☁️ 云海预测 — 零门槛快速开始

只需说一句话，自动完成全部流程。 无需配置、无需指定山峰、无需调用工具。

⚡ 最简用法（一句话搞定）

📋 完整流程（Step 1→5）

Step 1  判断任务类型（默认16峰 / 指定山峰 / 日出专项）
   ↓
Step 2  自动抓取 Open-Meteo 气象数据（含露点温度 dew_point_2m）
   ↓
Step 3  12因子综合评分 + 通透度评估
   ↓
Step 4  生成完整 Markdown 报告并展示
   ↓
Step 5  生成 HTML 可视化报告（可选）

🎯 关键规则（防止出错）

1. 露点温度必须来自 API，绝不假设
2. 雾顶公式：雾顶 = 气象站海拔 + 雾底高度(LCL) + 100m
3. 山在雾上 = 山顶差 > 0，山顶差 < 0 说明在雾中看不见
4. 通透度 ≤ 4.0 → 灰霾警告，即使有云海视觉也差
5. 长城段（金山岭/箭扣）海拔仅 900-1100m，在辐射雾雾顶(1500-2500m)之下，无云海可见

📁 文件结构（供参考）

references/peaks.json   ← 16峰官方坐标（自动引用，无需配置）
references/report-template.md  ← 报告模板
scripts/weather_fetch.py      ← 数据获取
scripts/analyzer.py           ← 评分计算
scripts/report_gen.py         ← HTML 生成

Cloud Sea 云海预测技能

⚡ 核心规则速查（必读）

以下规则是云海预测的生死线，每次执行必须遵守。

✅ 执行检查清单（每次预测必须逐项确认）

这是防止跳步骤的核心机制。每次云海预测必须逐项打勾，全部✅才能结束任务。

□ Step 1: 判断任务类型（云海预测/日出专项/对比/核实/原理/雾型）
□ Step 2-Step 2: LCL V2.0 三层融合（ECMWF Layer1 + CMA Layer2 + ENS Layer3）
□
 Step 3: 12因子评分计算 + 通透度评估
□ Step 4-1: read references/report-template.md（不读模板=零分）
□ Step 4-2: 按模板逐节填充（16峰排名+雾型+气象+TOP3逐时+行程+装备+结论+速查）
□ Step 4-3: 保存到 cloud-sea-{date}.md
□ Step 4-4: read 保存的报告文件 → 完整写入 AI 回复
□ Step 5: 生成 HTML 可视化报告

执行流程（按顺序执行）

Step 1 - 判断任务类型

Step 2 - LCL V2.0 三层融合数据获取（强制要求）

LCL V2.0 将三重核实内化为三层融合，自动完成多源交叉验证，不再需要手动执行三轮核实。 每次预测自动调用 weather_fetch.py，内部完成全部三层融合逻辑。

LCL V2.0 三层融合架构

注意：ecmwf_ifs04 (0.4°) 返回空数据，必须使用 ecmwf_ifs025 (0.25°)。

山峰坐标详见 references/peaks.json（官方16峰，无需手动配置）。

Layer 1：ECMWF IFS 0.25°（每个山峰独立，必做）

对每个山峰坐标调用 ECMWF 模型，必须包含 dew_point_2m：

GET https://api.open-meteo.com/v1/forecast
?latitude=<山峰纬>&longitude=<山峰经>
&models=ecmwf_ifs025
&hourly=temperature_2m,dew_point_2m,relative_humidity_2m,
     precipitation_probability,precipitation,
     wind_speed_10m,wind_direction_10m,cloud_cover,
     weather_code,surface_pressure
&daily=temperature_2m_max,temperature_2m_min
&timezone=Asia/Shanghai&forecast_days=7

⚠️ dew_point_2m 是必取字段：这是 ECMWF 直接测量的露点温度。当 RH=100% 且 T≈Td 时，LCL_ag≈0（雾在地面）。

Layer 2：CMA 中国气象局（与 Layer 1 并行）

CMA 数据通过 Open-Meteo 默认模型获取，与 ECMWF Layer 1 自动交叉验证。 禁止使用城区站作为山地观测点的核实数据——城区在逆温层上方，数据与山地存在系统性偏差。

通过 Open-Meteo 默认模型（综合多数据源）获取，与 Layer 1 并行执行：

GET https://api.open-meteo.com/v1/forecast
?latitude=<山峰纬>&longitude=<山峰经>
&hourly=temperature_2m,dew_point_2m,relative_humidity_2m,
     wind_speed_10m,wind_direction_10m,cloud_cover
&timezone=Asia/Shanghai&forecast_days=7

