aeon

aeon 技能概觀

aeon 的用途

aeon 是一個面向 Python 工作流程的時間序列機器學習技能，適合超出一般表格型 ML 範圍的情境。它可用於有序資料上的分類、回歸、預測、分群、異常偵測、分段與相似度搜尋。只要你的問題牽涉時間戳、序列或時間模式，aeon 技能通常就是很合適的選擇。

最適合的使用者與工作

當你想要一套與 scikit-learn 相容的時間序列分析工具組時，aeon 非常適合。它特別有用於分析師與 ML 工程師，能把原始的時間資料集整理成可直接建模的 pipeline，而不必每一步都手刻。真正要解決的工作不是「隨便跑一個模型」，而是為任務挑對時間序列方法。

aeon 的優勢

aeon 的主要價值在於範圍廣、又保有相容性。它在同一個生態系中涵蓋許多時間序列任務，讓你更容易比較不同做法，也更容易從探索階段走到接近 production 的程式碼。當你需要標準 ML 函式庫開箱沒有的專門演算法或距離量測時，aeon 技能也很實用。

如何使用 aeon 技能

在工作區安裝 aeon

先依照這個 repo 的套件安裝說明安裝技能，然後確認你的環境符合你預期要使用的 Python 相依套件：

uv pip install aeon

如果你是在 agent 工作流程中使用，應該先完成 aeon 的安裝步驟，再請模型產生程式碼，這樣模型才能依據套件 API，而不是自行猜測。

提供正確的輸入

aeon 的使用方式最適合你一次講清楚四件事：任務類型、資料形狀、目標欄位或標籤、以及評估目標。比方說，「用 aeon 建一個針對每日需求序列、含缺失日期的 forecasting pipeline」會比「幫我分析 time series」好得多。也請一併說明輸入是單變量還是多變量、序列長度是固定還是可變、以及你需要的是 baseline、benchmark，還是可直接上線的程式碼。

先從正確的檔案開始

先讀 SKILL.md，再依照你最在意的任務追看連結到的相關段落。這個 repository 會指向主題式參考資料，例如分類指引，所以最快的路徑是先打開與你的 use case 相符的章節，再去問實作細節。對 aeon 來說，這代表你應該先找任務專屬範例，而不是只停在總覽頁。

有效的提示詞格式

一個有用的 aeon 指引提示詞，應該一次把資料集、目標與限制說清楚：
「使用 aeon，為多變量感測器資料建立一個 scikit-learn 風格的時間序列分類器。假設有類別不平衡，說明前處理需求，並回傳最小化的訓練／評估範例。」
這種寫法可以減少猜測，因為它直接告訴技能該產生什麼類型的 pipeline，以及哪些取捨最重要。

aeon 技能 FAQ

aeon 只適合 forecasting 嗎？

不是。forecasting 只是其中一個用途，aeon 技能也涵蓋分類、回歸、分群、異常偵測、分段與相似度搜尋。即使你的資料是時間型資料，但目標不是預測未來值，aeon 仍然可能是正確選擇。

使用 aeon 需要很深的時間序列專業嗎？

不需要，但你需要把問題描述清楚。aeon 很適合想要一套有結構的時間序列工具組的初學者，不過輸入越完整，輸出通常會越好。只要你能說出任務與資料格式，這個技能通常就能帶你找到一個合理的起點。

什麼情況下不該用 aeon？

如果你的資料不是序列型、單純的表格模型就足夠，或你只需要快速視覺化，就不必優先考慮 aeon。當問題本質上不屬於 time series ML，且用一般 Python 或統計工作流程就能更好地處理時，也應該避免使用它。

aeon 和一般提示詞有什麼不同？

一般提示詞可能只會產生泛用的 ML 建議。aeon 技能的目的，是引導你做出時間序列專屬的選擇，例如 representation、distance metrics，與適合任務的 estimators。這通常能減少試錯，尤其是在 aeon for Data Analysis 工作流程中，序列結構很重要時更是如此。

如何改進 aeon 技能

提供序列事實，不要只給目標

aeon 要得到好結果，最需要的是能描述資料樣貌的資訊：序列數量、取樣頻率、序列長度、缺失情況、多變量通道數，以及標籤平衡狀況。像「根據每月使用序列預測流失」這樣的描述就很有用；「分析我的資料」則太空泛。如果你是要用 aeon for Data Analysis，也要把你想比較、解釋或分段的內容講清楚。

說明你在意的評估方式

告訴技能成功要怎麼衡量。若是分類，請明確指出 metric，以及 false positives 或 false negatives 哪個更重要。若是 forecasting，請說明 horizon、backtesting 方式，以及是否需要區間估計。若是異常偵測，請交代你要的是 alerts、ranking，還是 root-cause 候選項。

注意常見失敗模式

最常見的問題是時間序列格式交代不夠完整，結果就會產生泛用程式碼或選到錯的 estimator。另一個失敗模式是你其實只需要可重現的 notebook，卻要求完整的 production system。一個更好的 aeon 指引提示詞，會把範圍縮小，並且一次只問一個任務。

用更聚焦的第二輪提示詞迭代

拿到第一版答案後，補上缺少的限制就好，不必整個重來。例如：「讓這段能支援可變長度序列」、「把 baseline 換成更強的 aeon classifier」，或「把範例改成跨 entity 的 cross-validation」。這是提升 aeon 技能輸出、又不額外增加歧義的最快方式。