Industrial Park Investment Assistant

产业园招商作战指挥中心 🚀。三层架构：数据基础层（客户·房源·渠道·竞品·项目信息）→ 业务执行层（跟进治理·带看成交·报价谈判·稳商留商·渠道经营）→ 智能决策层（NBA引擎·数据洞察）。你负责谈客户，我负责记录事实、驱动任务、辅助决策。核心场景：客户建档·查房源·今日待办·报价方案·异议处理·带看准备·合同签约渠道经营。含时效性校验（数据"待更新"时强制人工核实）、No Agency护栏（金额让步必须主管审批）、每日09:00自动推送合并工作台。支持多项目架构（同时管理多个园区）和知识库分离（腾讯文档/本地文件/API/SQLite）。

perrykono-debug@perrykono-debug

Install

openclaw skills install @perrykono-debug/industrial-park-investment-assistant

Changelog v2.17.0 (2026-06-13):

✅ 新增「渠道经营」模块——渠道维护提醒（周度）+ 渠道开发提醒（月度）

✅ 新增 channel_management.py 脚本（渠道跟进提醒、健康度分级、数据录入+效果分析）

✅ 渠道健康度四色分级：🟢正常/🟡需联系/🔴超期/🚨高危

✅ 渠道效果分析：转化率排名、效果评级（🏆卓越/✅优秀/📈一般/📉待提升）、改进建议

✅ AI 对话即录入大幅强化语音友好版：自然语言输入识别（渠道/客户/房源三域覆盖）

✅ 新增「拍照自动识别」功能：名片/登记表/房源截图拍照上传，AI自动识别并入库

✅ 新增「腾讯文档链接一键配置」：用户发链接说「按这个配置」，AI自动读取文档→解析→创建数据库

✅ NBA引擎增强：黄金窗口提醒（24h/48h/72h）+ 阶段停滞预警 + NBA推荐矩阵

✅ 今日工作台升级为合并版：客户跟进+渠道跟进+预警信息一条消息看完，不再分时间推送

✅ 自动化任务改为「每日工作台推送」：每天08:30自动推送合并版（原招商周报已整合）

✅ 报价方案生成器 v2.0：重写 generate_proposal.py，读取SQLite房源数据，含租金+物业+车位费明细，支持按面积/预算匹配

✅ 产业政策自动推送：用户录入客户时AI自动识别行业，主动搜索并推送相关补贴政策，无需专门指令

✅ 版本号升至 2.18.0

Changelog v2.18.0 (2026-06-14):

✅ 三层架构重构：数据基础层 → 业务执行层 → 智能决策层

✅ 产品描述更新：从"八大能力"升级为"三层架构"

✅ 架构索引表：各层级内容快速定位

Changelog v2.16.0 (2026-06-13):

✅ 新增「材料清单模式」首次配置流程（用户只需上传文件，AI自动解析入库）

✅ 新增 parse_excel.py 脚本（自动解析Excel/CSV，支持多种表头格式）

✅ 新增「渠道跟进记录」表（SQLite + 同步脚本）

✅ 新增「产业政策自动搜索」功能（AI通过WebSearch自动查询公开政策信息）

✅ 改造「第3步」章节为材料清单模式（含上传方式、AI解析流程）

✅ 版本号升至 2.16.0

Changelog v2.9.0 (2026-06-11):

✅ 更新简介：八大核心能力展示（客户中心·跟进治理·NBA引擎·带看成交·报价谈判·稳商留商·渠道经营·智库周报）

✅ GREETING.md 精简表格版（欢迎语+使用指南+能力展示+快速上手指引）

✅ 七大 Skill 体系完善（客户开发·企业研究·客户跟进·成交助手·稳商留商·今日工作台·渠道经营）

✅ 数据接口统一（ParkDataInterface + 4个适配器）

✅ 集成测试通过（20/20测试通过）

Changelog v1.5.0 (2026-06-07):

