SpecQ Intel Sales

SpecQ — 半导体产业链销售攻单情报包。输入客户+产品，AI 自动整理暗知识（拜访记录/丢单复盘/竞品情报），生成八模块攻单策略，提高成交率。阶段一聚焦电子化学品。

Install

openclaw skills install @daizehua-wq/specq-intel-sales

SpecQ Skill v2.3 — 半导体产业链销售攻单情报包

整理暗知识（拜访记录 + 丢单复盘 + 竞品情报）→ 客户画像 + 使用场景 + 竞品动态 + 成交策略 → 提高成交率 | 阶段一聚焦电子化学品 | v2.3 零配置

📦 安装指引

本 Skill 的 MCP Server 为纯本地进程，Agent 安装后自动以 stdio 模式启动，无需部署服务器。v2.3 起通过 MCP Sampling 协议复用 Agent 的 LLM，无需单独配置 API Key。

前置依赖

Python 3.10+
pip install -r requirements.txt

Agent 配置

Agent 通过 stdio 启动 MCP Server：

json

{
  "mcpServers": {
    "specq": {
      "command": "python",
      "args": ["mcp_server.py"]
    }
  }
}

外部 API 依赖（可选）

SpecQ 核心功能零依赖即可运行。以下为可选增强：

功能	需要	不配的影响
Embedding 语义搜索	`EMBEDDING_API_KEY`	自动降级为本地哈希向量，精度略低
联网搜索	`SEARCH_API_KEY`（Brave Search）	搜索返回空，不影响情报包生成

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	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

v2.3 工作流（MCP Sampling + 三层记忆）

text

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）
  → 语义搜索该客户/产品的历史拜访、丢单记录、偏好
  ↓
③ 提取三字段（product / application / scenario）
  → 如果三字段不全 → 追问
  ↓
④ 暗数据注入（ChromaDB 记忆召回 + 联网搜索）
  ├─ 有暗数据 → 注入到情报包
  └─ 无暗数据 → 标记 [经验推断]
  ↓
⑤ 生成情报包（specq_generate_intel → MCP Sampling 调 Agent LLM）
  ↓
⑥ 自动写回 ChromaDB（category=intel）
  ↓
⑦ 输出八模块情报包

【历史记忆】（独立上下文块）
- 2026-06-20 拜访：关注粗糙度，竞品安美特
- 2026-05-15 丢单：嫌价格高 20%

【本次情报包】（八模块）
...（带数据来源标注）...

  ↓
⑧ 更新工作记忆（specq_memory.set_plan）
  → 标记当前任务完成
  ↓
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
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 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

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

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 + 联网搜索
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：

text

【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

记忆优先：每次对话开始必调 recall，有记忆绝不跳过
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]
反馈必提醒：每次输出情报包后必提醒反馈
参数不足追问：三字段提取不全时追问，不猜测
保密：情报包不含客户真实名称，脱敏为行业标签
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

常见问题

Q: 我的客户数据安全吗？

情报包输出中客户真实名称会被脱敏为行业标签。暗数据存储在本地 ChromaDB 和 JSON 文件中，不上传任何第三方服务器。整个 Skill 在内网环境运行。

Q: 需要配置 API Key 吗？

v2.3 起不需要。SpecQ 通过 MCP Sampling 协议直接复用 Agent 的 LLM，安装即可使用。

Q: 需要部署服务器吗？

不需要。v2.2 起 SpecQ MCP Server 为纯本地进程，Agent 通过 stdio 直接启动。

Q: 怎么开始用？

直接说"帮我做XX产品的情报包，客户XX，关注XX"，Skill 会自动引导补全缺失的参数。不需要先读文档。

Q: 支持哪些输出格式？

Markdown（默认，完整八模块）、邮件（摘要+主题）、聊天（300字精简）。Word 和 PPT 格式正在开发中。

Q: 新客户没有历史数据怎么办？

Skill 会自动跳过记忆召回，标注 [经验推断] 生成情报包。见完客户后用 feedback 记录结果，下次就有数据了。

Q: 联网搜索能用吗？

联网搜索使用 Brave Search API，需要申请免费 API Key 并设置环境变量 SEARCH_API_KEY。不配 Key 时搜索返回空结果，不影响情报包主流程。

Q: 离线能用吗？

可以。情报包生成、拜访记录、记忆召回均离线运行。仅联网搜索和 Embedding 增强需要外部 API，缺失时会自动降级。

Q: Word / PPT 导出能用吗？

正在开发中。当前 output_format="docx" 或 "ppt" 会返回结构化大纲，供手动制作参考。Markdown 格式功能完整。