Specq Intel Sales

SKILL.md

# SpecQ 攻单情报包 — 电子化学品销售 Skill v1.3

> 版本：v1.3 | 更新：2026-06-24 | 强化数据来源标注 + 防 MCP 绕过规则

## ⛔ 强制规则（最高优先级）

1. **情报包生成必须走 SpecQ MCP** — 禁止用自身 web_search 替代 specq_generate_intel
2. **MCP 不可用时告知用户** — "SpecQ MCP 服务不可用，请稍后重试"，不要 fallback 到自主搜索
3. **数据来源必须标注** — 每个模块末尾标明来源（knowledge.db / 公开资料 / 经验推断）
4. **不能凭空编造数据** — 不确定的地方必须标注 [经验推断]

## 📦 安装指引

### OpenClaw

本 Skill 已接入 OpenClaw MCP：
```bash
openclaw skills install daizehua-wq/specq-intel-sales
```
MCP Server 地址：`http://119.91.223.127:8001/mcp`（HTTP SSE，已配置 X-API-Key）

⚠️ 注意：远程服务器仅供 DAO 内部使用。公开用户请使用 v2.0 本地独立模式（见下方 WorkBuddy 说明）。

### WorkBuddy（腾讯桌面 Agent）

**v2.0 起，Skill 完全本地运行，不依赖远程服务器。**

1. 在 WorkBuddy 技能面板搜索 `specq-intel-sales` 安装
2. 依赖安装：`pip install fastmcp chromadb httpx`
3. 配置 `~/.workbuddy/mcp.json`：

```json
{
  "mcpServers": {
    "specq": {
      "command": "python3",
      "args": ["/your/path/to/specq_mcp_client.py"],
      "env": {
        "SEARCH_API_KEY": "(可选) Brave Search API Key"
      }
    }
  }
}
```

**本地能力**：本地 knowledge.db（41企业+43工艺）、本地 chromadb 暗数据、联网搜索（可选）、LLM 走 WorkBuddy 当前模型。

## 适用场景

电子化学品销售 / 售前工程师见客户前，快速获得结构化攻单情报包。

## 触发条件

用户提供以下**任一组信息**即可触发：

| 触发模式 | 示例 |
|---|---|
| 三字段 | "帮我做XX电镀液的情报包，客户深南电路，他们关注粗糙度" |
| 查历史 | "深南电路之前聊了什么？" |
| 反馈 | "深南成交了" / "丢了，他们嫌价格贵" |
| 多任务 | "帮我做三个情报包：深南+电镀铜、景旺+蚀刻液、鹏鼎+沉铜" |

## 依赖 MCP Server（5 个 Tool）

| Tool | 输入 | 输出 | 说明 |
|---|---|---|---|
| `specq_memory` | action, query/content/category... | 记忆操作结果 | **v1.1 新增：三层记忆** |
| `specq_generate_intel` | product, application, scenario | 八模块情报包 Markdown | 核心生成 |
| `specq_extract_insights` | customer_id（可选）, limit | 结构化洞察 JSON | 暗数据提取 |
| `specq_log_visit` | customer_id, content, visit_date, visit_type | 拜访记录 ID | 沉淀拜访 |
| `specq_feedback` | product, application, outcome, lesson, accuracy_notes | 反馈记录 | 成交闭环 |

---

## v1.3 工作流（先召回→再生成→交叉验证→增量追加）

```
用户输入
  ↓
① 工作记忆检查（specq_memory.get_plan）
  ├─ 有未完成任务 → 提示："上次 XX 还没完成，继续吗？"
  └─ 新任务 → 继续
  ↓
② 长期记忆召回（specq_memory.recall，必执行）
  → 语义搜索该客户/产品/应用的历史拜访、丢单、情报包
  → 同时调 specq_extract_insights 提取结构化洞察
  ↓
③ 提取三字段（product / application / scenario）
  → 不全则追问
  ↓
④ 联网搜索（Agent 负责搜，结果传给 specq_generate_intel）
  → 搜行业动态、竞品信息、技术标准等公开数据
  → 整理为 JSON 数组，作为 search_results 参数传入
  ↓
⑤ 暗数据交叉验证（与历史记忆对比，关键步骤）
  ├─ 有历史暗数据 → 注入到 context_block，标注「已有暗数据 X 条」
  ├─ 本次新发现 → 标注「🆕 本次新增」
  ├─ 数据冲突 → 标注「⚠️ 与历史记录冲突：旧值=XX，新值=YY」
  ├─ 无暗数据 → 模块 4/5/6 标注「[经验推断，暂无销售数据]」
  └─ 暗数据规则：只追加，不删除。新数据补充到旧数据之后
  ↓
⑤ 生成情报包（specq_generate_intel）
  → context_block 传入历史记忆
  → LLM 在情报包中呈现新旧数据对比
  ↓
⑥ 输出八模块情报包

【历史记忆】（独立上下文块）
- 2026-06-23 拜访深南电路：关注粗糙度 Ra<0.3μm，竞品安美特
- 2026-05-15 丢单记录：嫌价格高 20%

【本次情报包】（八模块，带数据来源标注）
...
🆕 本次新增发现：...
⚠️ 数据冲突提示：...

  ↓
⑦ 增量回写暗数据（只追加，不覆盖）
  ├─ save(category=intel)：本次情报包摘要
  ├─ save(category=insight)：本次新发现的结构化洞察
  └─ 老数据保留，新数据追加在末尾
  ↓
⑧ 更新工作记忆（specq_memory.set_plan）
  ↓
⑨ ⚠️ 必提醒："见完客户后告诉我结果，我帮你记录"
```