✅ 新增 Skill 6 今日工作台（Dashboard 视图）

✅ 新增 Cron 定时推送（每日 09:00 自动推送今日待办）

✅ 完善 7 个 Skill 模块（客户开发/企业研究/跟进/NBA/成交/稳商/渠道）

✅ 修复路径拼写 Bug 和 NBA 推荐引擎

✅ 数据接口层（ParkDataInterface）统一

Changelog v2.15.0 (2026-06-13):

✅ 新增 SQLite 本地数据库模式（查询<0.1秒，零token消耗）

✅ 新增 SQLiteSource 数据源（knowledge_base.py v1.2）

✅ 新增 sync_to_sqlite.py 同步脚本

✅ 新增 AI 执行优先级（先查SQLite，未命中才调MCP）

✅ 新增"本地数据库模式 (SQLite)"章节

✅ 版本号升至 2.15.0

Changelog v2.14.0 (2026-06-12):

✅ 新增"数据位置索引"章节（AI必读），明确各数据表的 file_id 和 sheet_id

✅ 新增"快速模式"章节，支持用户选择快速查询（只读取本地缓存）

✅ 新增 AI 执行检查清单（references/AI执行检查清单.md）

✅ 优化缓存逻辑：knowledge_base.py 添加内存缓存 + 文件缓存 + TTL 检查

✅ 创建缓存性能测试脚本：scripts/test_cache_performance.py

✅ 版本号升至 2.14.0

Changelog v2.13.0 (2026-06-12):

✅ MCP调用优化：增强"并发调用"规则（规则1），添加并发判断规则 + 执行示例

✅ MCP调用优化：增强"Session缓存"规则（规则2），添加缓存管理 + 失效规则 + 示例

✅ MCP调用优化：新增"性能监控"规则（规则8），AI自动监控MCP调用次数

✅ MCP调用优化：新增"预加载"规则（规则9），预测用户需求提前加载数据

✅ 修复问题：删除重复内容（原规则2出现两次）

✅ 重新编号规则（1-9），完善规则说明

✅ 版本号升至 2.13.0

Changelog v2.12.0 (2026-06-12):

✅ 知识库抽象层：新增 knowledge_base.py 统一数据访问接口

✅ 多数据源支持：腾讯文档、本地文件（JSON/CSV）、API（未来）

✅ 脚本重构：smart_recommend.py 和 query_park_data.py 使用 KnowledgeBase

✅ 多项目架构：支持同时管理多个园区（通过 --project 参数）

✅ 项目初始化：init_project.py 快速创建新项目

✅ 数据格式支持：MCP原始格式 + 紧凑格式（减少70%文件大小）

✅ 版本号升至 2.12.0

Changelog v2.11.0 (2026-06-12):

✅ MCP调用优化：移除所有硬编码 file_id，统一使用配置变量 {CONFIG.tencent_doc.*}

✅ 新增 MCP 调用优化指引章节（批量调用+缓存策略+工具选择规则）

✅ 修复脚本路径（~/.qclaw/skills/ → ~/.workbuddy/skills/）

✅ 版本号升至 2.11.0

Changelog v1.4.0 (2026-06-04):

见 ClawHub 历史记录

🔧 腾讯文档配置变量（重要！）

本 Skill 不再硬编码任何 file_id。所有腾讯文档 ID 必须通过配置变量引用。

配置方式（openclaw.json）

json

{
  "investment_assistant": {
    "park_name": "YOUR_PARK_NAME",
    "knowledge_source": "tencent_doc",
    "tencent_doc": {
      "客户管理": "YOUR_DOC_ID_HERE",
      "客户管理_sheet_id": "YOUR_SHEET_ID_HERE",
      "销控表": "YOUR_DOC_ID_HERE",
      "销控表_sheet_id": "YOUR_SHEET_ID_HERE",
      "租金报价": "YOUR_DOC_ID_HERE",
      "租金报价_sheet_id": "YOUR_SHEET_ID_HERE",
      "配套资源": "YOUR_DOC_ID_HERE",
      "配套资源_sheet_id": "YOUR_SHEET_ID_HERE",
      "产业政策": "YOUR_DOC_ID_HERE"
    }
  }
}

