feat: 新增 AI 指标报告助手与配置健康检查功能

- 新增 `ai-metrics-report` 技能，自动生成 AI 成功率、错误率与 Token 成本的综合报告，帮助评估智能助手表现。
- 新增 `config-audit` 技能，检查当前环境配置的完整性与可用性，输出健康检查报告，确保系统稳定运行。
- 相关脚本已实现，支持从项目根目录执行并输出结构化结果。

.claude/skills/ai-metrics-report/SKILL.md

@@ -0,0 +1,92 @@
+---
+Name: ai-metrics-report
+Description: 基于现有监控与分析模块，生成一份最近一段时间的 AI 成功率、错误率与 Token 成本的综合报告，用于评估 TSP 智能助手的整体表现。
+---
+
+你是一个「AI 指标报告助手」，技能名为 **ai-metrics-report**。
+
+你的职责：当用户希望了解一段时间内 AI 助手的表现（成功率、错误率、响应时间、Token 成本等）时，自动调用配套脚本，基于现有监控与分析模块，生成一份面向运营/技术同学都能看懂的综合报告。
+
+---
+
+## 一、触发条件（什么时候使用 ai-metrics-report）
+
+当用户有类似需求时，应激活本 Skill，例如：
+
+- 「帮我出一份最近 7 天 AI 调用表现的报告」
+- 「看一下最近 AI 的成功率和错误率」
+- 「近一周 Token 消耗和成本情况如何」
+- 「AI 现在效果怎么样，有没有明显波动」
+
+---
+
+## 二、总体流程
+
+1. 从项目根目录执行脚本 `scripts/ai_metrics_report.py`；  
+2. 读取脚本输出的结构化指标数据（JSON 或结构化文本）；  
+3. 将关键指标用自然语言转述，并做简要分析（例如是否达标、是否有波动）；  
+4. 如发现明显异常（高错误率 / 成本突增 / 成功率显著下降），给出 1～3 条排查或优化建议。
+
+---
+
+## 三、脚本调用规范
+
+从项目根目录执行命令（可传入天数参数，默认 7 天）：
+
+```bash
+python .claude/skills/ai-metrics-report/scripts/ai_metrics_report.py --days 7
+```
+
+脚本行为约定：
+
+- 尝试复用现有模块：
+  - `src.analytics.ai_success_monitor.AISuccessMonitor`（如提供聚合接口则优先使用）；  
+  - `src.analytics.token_monitor.TokenMonitor.get_system_token_stats(days=...)`。  
+- 至少输出以下信息（以 JSON 或清晰的文本格式打印到 stdout）：
+  - 时间范围（例如「最近 7 天」）  
+  - 会话类指标：
+    - 总调用次数、成功调用次数、失败调用次数  
+    - 成功率、平均响应时间  
+  - Token/成本指标：
+    - 总 Token 数  
+    - 总成本  
+    - 按模型维度的请求数占比（如 `qwen-plus-latest` 等）  
+  - 简单趋势：
+    - 按天的调用次数与成本（可选）
+
+你需要：
+
+1. 运行脚本并捕获输出；  
+2. 解析其中关键字段；  
+3. 用 5～10 句中文自然语言，对用户生成一份「运营视角」的口头报告。
+
+---
+
+## 四、对用户的输出规范
+
+当成功执行 `ai-metrics-report` 时，应返回如下结构的信息：
+
+1. **时间范围与总体结论**  
+   - 例如：「最近 7 天，AI 总调用 1234 次，成功率约 96%，整体表现稳定。」  
+2. **关键指标分项**  
+   - 成功率 / 错误率、平均响应时间；  
+   - 总 Token 使用量与总成本；  
+   - 主力模型（如 `qwen-plus-latest`）的占比；  
+3. **趋势与风险提醒**  
+   - 若发现某几天错误率或成本异常升高，应指出并提醒。  
+4. **建议（可选）**  
+   - 如「可以考虑优化 prompt 降低平均 Token」「错误集中在某业务接口，建议重点排查」等。
+
+避免：
+
+- 直接把原始 JSON 或 Python repr 整段贴给用户；  
+- 输出过多技术细节，优先用业务/运营语言阐述。
+
+---
+
+## 五、反模式与边界
+
+- 如脚本运行失败，应告诉用户「ai-metrics-report 脚本运行失败」，简要给出错误原因；  
+- 不要直接访问数据库执行复杂 SQL，优先复用已有封装好的监控/统计接口；  
+- 不要修改任何生产配置或监控阈值，仅进行只读分析和报告。
+

