gang-cluster-analysis
围绕一组电话号码或候选对象识别疑似团伙簇,综合共享设备、共同对端、内部关系、邻居重叠和多跳关联输出候选簇、核心节点、桥接点和证据链。适用于团伙/簇/核心成员/桥接点问题;不用于单号码画像、TopN 排名、地域对比或确认性案件定性。
SKILL.mdskills/custom/phone-network-analysis/gang-cluster-analysis/SKILL.md
GitHubgang-cluster-analysis
这个 skill 是做什么的
这个 skill 用来做疑似团伙 / 群组识别。
它不是只看单个号码,也不是只看两个号码,而是:
- 先从输入号码出发扩展候选成员
- 再综合 共享设备、共同对端、内部号码对关系、邻居重叠 等证据
- 识别是否存在一个更紧的疑似团伙簇
- 输出:
- 团伙簇列表
- 重点簇
- 核心节点
- 桥接点 / 或桥接解释
- 号码对证据链
- 共享设备证据
- 共同对端证据
- Markdown 报告 + 多个 CSV 证据文件
它和前面 skill 的关系
这个 skill 本质上是基础算子 + 现有高级分析 skill 的组合版:
- 候选扩展:neighbor_query + common_neighbor + relationship_filter
- 号码对关系:common_neighbor + query_shared_device + relationship_filter
- 子群识别:subgraph_by_nodes + aggregation_query
- 核心节点 / 桥接点排序:aggregation_query + 局部图排序
- 后续复核:association-path-analysis + overlap-analysis + single-number-analysis + shared-device-analysis
所以它不是凭空“猜团伙”,而是把前面已经做好的分析能力组合起来,形成一个更高层的团伙识别 skill。
输入方式
支持三种输入方式,至少给一种:
--phone-ids--phone-id-file--input-csv + --phone-id-column
常用参数
--group-name:本次分析名字--candidate-scope:候选扩展方式input_onlyshared_devicecommon_counterpartymixed(推荐)
--max-expand-nodes:最多保留多少候选号码--top-k:输出前几条重点结果--min-shared-device-count:最少共享设备数--min-common-counterparty-count:最少共同对端数--min-neighbor-overlap:最少邻居重叠比例--min-edge-score:保留关系边的最低分--focus-min-cluster-size:重点簇的最小人数
内置示例文件(这部分非常重要)
sample_group_ids.txt 是什么
sample_group_ids.txt 是 这个 skill 自带的内置示例号码文件,不是用户上传文件,也不是数据集目录里的原始文件。
它的默认位置是:
/mnt/skills/custom/phone-network-analysis/gang-cluster-analysis/scripts/sample_group_ids.txt
当前端或模型看到下面这种说法时,必须这样理解
- “号码文件:sample_group_ids.txt”
- “使用示例号码文件 sample_group_ids.txt”
- “请直接用 sample_group_ids.txt 测试”
都应当理解为:
优先使用 skill 自带的这个内置示例文件,也就是:
/mnt/skills/custom/phone-network-analysis/gang-cluster-analysis/scripts/sample_group_ids.txt
不要做的事
当文件名是 sample_group_ids.txt 时:
- 不要先去
/mnt/user-data/uploads/查找 - 不要先去
/mnt/datasets/查找 - 不要把它当成用户额外上传的输入文件
除非用户明确说:
- “我自己上传了一个新的
sample_group_ids.txt” - 或者给了别的明确绝对路径
否则默认就是 skill 内置示例文件。
输出内容
会生成 6 个文件:
- Markdown 总报告
- 团伙簇列表 CSV
- 核心节点 CSV
- 号码对证据 CSV
- 共享设备证据 CSV
- 共同对端证据 CSV
这 6 个文件分别是做什么的
- Markdown 总报告:给人直接阅读的总结版,适合前端直接展示。
- 团伙簇列表 CSV:每个 cluster 一行,适合看一共有多少候选团伙簇、各簇规模多大。
- 核心节点 CSV:每个重点成员一行,适合继续做单号码深挖。
- 号码对证据 CSV:每对号码一行,适合复核关系链到底是靠共享设备、共同对端还是内部通话。
- 共享设备证据 CSV:每台重点设备一行,适合继续追设备池。
- 共同对端证据 CSV:每个重点共同对端一行,适合看群体共同接触目标。
能不能合并
不建议把这 6 个文件硬合并成 1 个 CSV。
原因很简单:
- 团伙簇列表是 cluster 级
- 核心节点是 成员级
- 号码对证据是 pair 级
- 共享设备证据是 device 级
- 共同对端证据是 counterparty 级
它们的粒度不同,强行拼成一个表反而更乱。
更合理的做法是:
- 保留这 6 份分表
- 让 Markdown 报告做“总入口”
- 如果后面确实想做“单文件交付版”,建议额外做一个
xlsx工作簿,而不是强行合并 CSV
典型命令
方式 1:直接给一组号码
