diff --git a/bot_listener.py b/bot_listener.py
index d02f6b9e..ee644e7d 100644
--- a/bot_listener.py
+++ b/bot_listener.py
@@ -174,6 +174,43 @@ def analyze_weather_trend(weather_data, temp_symbol, city_name=None):
                 msg2 = f"⚡ 预报偏低：确定性预报 {om_today}{temp_symbol} 低于集合90%下限，更可能接近 {ens_median}{temp_symbol}。"
                 ai_features.append(msg2)
 
+        # === 数学概率计算（基于集合预报正态分布拟合）===
+        import math as _math
+        # 用 P10/P90 反推标准差: P10 = median - 1.28*sigma, P90 = median + 1.28*sigma
+        sigma = (ens_p90 - ens_p10) / 2.56
+        if sigma < 0.1: sigma = 0.1  # 防止除以零
+        mu = ens_median  # 以集合中位数为中心
+        
+        # 如果 DEB 融合值或多模型均值存在，用它们微调中心
+        if forecast_median is not None:
+            mu = (ens_median + forecast_median) / 2  # 取集合中位数和模型中位数的均值
+        
+        # 简化的正态 CDF (不依赖 scipy)
+        def _norm_cdf(x, m, s):
+            return 0.5 * (1 + _math.erf((x - m) / (s * _math.sqrt(2))))
+        
+        # 计算每个 WU 整数区间 [N-0.5, N+0.5) 的概率
+        center = round(mu)
+        candidates = range(center - 2, center + 3)  # 5 个候选整数
+        probs = {}
+        for n in candidates:
+            p = _norm_cdf(n + 0.5, mu, sigma) - _norm_cdf(n - 0.5, mu, sigma)
+            if p > 0.01:  # 只保留概率 > 1% 的
+                probs[n] = p
+        
+        # 归一化
+        total_p = sum(probs.values())
+        if total_p > 0:
+            probs = {k: v / total_p for k, v in probs.items()}
+        
+        # 格式化输出（按概率从高到低排列）
+        sorted_probs = sorted(probs.items(), key=lambda x: x[1], reverse=True)
+        prob_parts = [f"{int(t)}{temp_symbol}({p*100:.0f}%)" for t, p in sorted_probs[:4]]
+        if prob_parts:
+            prob_str = " | ".join(prob_parts)
+            insights.append(f"🎲 <b>结算概率</b>：{prob_str}")
+            ai_features.append(f"🎲 数学概率分布：{prob_str}")
+
     # === 实测已超预报 & 趋势输出 ===
     if max_so_far is not None and forecast_high is not None:
         if max_so_far > forecast_high + 0.5:
diff --git a/src/analysis/ai_analyzer.py b/src/analysis/ai_analyzer.py
index 41c6d9d4..68bde736 100644
--- a/src/analysis/ai_analyzer.py
+++ b/src/analysis/ai_analyzer.py
@@ -38,11 +38,7 @@ def get_ai_analysis(weather_insights: str, city_name: str, temp_symbol: str) ->
 2. **阻碍因子**：由于高湿度(>80%)、降水或全阴天气导致的升温失速。
 3. **结算推演**：根据我提供给你的【博弈区间】以及【当前所处时段(是否过了最热期)】推断并告诉我最终结算温度落在哪个区间的希望更大。
 4. **结算边界**：如果当前温度处于 X.5 这种进位/舍位边缘，需特别预警。
-5. **概率估算（极其重要，务必仔细推理）**：
-   - WU 结算规则：实测最高温四舍五入到整数。即 X.5 以上进位，X.5 以下舍去。例如：3.5°C→4°C，3.4°C→3°C。
-   - 你必须先判断 DEB 融合值和各模型预报落在哪个 WU 取整区间内。例如 DEB=3.6°C 落在 [3.5, 4.5) 区间，对应 WU 结算 4°C。
-   - 然后综合集合预报 P10-P90 区间覆盖了哪些 WU 取整区间，按覆盖比例分配概率。
-   - 最终给出 2-4 个 WU 结算整数温度的概率（必须加起来 = 100%）。
+5. **概率参考**：我已经通过数学模型计算好了结算概率分布（见【气象特征与事实】中的"数学概率分布"），请在你的逻辑分析中参考它来判断最终结算方向。
 
 【输出要求】
 1. **禁止废话**，整体控制在 200 字以内。
@@ -51,7 +47,6 @@ def get_ai_analysis(weather_insights: str, city_name: str, temp_symbol: str) ->
 🤖 <b>Groq AI 决策</b>
 - 🎲 盘口: [必须明确指出最热时段（如：预计最热在 14:00-16:00）以及当前的博弈区间（如：锁定在 27°C 或 28°C 之间博弈）。若已明确降温，请直接给出死盘结论。]
 - 💡 逻辑: [用 2-3 句话深度分析：①当前机场实测的风速风向和云量对升温的促进/阻碍；②结合辐射、暖平流等动力因子判断温度还有多少上升空间；③最终是否能达到预报值。不要泛泛而谈，请使用具体数值。]
-- 📊 概率: [列出最可能的 2-4 个 WU 结算整数温度及概率。注意：概率应反映实测最高温落入对应取整区间的可能性。格式：4°C(55%) | 3°C(35%) | 5°C(10%)]
 - 🎯 置信度: [1-10]/10
 """