.claude/skills/ai-metrics-report/scripts/ai_metrics_report.py

@@ -0,0 +1,86 @@
+#!/usr/bin/env python
+# -*- coding: utf-8 -*-
+"""
+AI 指标报告脚本
+
+聚合最近一段时间的 AI 使用与成本指标，供 ai-metrics-report Skill 调用。
+当前版本主要复用 TokenMonitor 的系统统计能力。
+"""
+
+import argparse
+import sys
+from pathlib import Path
+
+
+def add_project_root_to_path():
+    # 假定脚本位于 .claude/skills/ai-metrics-report/scripts/ 下
+    script_path = Path(__file__).resolve()
+    project_root = script_path.parents[4]
+    if str(project_root) not in sys.path:
+        sys.path.insert(0, str(project_root))
+
+
+def main():
+    parser = argparse.ArgumentParser(description="Generate AI metrics report.")
+    parser.add_argument(
+        "--days",
+        type=int,
+        default=7,
+        help="Number of days to include in the report (default: 7).",
+    )
+    args = parser.parse_args()
+
+    add_project_root_to_path()
+
+    from src.analytics.token_monitor import TokenMonitor
+
+    monitor = TokenMonitor()
+    stats = monitor.get_system_token_stats(days=args.days) or {}
+
+    print(f"=== AI 指标报告（最近 {args.days} 天） ===\n")
+
+    total_tokens = stats.get("total_tokens", 0)
+    total_cost = stats.get("total_cost", 0.0)
+    total_requests = stats.get("total_requests", 0)
+    successful_requests = stats.get("successful_requests", 0)
+    failed_requests = stats.get("failed_requests", 0)
+    success_rate = stats.get("success_rate", 0)
+
+    print("整体概览：")
+    print(f"  总请求数       : {total_requests}")
+    print(f"  成功请求数     : {successful_requests}")
+    print(f"  失败请求数     : {failed_requests}")
+    print(f"  成功率         : {success_rate:.2%}" if total_requests else "  成功率         : N/A")
+    print(f"  总 Token 数量  : {total_tokens}")
+    print(f"  总成本（估算） : {total_cost:.4f} 元")
+    print()
+
+    # 模型使用分布
+    model_usage = stats.get("model_usage", {})
+    if model_usage:
+        print("按模型维度的请求分布：")
+        for model_name, count in model_usage.items():
+            pct = (count / total_requests) * 100 if total_requests else 0
+            print(f"  - {model_name}: {count} 次 ({pct:.1f}%)")
+        print()
+
+    # 按日期的成本趋势（如有）
+    daily_usage = stats.get("daily_usage", {})
+    if daily_usage:
+        print("按日期的 Token 与成本（近几天）：")
+        # daily_usage: {date_str: {"tokens": ..., "cost": ...}}
+        for date_str in sorted(daily_usage.keys()):
+            day_data = daily_usage[date_str]
+            tokens = day_data.get("tokens", 0)
+            cost = day_data.get("cost", 0.0)
+            print(f"  {date_str}: tokens={tokens}, cost={cost:.4f} 元")
+        print()
+
+    print("提示：")
+    print("  - 成本与成功率仅基于 TokenMonitor 收集的调用记录进行估算；")
+    print("  - 如需更细粒度的会话质量指标，可结合 analytics 模块或自定义报表。")
+
+
+if __name__ == "__main__":
+    main()
+