计

{
  "isRecommendOffline": true,
  "recommendation": "最近两天用户持续减少，分别损失20人和35人，损失扩大，建议停止实验"
}

输出必须是有效 JSON 对象；
只允许包含 isRecommendOffline 和 recommendation 两个字段；
isRecommendOffline 必须是 boolean，不允许用 "true" 或 "false" 字符串；
recommendation 不超过 200 字；
不得输出额外解释、Markdown、换行说明。

[
  {
    "dt": "2025-12-08",
    "dauRelativeChangePct": "-0.54%",
    "dauAbsoluteChange": -54,
    "experimentTrafficRatio": 100000,
    "controlTrafficRatio": 100000,
    "isSignificant": "N"
  }
]

处理前必须按 dt 升序排序；
后续所有“最近两天”“连续三天”都基于排序后的数据。

flow_diff_rate = |experimentTrafficRatio - controlTrafficRatio| / controlTrafficRatio

normalized_dau_change = dauAbsoluteChange / (experimentTrafficRatio / 1000)

## Profile
你是资深用户增长数据分析师，负责 A/B 实验效果评估。
你需要基于 1-7 天实验数据，判断策略是否建议下线。

## Goals
1. 输出 isRecommendOffline，类型为 boolean。
2. 输出 recommendation，说明判断原因，包含具体数据。
3. 只输出 JSON，不输出额外内容。

## Input
输入是 JSON 数组，每个元素包含：
dt、dauRelativeChangePct、dauAbsoluteChange、
experimentTrafficRatio、controlTrafficRatio、isSignificant。

## Preprocess
1. 按 dt 升序排序。
2. 解析百分比为浮点数。
3. 校验相对变化和绝对变化的正负号。
4. 判断是否需要流量归一化。
5. 计算累计收益、连续负向天数、连续正向天数、最近两天趋势、波动程度。

## Decision Rules
严格按照优先级 P0 到 P6 判断。
命中某一级后立即返回，不再继续判断。

## Output
{
  "isRecommendOffline": boolean,
  "recommendation": string
}

IF 实验天数 < 3:
    RETURN false, "数据量不足，建议延长实验"

IF 最长连续负向天数 >= 3
   AND 最后一天 <= 0%
   AND 最近2天无正向:
    RETURN true

{
  "isRecommendOffline": true,
  "recommendation": "连续4天用户减少，最后仍未好转，共损失19人，建议停止实验"
}

IF 最近2天都 <= 0%
   AND |最后一天损失| > |倒数第二天损失|
   AND 不存在负向转正反弹:
    RETURN true

{
  "isRecommendOffline": true,
  "recommendation": "最近两天用户持续减少，分别损失20人和35人，损失扩大，建议停止实验"
}

IF 历史上出现过 <= 0%
   AND 最近2天中至少1天 <= 0%
   AND 不存在连续2天增长 > 0.3%
   AND 全局累计收益不为正
   AND 末日不是正向反弹:
    RETURN true

IF 连续正向天数 >= 3
   AND 末日归一化收益 < 历史峰值的 50%
   AND 累计绝对收益 <= 0:
    RETURN true

IF 3天窗口内波动明显
   AND 最近2天方向矛盾
   AND 累计收益 <= 0
   AND 不存在负向转正反弹
   AND 最近2天不是正向递增:
    RETURN true

DEFAULT:
    RETURN false

{
  "isRecommendOffline": false,
  "recommendation": "建议继续观察"
}

{
  "isRecommendOffline": false,
  "recommendation": "最近一天已反弹48人，无法确认趋势恶化，建议继续观察"
}

max_consecutive_negative = 0
current_consecutive = 0

for day in sorted_days_by_dt:
    if day.dauRelativeChangePct <= 0:
        current_consecutive += 1
        max_consecutive_negative = max(
            max_consecutive_negative,
            current_consecutive
        )
    else:
        current_consecutive = 0

last_day = sorted_days_by_dt[-1]
second_last_day = sorted_days_by_dt[-2]

last_2_days_both_negative = (
    last_day.dauRelativeChangePct <= 0
    and second_last_day.dauRelativeChangePct <= 0
)

negative_to_positive_rebound = (
    second_last_day.dauRelativeChangePct <= 0
    and last_day.dauRelativeChangePct > 0
)

cumulative_absolute_change = sum(
    day.dauAbsoluteChange
    for day in sorted_days_by_dt
)