Layer 3：ENS 集合预报不确定性量化

ENS（Ensemble）集合预报提供 5 个成员采样，自动量化 LCL 预测的不确定性。 当 ENS 标准差较大时，置信度降低，需在报告中标注不确定性。

ENS 融合逻辑：

• 对每个山峰调用 ecmwf_ensemble 获取 5 个成员
• 计算 LCL 均值（mean）和标准差（std）
• 最终 LCL = Layer1 × 0.5 + Layer2 × 0.3 + ENS_mean × 0.2（加权融合）
• ENS std > 300m → 标注「预测不确定性较高」

GET https://api.open-meteo.com/v1/forecast
?latitude=<山峰纬>&longitude=<山峰经>
&models=ecmwf_ensemble
&hourly=temperature_2m,dew_point_2m
&timezone=Asia/Shanghai&forecast_days=7

雾顶物理校验（所有层级共用）

Magnus 公式在所有层级通用，用于校验融合结果的物理合理性。

核心公式：

• LCL_ag(m) = 125 × (T − dew_point_2m实测)
• fog_top_msl = station_elev + LCL_ag + 100m

山顶 vs 雾顶判定：

• > 200m → ✅ 远高于雾顶（可见云海）
• 0~200m → ⚠️ 接近雾层边缘
• < 0m → ❌ 在雾中（看不见云海）

⚠️ 禁止跳峰：每个山峰必须独立获取数据，不得共用或假设。

Step 3 - 评分计算

使用 12 因子综合评分模型。

完整评分模型、因子权重、计算公式详见 references/scoring-standards.md

大气通透度评估（因子 11 增强版 · 2026-04-17 新增）

为什么需要通透度：云海是否"好看"不仅取决于有没有雾，还取决于大气是否通透。 灰霾天气下即使有云海，视觉也是白茫茫一片，无层次、无色彩，拍摄效果差。

数据来源（全部免费，无需 API Key）：

通透度等级与云海概率修正：

城区 vs 山峰：

• 城区监测点（39.92°N, 116.40°E, 45m）代表平原低海拔空气质量
• 各山峰独立获取 visibility（山顶能见度可能优于城区）
• 评分取城区空气质量 + 山峰能见度两者综合

API 调用示例：

# 空气质量（独立端点，非天气 API）
GET https://air-quality-api.open-meteo.com/v1/air-quality
?latitude=39.92&longitude=116.40
&hourly=pm10,pm2_5,nitrogen_dioxide,ozone,aerosol_optical_depth,us_aqi
&timezone=Asia/Shanghai&forecast_days=7

# 能见度（天气 API 的 visibility 字段）
GET https://api.open-meteo.com/v1/forecast
?latitude=39.92&longitude=116.40
&hourly=visibility
&timezone=Asia/Shanghai&forecast_days=7

Step 3.5 - 日出云海质量预测（可选扩展 · 当用户询问日出时使用）

当用户询问日出云海质量、云层类型（高云/中云/低云）、日出视觉预测时，执行此步骤。 此步骤基于 Step 2 已获取的逐时气象数据，无需额外 API 调用。

3.5.1 日出时间窗口定义

北京4月日出约 05:30-05:50，取以下三个关键时次分析：

3.5.2 云层高度分类（WMO天气码 + LCL 双重判定）

LCL 快速判定（无需 Magnus 公式）：

LCL_ag(m) ≈ 125 × (T − dew_point_2m)

当 LCL < 300m 时为极低雾层（辐射雾），日出景观最佳。

3.5.3 日出质量评分模型（0-100分）

综合五个维度：

3.5.4 日出序列输出要求

对每个目标山峰，输出日出前后 3 小时（04:00-08:00）的逐时数据：

| 时间 | 云量% | 天气 | 雾层状态 | 风速 | 降水概率% |
|------|:-----:|------|---------|-----:|--------:|
| 04:00 | 100% | Overcast | 在雾中 | 2.9km/h | 0% |
| 05:00 | 100% | Overcast | 在雾中 | 2.9km/h | 0% |
| 06:00 | 81%  | PartlyCloudy | 在雾中 | 2.4km/h | 0% |
| 07:00 | 83%  | PartlyCloudy | 在雾中 | 2.5km/h | 0% |
| 08:00 | 90%  | Overcast | 高于雾顶 | 3.9km/h | 0% |

日出序列需包含以下判定：

• 日出瞬间（05:40）天空状况：晴/多云/雾遮蔽
• 雾层抬升时间：山峰何时"浮出"云海
• 金色拍摄窗口：LCL 降至最低、山峰露出、太阳仰角>5°的时间段