cd /mnt/skills/custom/phone-network-analysis/gang-cluster-analysis/scripts && python3 gang_cluster_analysis_wrapper.py \
--group-name sample_gang \
--phone-ids "号码1,号码2,号码3" \
--candidate-scope mixed \
--top-k 10
方式 2:使用 skill 自带示例文件(推荐写法)
必须优先使用绝对路径,不要只写 sample_group_ids.txt。
cd /mnt/skills/custom/phone-network-analysis/gang-cluster-analysis/scripts && python3 gang_cluster_analysis_wrapper.py \
--group-name sample_gang \
--phone-id-file /mnt/skills/custom/phone-network-analysis/gang-cluster-analysis/scripts/sample_group_ids.txt \
--candidate-scope mixed \
--max-expand-nodes 120 \
--top-k 10 \
--min-shared-device-count 1 \
--min-common-counterparty-count 2
方式 3:从用户自己的 CSV 读号码
cd /mnt/skills/custom/phone-network-analysis/gang-cluster-analysis/scripts && python3 gang_cluster_analysis_wrapper.py \
--group-name custom_group \
--input-csv /mnt/user-data/uploads/你的文件.csv \
--phone-id-column phone_id \
--candidate-scope mixed \
--top-k 10
推荐提示词
Q1:标准团伙识别
请使用 gang-cluster-analysis skill,围绕这组号码识别是否存在疑似团伙簇。要求:
- 输出候选扩展规模
- 输出识别到的团伙簇列表
- 输出重点簇的核心节点和桥接点
- 输出共享设备证据、共同对端证据和号码对证据链
- 生成 markdown 报告和 csv 证据文件并展示下载附件
Q2:偏共享设备团伙
请使用 gang-cluster-analysis skill,重点围绕共享设备线索识别团伙。参数:candidate_scope=shared_device, top_k=10。
Q3:偏共同对端耦合团伙
请使用 gang-cluster-analysis skill,重点围绕共同对端和邻居重叠识别团伙。参数:candidate_scope=common_counterparty, min_common_counterparty_count=2, top_k=10。
Q4:使用内置示例文件测试(非常推荐这样写)
请使用 gang-cluster-analysis skill,围绕这组号码识别是否存在疑似团伙簇。号码文件使用 skill 自带示例文件:
/mnt/skills/custom/phone-network-analysis/gang-cluster-analysis/scripts/sample_group_ids.txt
参数:candidate_scope=mixed, top_k=10。
前端展示规范(很重要)
前端执行完脚本后,不要只把 JSON 里的路径字符串打印出来,而要显式展示附件。
必须按下面顺序做:
- 运行脚本
- 读取 JSON 输出里的:
report_pathartifacts
- 对每个 artifact 先检查文件是否存在
- 先读取 Markdown 报告正文
- 再把 markdown + csv 全部挂成附件卡片
特别规则:当用户提到 sample_group_ids.txt
如果用户提示词里写的是:
sample_group_ids.txt- “示例号码文件”
- “skill 自带号码文件”
前端 / 模型应直接使用:
/mnt/skills/custom/phone-network-analysis/gang-cluster-analysis/scripts/sample_group_ids.txt
不要先去 /mnt/user-data/uploads/ 或 /mnt/datasets/ 查找。
结果怎么理解
如果识别到“共享设备驱动团伙簇”
说明这批号码主要靠共用设备连起来,通常优先查设备池。
如果识别到“共同对端耦合团伙簇”
说明这批号码虽然未必直接互打,但共同接触了同一批对象,可能属于同圈层。
如果重点团伙簇密度很高,但桥接中心性全为 0
这通常不表示结果有问题,而是说明这个簇已经非常紧密,内部没有明显“单一桥接点”。此时更应该优先关注:
- 核心节点
- 共享设备证据
- 号码对高分关系
如果只得到“候选松散关联群组”
说明有一定关联,但还不足以支撑“紧密团伙簇”的判断,需要继续下钻。
注意事项
- 输入号码太少时,更容易得到“候选群组”,不一定形成紧密团伙。
candidate_scope=mixed一般效果最好。- 如果前端要展示下载附件,必须让模型读取 JSON 输出里的
artifacts/report_path。 - 如果号码文件是
sample_group_ids.txt,默认就是 skill 内置示例文件,优先使用绝对路径:
/mnt/skills/custom/phone-network-analysis/gang-cluster-analysis/scripts/sample_group_ids.txt
- 如果要进一步复核关系,建议联动:
shared-device-analysisassociation-path-analysisoverlap-analysissingle-number-analysis