---

## 分支场景

### 场景 A：新客户（无历史数据）
- 长期记忆召回为空 → 直接调 generate_intel
- 模块 4/5/6 标注 `[经验推断，暂无销售数据支撑]`

### 场景 B：老客户（有记忆数据）
- 先 recall → 召回历史拜访 + 丢单记录 + 历史情报包
- 交叉验证：对比新旧数据
  - 新发现（历史无记录）→ 标注 🆕 追加
  - 数据一致 → 标注 ✅ 复核确认
  - 数据冲突 → 标注 ⚠️ 两值并列，提醒确认
- 注入到独立上下文块【历史记忆】
- 情报包模块 4/5/6 有真实数据来源标注

### 场景 F：暗数据交叉验证（v1.3 新增）
- 每次情报包生成前，recall 历史暗数据
- 情报包生成后，对比本次生成内容与历史记录
- 新发现追加到暗数据（save），不删老数据
- 冲突数据同时保留新旧两条，标注时间戳

### 场景 C：仅查历史
- recall → 结构化展示历史记忆
- 展示后追问："要基于这些信息生成情报包吗？"

### 场景 D：成交反馈
- feedback → 记录闭环
- 同时 save(category="feedback") 写入长期记忆
- outcome: won（成交）/ lost（丢单）/ follow_up（跟进中）

### 场景 E：多任务（v1.1 新增）
- get_plan 检查进度 → 知道做到哪了
- set_plan 设定/更新任务列表
- 中断后恢复：用户说"继续" → get_plan → 知道从哪开始

---

## Memory 分类体系

| category | 触发时机 | 示例内容 | 保留策略 |
|---|---|---|---|
| `visit` | log_visit 后自动写 | "拜访XX客户，关注YY指标" | 永久 |
| `feedback` | feedback 后自动写 | "XX产品丢单，原因：价格高20%" | 永久 |
| `intel` | generate_intel 后自动写 | "为XX客户生成YY情报包" | 180 天 |
| `insight` | extract_insights 结构化发现 | "深南电路对粗糙度敏感度：高" | 180 天 |
| `preference` | 用户显式偏好 | "David 偏好先看竞品对比" | 永久 |

## 暗数据操作规则（v1.3）

1. **只追加，不删除** — 新数据 save，老数据保留
2. **交叉验证** — 生成情报包前先 recall，对比新旧数据
3. **冲突处理** — 新旧数据冲突时两值并列标注时间戳，不取其一
4. **去重策略** — 内容相似度 >80% 时追加 `[更新: YYYY-MM-DD]`，不新建记录
5. **自动回写** — 情报包生成后自动 save(category=intel)，无需手动
6. **按 API Key 隔离** — 每个用户的暗数据仅自己可见，不可跨用户访问

---

## 输出规格

### 情报包（八模块）

| 模块 | 内容 | 数据来源 |
|---|---|---|
| 1. 产品概览 | 产品定义、核心功能、适用工艺段 | 公开资料 + knowledge.db |
| 2. 技术指标对比 | 关键参数 vs 竞品/行业标准 | 公开资料 + 暗数据 |
| 3. 竞品格局 | 主要竞品、市占、差异化 | 公开资料 |
| 4. 客户关注指标 | 该客户/行业重点技术指标 | 暗数据 / [经验推断] |
| 5. 切入机会 | 当前该客户的切入窗口 | 暗数据 / [经验推断] |
| 6. 导入障碍 | 历史丢单原因、技术壁垒 | 暗数据 / [经验推断] |
| 7. 行动建议 | 拜访话术、演示重点、报价策略 | LLM 综合生成 |
| 8. 参考来源 | 各模块数据来源 + 置信度 | 自动标注 |

### 历史记忆（独立上下文块）

每次情报包生成时，在输出**最前面**附加历史记忆块：

```
【历史记忆】
- 2026-06-20 拜访深南电路：关注粗糙度（Ra<0.3μm），竞品安美特
- 2026-05-15 丢单：嫌价格高 20%，建议下次报价让步
```

---

## 重要规则

1. **记忆优先**：每次对话开始必调 recall，有记忆绝不跳过
2. **来源透明**：每模块标注数据来源，暗数据标注来源，推测标注 `[经验推断]`
3. **反馈必提醒**：每次输出情报包后必提醒反馈
4. **参数不足追问**：三字段提取不全时追问，不猜测
5. **保密**：情报包不含客户真实名称，脱敏为行业标签
6. **工作记忆不丢**：多任务时记录进度，用户说"继续"能恢复

---

## MVP 边界

**做**：
- 场景 A/B/C/D/E 全部覆盖
- 三层记忆自动读写
- 纯 Markdown 输出

**不做**：
- 多轮对话深挖需求（单轮优先）
- 自动推送情报包到飞书/邮件
- 竞品实时价格
- 记忆合并/去重