3.5.5 日出专题报告内容结构

1. 核心发现（一句话总结）
2. 逐日日出综合评级表（⭐制度，1-4星）
3. 云层类型分类（高云/中云/低云/雾 vs 雾凇/辐射雾）
4. 各峰日出序列（关键时次数据）
5. 最佳日出推荐（综合评分最高日）
6. 风险提示（浓雾安全、山路结冰、拍摄窗口等）

Step 4 - 生成 Markdown 报告（主会话输出 · 强制使用模板）

⚠️ 硬性规则：主会话云海预测输出必须使用 references/report-template.md 模板格式。 不得自行编造格式、省略模块、或使用其他结构。每次输出前，先读模板再填数据。

执行步骤（必须按序执行，不可跳过任何步骤）：

1. 读取模板：read references/report-template.md
2. 按模板结构逐节填充数据（不得跳过任何节）：
   • 16峰综合排名表（含概率🟢🟡🔴、LCL、雾顶、山顶差、风速、通透度、日出评级、雾型、形成机制、最佳出行时间）
   • 雾型与形成机制分类（5种雾型表 + 当日雾型诊断表）
   • 气象分析（能见度、PM2.5、AOD、风速、LCL、湿度 + 形势判断✅⚠️❌）
   • 出行建议（TOP3，每个含逐小时 04:00-08:00 关键数据表）
   • 行程规划（至少2个方案）
   • 推荐优先级矩阵 + 决策建议 + 交通建议 + 实时确认
   • 装备清单（checkbox格式）
   • 结论
   • 格式规范速查（概率颜色、日出评级、通透度评级、山顶差判定）
3. 保存到工作区：cloud-sea-{date}.md（单日）或 cloud-sea-weekly-{date}.md（周报）
4. 【强制步骤】主会话显示完整报告
   • ⚠️ 这是强制步骤，每次预测完成后必须执行，无需用户额外要求
   • 执行方式：使用 read 工具读取刚保存的文件，然后将文件内容直接写入 AI 回复中
   • 关键理解：read 工具的结果显示在工具调用结果中，但必须将内容复制到 AI 的回复文本中
   • 不得仅输出摘要、链接或"报告已生成"等简略信息
   • 必须执行：读取文件后，将内容全部复制到 AI 回复中，确保用户能直接看到完整报告
   • 使用 read 工具读取刚保存的文件，然后将文件内容复制粘贴到 AI 回复中
   • 不得仅输出摘要、链接或"报告已生成"等简略信息
   • 主会话输出必须与模板结构完全一致（不得省略任何模块）

常见错误（禁止）：

• ❌ 省略格式规范速查节（"太长"不是理由，模板规定必须完整输出）
• ❌ 自行简化排名表（必须包含模板定义的全部12列）
• ❌ 省略TOP3逐小时数据表
• ❌ 不读模板直接凭记忆输出（记忆会遗漏模块）

Step 5 - 生成 HTML 可视化报告

HTML 模板路径：assets/report-template.html（v2 动态占位符版本）

模板使用 {{PLACEHOLDER}} 语法，由 scripts/report_gen.py（推荐，含雾型诊断引擎）或 assets/_build_html_v3.py 填充数据。 完整占位符清单见模板文件顶部 HTML 注释中的 DATA CONTRACT。

必含模块：Header、概率仪表盘、三重核实结论卡片、雾底/雾顶 vs 山顶对比表、逐小时概率曲线（SVG柱状图）、五维评分、大气通透度、雾型分类、时间线、行程规划、优先级矩阵、装备清单、结论、图例。

配色规则：>= 45% 绿色 / >= 30% 蓝色 / >= 15% 黄色 / < 15% 深灰

标准工作流（v2）：

python scripts/analyzer.py --date 2026-04-25 --all   # 获取数据 + 生成 config
python scripts/report_gen.py scripts/report_config.json cloud-sea-2026-04-25.html
python scripts/html_to_image.py cloud-sea-2026-04-25.html cloud-sea-2026-04-25.png

