需将朴素贝叶斯与hermes agent anomaly模块集成，路径有三：一、扩展anomaly_detector.py注入gaussiannb并设概率阈值；二、新建nb-anomaly技能模块封装建模逻辑；三、通过cron调度嵌入周期性nb扫描流水线。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您在使用Hermes Agent进行异常检测任务时，希望借助朴素贝叶斯（Naive Bayes）这一轻量、可解释性强的概率模型实现高效数据异常识别，则需将其与Hermes Agent的Anomaly集成模块协同配置。以下是实现该集成的多种可行路径：
一、通过tools/data_analysis/anomaly_detector.py扩展内置检测器
该方法利用Hermes Agent已有的anomaly_detector.py作为基类，注入朴素贝叶斯分类器作为底层判别模型，适用于结构化时序或标签化历史数据的离群点识别。
1、进入项目根目录，定位到tools/data_analysis/子路径。
2、备份原始anomaly_detector.py文件，防止覆盖。
3、在该文件中导入scikit-learn的GaussianNB，并替换原有检测逻辑：将fit()方法重写为调用GaussianNB().fit(X_train, y_train)，其中y_train由人工标注的正常/异常标签构成。
4、修改predict_proba()输出，使返回值中异常类别的后验概率高于阈值<strong><font color="green">0.85</font></strong>时触发ANOMALY_DETECTED事件。
5、运行hermes run --skill anomaly-detect --config config_nb.yaml加载新配置启动检测流程。
二、构建独立NB-Skill模块并注册至skills/目录
此方式将朴素贝叶斯建模完全封装为一个可复用、可版本管理的技能单元，不侵入核心代码，符合Hermes Agent模块化设计原则，支持跨项目复用与社区共享。
1、在skills/下新建子目录nb-anomaly/。
2、在该目录中创建SKILL.md，声明技能元信息：名称为nb-anomaly-detector，输入支持CSV/Parquet格式，输出含anomaly_score与explanation_text字段。
3、编写main.py，使用sklearn.naive_bayes.CategoricalNB处理离散特征，或GaussianNB处理连续特征；对输入数据自动执行标准化与缺失值填充（调用tools/file_tools.py中的impute_missing()）。
4、在skills/__init__.py中注册该技能路径，确保CLI能识别hermes skill nb-anomaly-detector命令。
5、执行hermes skill nb-anomaly-detector --data sensor_logs_2026Q1.csv --threshold <strong><font color="green">0.92</font></strong>完成单次检测。
三、在cron调度中嵌入NB异常评估流水线
该方法面向需要周期性扫描数据流并自动触发告警的生产场景，结合Hermes Agent的定时任务能力，将朴素贝叶斯模型部署为后台常驻检测服务。
1、编辑cron/jobs.py，新增函数run_nb_anomaly_sweep()，其内部调用上一步构建的nb-anomaly技能。
2、配置cron/scheduler.py，添加新任务条目：{"name": "daily_nb_scan", "interval": "0 2 * * *", "skill": "nb-anomaly-detector", "args": {"--data": "/var/log/processed/daily_batch.parquet", "--output": "/alerts/nb_daily.json"}}。
3、确保目标数据路径/var/log/processed/具有读取权限，且/alerts/目录存在并可写。
4、启动调度器：hermes cron start，系统将在每日凌晨2点自动执行朴素贝叶斯异常扫描。
5、检查生成的/alerts/nb_daily.json，确认其中包含至少一条"severity": <strong><font color="green">CRITICAL</font></strong>记录即表示集成生效。
