SQLite 持久连接 — sandbox 不再每次查询开关连接，改为 __init__ 时建连、close() 时释放

Explorer 的 system prompt 明确告知 sandbox 规则 — "每条 SQL 必须包含聚合函数或 LIMIT"，减少 LLM 生成违规 SQL 浪费轮次
LLM 客户端单例 — 所有组件共享一个 openai.OpenAI 实例，不再各建各的
sanitize 顺序修复 — 小样本抑制放在 float round 之前，避免被 round 干扰
quick_detect 从 O(n²) 改为 O(n) — 按列聚合一次，加去重，不再对每行重复算整列统计
历史上下文实际生效 — get_context_for 的结果现在会注入到 Explorer 的初始 prompt 里，多轮分析时 LLM 能看到之前的发现

playbooks/auto_1_工单处理效率分析.json

@@ -0,0 +1,22 @@
+{
+  "name": "工单处理效率分析",
+  "description": "分析不同问题类型和模块的工单关闭时长，识别处理瓶颈。",
+  "tags": [
+    "关闭时长",
+    "问题类型",
+    "模块",
+    "效率"
+  ],
+  "preset_queries": [
+    {
+      "purpose": "计算每个问题类型的平均关闭时长，识别处理最慢的问题类型。",
+      "sql": "SELECT 问题类型, ROUND(AVG(关闭时长_天), 2) AS 平均关闭时长 FROM tickets GROUP BY 问题类型 ORDER BY 平均关闭时长 DESC LIMIT 10"
+    },
+    {
+      "purpose": "计算每个模块的平均关闭时长，识别处理最慢的模块。",
+      "sql": "SELECT 模块, ROUND(AVG(关闭时长_天), 2) AS 平均关闭时长 FROM tickets GROUP BY 模块 ORDER BY 平均关闭时长 DESC LIMIT 10"
+    }
+  ],
+  "exploration_hints": "查看平均关闭时长高的问题类型和模块，结合跟踪记录和处理过程，分析是否存在流程问题或资源分配不均。关注关闭时长分布的异常值。",
+  "placeholders": {}
+}

playbooks/auto_2_工单来源与状态分布.json

@@ -0,0 +1,22 @@
+{
+  "name": "工单来源与状态分布",
+  "description": "分析不同来源的工单状态分布，评估渠道效果。",
+  "tags": [
+    "来源",
+    "工单状态",
+    "分布",
+    "渠道"
+  ],
+  "preset_queries": [
+    {
+      "purpose": "统计每个来源的工单数量及状态分布。",
+      "sql": "SELECT 来源, 工单状态, COUNT(*) AS 工单数量 FROM tickets GROUP BY 来源, 工单状态 ORDER BY 来源, 工单状态"
+    },
+    {
+      "purpose": "计算每个来源的工单关闭比例。",
+      "sql": "SELECT 来源, ROUND(SUM(CASE WHEN 工单状态 = 'close' THEN 1 ELSE 0 END) * 100.0 / COUNT(*), 2) AS 关闭比例 FROM tickets GROUP BY 来源 ORDER BY 关闭比例 DESC"
+    }
+  ],
+  "exploration_hints": "比较不同来源的关闭比例，识别效果最佳的渠道。分析状态为'temporary close'的工单特征，如问题类型或责任人，以优化处理流程。",
+  "placeholders": {}
+}

playbooks/auto_3_责任人绩效分析.json

@@ -0,0 +1,22 @@
+{
+  "name": "责任人绩效分析",
+  "description": "分析不同责任人的工单处理数量和平均关闭时长。",
+  "tags": [
+    "责任人",
+    "绩效",
+    "处理数量",
+    "关闭时长"
+  ],
+  "preset_queries": [
+    {
+      "purpose": "统计每个责任人的工单处理数量。",
+      "sql": "SELECT 责任人, COUNT(*) AS 处理工单数量 FROM tickets GROUP BY 责任人 ORDER BY 处理工单数量 DESC LIMIT 10"
+    },
+    {
+      "purpose": "计算每个责任人的平均关闭时长。",
+      "sql": "SELECT 责任人, ROUND(AVG(关闭时长_天), 2) AS 平均关闭时长 FROM tickets GROUP BY 责任人 ORDER BY 平均关闭时长 DESC LIMIT 10"
+    }
+  ],
+  "exploration_hints": "结合处理数量和平均关闭时长，评估责任人的效率。关注处理数量高但关闭时长也高的责任人，可能存在工作负荷过重或技能不足的问题。",
+  "placeholders": {}
+}

playbooks/auto_4_车型与问题关联分析.json

@@ -0,0 +1,22 @@
+{
+  "name": "车型与问题关联分析",
+  "description": "分析不同车型的工单问题类型分布，识别车型特有问题。",
+  "tags": [
+    "车型",
+    "问题类型",
+    "关联",
+    "分布"
+  ],
+  "preset_queries": [
+    {
+      "purpose": "统计每个车型的工单数量及主要问题类型。",
+      "sql": "SELECT 车型, 问题类型, COUNT(*) AS 工单数量 FROM tickets GROUP BY 车型, 问题类型 ORDER BY 车型, 工单数量 DESC"
+    },
+    {
+      "purpose": "计算每个车型的平均关闭时长，识别处理难度高的车型。",
+      "sql": "SELECT 车型, ROUND(AVG(关闭时长_天), 2) AS 平均关闭时长 FROM tickets GROUP BY 车型 ORDER BY 平均关闭时长 DESC LIMIT 10"
+    }
+  ],
+  "exploration_hints": "分析特定车型的高频问题类型，结合问题描述和跟踪记录，识别车型设计或软件问题。关注平均关闭时长高的车型，分析是否存在共性问题。",
+  "placeholders": {}
+}

playbooks/auto_5_时间趋势分析.json

@@ -0,0 +1,22 @@
+{
+  "name": "时间趋势分析",
+  "description": "分析工单创建和关闭的时间趋势，识别高峰期和处理延迟。",
+  "tags": [
+    "时间趋势",
+    "创建日期",
+    "关闭日期",
+    "高峰期"
+  ],
+  "preset_queries": [
+    {
+      "purpose": "统计每月创建的工单数量，识别高峰期。",
+      "sql": "SELECT SUBSTR(创建日期_解析, 1, 7) AS 月份, COUNT(*) AS 创建工单数量 FROM tickets GROUP BY 月份 ORDER BY 月份"
+    },
+    {
+      "purpose": "计算每月关闭的工单平均关闭时长，识别处理延迟趋势。",
+      "sql": "SELECT SUBSTR(关闭日期_解析, 1, 7) AS 月份, ROUND(AVG(关闭时长_天), 2) AS 平均关闭时长 FROM tickets WHERE 关闭日期_解析 IS NOT NULL GROUP BY 月份 ORDER BY 月份"
+    }
+  ],
+  "exploration_hints": "比较创建高峰期和关闭时长趋势，分析是否存在资源调配问题。关注特定月份的异常值，如关闭时长突然增加，结合跟踪记录查找原因。",
+  "placeholders": {}
+}