北京及周边云海观测点（经三重核实后修正）

完整山峰坐标、天气网编码、区域信息详见 references/peaks.md

典型观测点概率参考（历史数据）

注意：实际概率需根据当日气象数据计算，上表仅作历史参考。

质量标准

1. 数据必须来自真实来源，不得编造数值，尤其是 dew_point_2m 必须从 API 实测获取
2. 不确定时明确标注概率和风险，云底/雾顶估算须标注置信区间
3. 降水概率 > 20% 必列为高风险
4. 综合概率上限 85%（留出不确定性空间）
5. 推荐出行条件：综合概率 >= 45% 且无高风险项
6. 所有峰云底估算必须使用实测 dew_point_2m，绝不假设 Td 值
7. HTML 配色：深色主题（#0a0e1a 背景）
8. 三重核实是强制要求，不可跳过
9. 通透度评分 ≤ 4.0 时必须在报告中标注"灰霾警告"，即使云海概率高也需提示视觉打折
10. 城区 PM2.5 > 75 μg/m³ 时，云海色彩以灰白为主，需在报告中标注
11. AOD > 0.5 时，远山轮廓不可见，需在报告中标注
12. 雾顶公式统一为：fog_top_msl = station_elev + LCL_ag + 100m（不得用 summit_elev − station_elev 作雾厚）
13. 长城段（金山岭/箭扣）海拔仅 900-1100m，远低于华北辐射雾雾顶（通常 1500-2500m），山顶在雾中，无云海可见，报告中须明确标注
14. 雾型必须从当日实时气象数据动态计算（风向+风速+RH+T-Td），禁止使用硬编码地理假设。判断规则：北风(0-90°或290-360°)+风速≥3km/h+RH<65%→无雾；静风+RH>80%+T-Td<4°C→辐射雾；南风(90-270°)+RH≥75%→上坡雾

云海形成机制分类

完整诊断标准、物理机制、判定条件、快速诊断流程、各峰雾型偏好详见 references/fog-types.md

五种雾型速查

自动化脚本

# 获取气象数据（含 dew_point_2m）
cloud_sea_shared.py         ← 共享常量与辅助函数（唯一真相源）
python scripts/weather_fetch.py

# 生成 HTML 报告
python scripts/report_gen.py report_config.json output.html

文件结构

cloud-sea/
├── SKILL.md                          ← 本文件
├── scripts/
│   ├── cloud_sea_shared.py         ← 共享常量与辅助函数（唯一真相源）
│   ├── weather_fetch.py              ← 多源气象数据（含 dew_point_2m）
│   ├── analyzer.py                   ← 数据分析与评分
│   ├── report_gen.py                 ← HTML 报告生成器（含雾型诊断引擎）
│   ├── sunrise_analysis.py           ← 日出云海质量分析（云层分类+评分）
│   └── html_to_image.py              ← HTML 转 PNG（Playwright）
├── references/
│   ├── peaks.md                      ← 17峰坐标 + 区域编码 + 三重核实分配（权威来源）
│   ├── scoring-standards.md          ← 12因子评分模型（雾型交互引用 fog-types.md）
│   ├── fog-types.md                  ← 雾型诊断 + 雾底实时估算 + 组合效应（权威来源）
│   ├── report-template.md            ← Markdown 报告输出模板
│   ├── data-sources.md               ← 数据源说明
│   ├── locations.md                  ← 观测点位置详情
│   └── SELF-IMPROVEMENTS.md          ← 自我改进日志
└── assets/
    ├── report-template.html           ← HTML 报告模板（v2 动态占位符版，{{PLACEHOLDER}} 语法）
    └── _build_html_v3.py                 ← 独立 HTML 生成器（读取模板 + config → HTML）

⚠️ 共享常量（2026-04-23 新增，2026-04-24 扩展）： 禁止在各文件中重复定义以下常量/函数，统一在 scripts/cloud_sea_shared.py 中定义（唯一真相源）：

• 数据: PEAK_INFO / PEAK_ELEVATIONS / FOG_TYPES / FOG_COMBO_BONUS / FACTOR_WEIGHTS / FACTOR_WEIGHT_VALUES
• 雾型映射: FOG_MECHANISM_MAP / FOG_BEST_TIME_MAP / FOG_ICONS / FOG_STARS
• 函数: calc_fog_type() / estimate_transparency() / prob_class() / diff_class() / fog_mechanism() / fog_best_time() / fog_icon() / fog_stars()
• 配置: DEFAULT_EQUIP_ITEMS

模板系统：两套并存，均为纯占位符模板。

• v2（report-template.html）：35占位符，含雾型诊断、12因子、透明度等，由 scripts/report_gen.py 驱动（推荐）。
• v3（report-template-v3.html）：11占位符，深色科技风简洁设计，由 assets/_build_html_v3.py 驱动。 _build_html.py 已废弃（2026-04-23 删除）。

雾型基础分和组合加分的权威来源是 references/fog-types.md scoring-standards.md 中的雾型矩阵引用 fog-types.md，不单独定义数值。

模板系统：report-template.html 是纯占位符模板，不含硬编码数据。 生成器（scripts/report_gen.py 或 assets/_build_html_v3.py 读取模板并填充 {{PLACEHOLDER}} 占位符。 占位符清单见模板文件顶部 HTML 注释。