aeon

aeon 技能概览

aeon 的用途

aeon 是一个面向 Python 工作流的时间序列机器学习 skill，适合那些需求不止于通用表格型 ML 的场景。它支持对有序数据做分类、回归、预测、聚类、异常检测、分割和相似度搜索。如果你的问题涉及时间戳、序列或时序模式，aeon skill 会是很强的匹配项。

适合谁用、用来做什么

当你希望使用一个兼容 scikit-learn 的工具包来处理单变量或多变量时间序列分析时，就该用 aeon。它尤其适合分析师和 ML 工程师：既要把原始时序数据整理成可建模的 pipeline，又不想把每一步都手写一遍。它真正解决的不是“随便跑一个模型”，而是“为具体任务选对时间序列方法”。

aeon 的突出优势

aeon 的核心价值在于覆盖面广，而且兼容性好。它把很多时间序列任务放在同一个生态里，方便你比较不同方法，也更容易从探索阶段过渡到生产风格代码。当你需要标准 ML 库开箱没有的专用算法或距离度量时，aeon skill 也非常实用。

如何使用 aeon skill

在工作区安装 aeon

按照仓库里的包安装说明安装这个 skill，然后确认你的环境与计划使用的 Python 依赖一致：

uv pip install aeon

如果你在使用 agent 工作流，最好先完成 aeon 的安装，再发起代码生成；这样模型可以直接依赖包的 API，而不是靠猜。

给 skill 正确的输入

aeon 的使用方式最适合一次说清四件事：任务类型、数据形态、目标列或标签，以及评估目标。比如，“用 aeon 为带有缺失日期的日需求序列构建一个 forecasting pipeline”就比“帮我分析 time series”有用得多。还要说明输入是单变量还是多变量、序列长度是固定还是可变，以及你需要的是 baseline、benchmark 还是可直接用于生产的代码。

先看对的文件

先读 SKILL.md，再顺着链接去看你最关心的任务章节。仓库里会指向按主题拆分的参考内容，比如 classification 指南，所以最快的路径是先打开与你的用例相符的部分，再去要实现细节。对 aeon 来说，关键是先找任务级示例，而不是只停留在总览页。

有效的提示词模板

一个好用的 aeon 指引提示词，应该把数据集、目标和约束一次讲清：
“使用 aeon，为多变量传感器数据创建一个 scikit-learn 风格的 time series classifier。假设类别不平衡，请解释预处理需求，并返回一个最小可运行的 train/evaluate 示例。”
这种格式能减少猜测，因为它明确告诉 skill 该产出哪类 pipeline，以及哪些取舍更重要。

aeon skill 常见问题

aeon 只用于预测吗？

不是。forecasting 只是其中一个场景，但 aeon skill 还覆盖分类、回归、聚类、异常检测、分割和相似度搜索。如果你的数据是时序性的，但目标不是预测未来值，aeon 依然可能是正确选择。

使用 aeon 需要很深的时间序列专业知识吗？

不需要，但你必须把问题描述清楚。aeon 适合想要结构化 time series 工具包的初学者，不过输入越好，输出通常也越好。只要你能说清任务和数据格式，这个 skill 往往就能给你一个靠谱的起点。

什么时候不该用 aeon？

如果你的数据不是序列型的，如果普通表格模型已经足够，或者你只是想快速看一张图，就别优先选 aeon。它也不适合那些本质上不属于时间序列 ML、而更适合通用 Python 或统计工作流的问题。

aeon 和普通提示词有什么不同？

普通提示词可能只会给你泛泛的 ML 建议。aeon skill 的目标，是把你引导到时间序列特有的选择上，比如表示方式、距离度量，以及适合任务的 estimator。尤其在 aeon for Data Analysis 这类工作流里，这通常意味着更少的试错，因为序列结构本身就很重要。

如何改进 aeon skill

提供序列事实，而不只是目标

aeon 想要好的结果，最关键的是输入里要描述数据长什么样：序列数量、采样频率、序列长度、缺失情况、多变量通道数，以及标签是否均衡。“用月度使用序列预测流失”很有用；“分析我的数据”就太空了。如果你要用 aeon for Data Analysis，最好说明你想比较什么、解释什么，或者分割什么。

说明你关心的评估方式

把成功标准直接告诉 skill。做分类时，说明指标是什么，以及更在意假阳性还是假阴性。做 forecasting 时，说明预测区间、回测方式，以及是否需要置信区间。做异常检测时，说明你要的是告警、排序，还是根因候选。

注意常见失败模式

最常见的问题是把 time series 格式说得不够具体，结果就会得到泛化代码或选错 estimator。另一种失败模式，是明明只需要一个可复现 notebook，却要求完整的生产系统。更强的 aeon 指引提示词应该收窄范围，并且一次只问一个任务。

用更聚焦的第二轮提示词迭代

拿到第一版答案后，补上缺失的约束，而不是从头重来。比如：“让它支持可变长度序列”，“把 baseline 换成更强的 aeon classifier”，或者“把示例改成跨实体交叉验证”。这是提升 aeon skill 输出、同时又不增加额外歧义的最快方式。