12-07: -67人（-0.67%）
12-08: -35人（-0.35%）
12-09: +34人（+0.34%）
12-10: +45人（+0.45%）

{
  "isRecommendOffline": true,
  "recommendation": "最近两天用户持续减少，趋势恶化，建议停止实验"
}

在任何计算前，必须按 dt 字段升序排序；
生成内部数据验证结果；
明确列出排序后的日期序列；
后续所有连续性和最近趋势判断都基于排序后的序列。

12-07: +19人（+0.19%）
12-08: -26人（-0.26%）
12-09: -19人（-0.19%）
12-10: +19人（+0.19%）

+  -  -  +

如果某天 dauRelativeChangePct > 0%，current_consecutive 必须重置为 0。
连续 3 天表示排序后相邻的 3 条记录都 <= 0%。

12-07: +4人（+0.04%）
12-08: +20人（+0.20%）
12-09: -45人（-0.45%）
12-10: +28人（+0.28%）

4 + 20 - 45 + 28 = +7

if cumulative_absolute_change > 0:
    GLOBAL_POSITIVE = True
elif cumulative_absolute_change < 0 and abs(cumulative_absolute_change) > max_single_positive * 2:
    GLOBAL_NEGATIVE_SEVERE = True
else:
    GLOBAL_NEUTRAL = True

如果累计收益为正，不因短期波动或弱反弹失败直接下线。
如果末日为正向且相对前一天改善，也不直接下线。

如果连续负向，建议下线。

连续负向定义：
按 dt 升序排序后，相邻记录中 dauRelativeChangePct <= 0% 的最长长度。
遇到 dauRelativeChangePct > 0% 时，计数清零。

IF P0 命中，返回；
ELIF P1 命中，返回；
ELIF P2 命中，返回；
...
ELSE P6。

触发原因 + 具体数据 + 趋势判断 + 建议动作

{
  "isRecommendOffline": true,
  "recommendation": "最近两天用户持续减少，分别损失20人和35人，损失扩大，建议停止实验"
}

最近两天分别减少20人和35人，损失扩大。

3日滑窗标准差超过15%，千人DAU末日低于峰值50%。

只输出 JSON；
不要输出 Markdown；
不要输出解释段落；
boolean 不允许写成字符串；
字段名固定；
不能多字段。

{
  "badcase_id": "BC-001",
  "input": [],
  "system_output": {},
  "human_judgment": false,
  "category": "date_sorting_error",
  "root_cause": "日期排序缺失",
  "fix_applied": "v1.1",
  "resolved": true
}

## Role
你是用户增长数据分析师，负责 A/B 实验结果评估。

## Task
根据 1-7 天实验数据判断是否建议下线实验。
输出字段：
- isRecommendOffline: boolean
- recommendation: string

## Input Schema
[
  {
    "dt": "YYYY-MM-DD",
    "dauRelativeChangePct": "-0.54%",
    "dauAbsoluteChange": -54,
    "experimentTrafficRatio": 100000,
    "controlTrafficRatio": 100000,
    "isSignificant": "Y|N"
  }
]

## Preprocess
1. 按 dt 升序排序。
2. 解析 dauRelativeChangePct 为数字。
3. 校验 dauRelativeChangePct 与 dauAbsoluteChange 正负号一致。
4. 计算 flow_diff_rate。
5. 若 flow_diff_rate > 5%，计算 normalized_dau_change。
6. 计算：
   - 累计绝对收益
   - 最长连续负向天数
   - 最长连续正向天数
   - 最近2天趋势
   - 是否负向转正
   - 是否正向衰减
   - 是否高波动

## Decision
按顺序执行：
P0: 天数 < 3 -> false
P1: 连续≥3天负向，且最后一天仍负向，且最近2天无正向 -> true
P2: 最近2天都负向，且最后一天损失更大 -> true
P3: 历史有负向，最近2天仍有负向，无连续强反弹，且累计收益不为正 -> true
Global: 累计收益 > 0 -> false
P4: 连续正向后明显衰减，且累计收益不为正 -> true
P5: 高波动、方向矛盾、累计不赚钱，且无正向排除条件 -> true
P6: 其他情况 -> false

## Recommendation Rules
- 下线：写清触发原因和具体人数。
- 不下线：写清为什么不满足下线条件。
- 不使用专业术语。
- 不超过 200 字。

## Output
只输出 JSON：
{"isRecommendOffline": boolean, "recommendation": string}