配置变量引用规则

在本文档所有 MCP 调用示例中，{CONFIG.tencent_doc.XX} 表示引用配置中的对应值：

变量名	含义	必需
`{CONFIG.tencent_doc.客户管理}`	客户管理表 file_id	✅
`{CONFIG.tencent_doc.销控表}`	房源销控表 file_id	✅
`{CONFIG.tencent_doc.租金报价}`	租金报价表 file_id	✅
`{CONFIG.tencent_doc.配套资源}`	配套资源表 file_id	✅
`{CONFIG.tencent_doc.产业政策}`	产业政策文档 file_id	✅

⚠️ 若配置变量未设置，AI 应提示：「⚠️ 腾讯文档配置未完成，请先在 openclaw.json 中配置 investment_assistant.tencent_doc。」

📍 数据位置索引（AI 必读）

AI 在调用 MCP 前，必须先查此表，不要猜测或尝试多个文档！

示例产业园A项目（meilan-center）

数据表名	存储位置	file_id	sheet_id	字段示例
房源销控表	腾讯文档（智能表格）	`{CONFIG.tencent_doc.销控表}`	`{CONFIG.tencent_doc.销控表_sheet_id}`	房间号、楼层、面积(㎡)、状态、业态、底价(元/㎡/天)
客户跟进记录	腾讯文档（智能表格）	`{CONFIG.tencent_doc.客户管理}`	`{CONFIG.tencent_doc.客户管理_sheet_id}`	企业名称、联系人、最近跟进、意向等级、客户状态
租金报价表	腾讯文档（智能表格）	`{CONFIG.tencent_doc.租金报价}`	`{CONFIG.tencent_doc.租金报价_sheet_id}`	区域、楼层区间、底价区间、物业费
配套资源表	腾讯文档（智能表格）	`{CONFIG.tencent_doc.配套资源}`	`{CONFIG.tencent_doc.配套资源_sheet_id}`	配套名称、配套类别、详情
产业政策库	腾讯文档（智能文档）	`{CONFIG.tencent_doc.产业政策}`	-	政策名称、补贴金额、申报条件

本地缓存位置（优先级更高！）

text

~/.workbuddy/workspace/investment-assistant/projects/<项目ID>/data/
├── 房源销控表.json      # MCP原始格式（含cached_at时间戳）
├── 客户跟进记录.json
├── 租金报价表.json
└── cache/                # 新增：文件缓存
    ├── 房源销控表.cache
    └── 客户跟进记录.cache

AI 读取数据时的判断顺序（必须遵循！）：

text

第1步：检查本地缓存（最快，<0.001秒）
  → 检查 data/*.json 是否存在且未过期（<30分钟）
  → 若存在 → 直接使用，不调用 MCP
  
第2步：检查文件缓存（快速，<0.01秒）
  → 检查 cache/*.cache 是否存在且未过期（<30分钟）
  → 若存在 → 直接使用，不调用 MCP
  
第3步：缓存未命中，调用 MCP（慢，2-3秒）
  → 根据上方"数据位置索引表"获取正确的 file_id 和 sheet_id
  → 不要猜测，不要尝试多个文档！
  → 调用成功后，立即保存到 data/*.json 和 cache/*.cache

⚡ 快速模式（用户可选）

当用户说「快速查询」「用缓存」「别调MCP」时，AI 只读取本地缓存，不调用 MCP。

触发词：

「快速查询 XX」
「用缓存，别调MCP」
「本地数据有吗？先看本地的」

AI 行为：

只读取 data/*.json 或 cache/*.cache
不调用任何 MCP 工具
若本地无缓存 → 告知用户：「⚠️ 本地无缓存，请先执行一次正常查询以建立缓存。」
响应时间：<0.1秒

退出快速模式：

用户说「刷新」「重新读取」「调MCP」→ 恢复正常模式（调用MCP）

🗄️ 本地数据库模式 (SQLite) — v2.15.0 新增 ⚡

核心优势：查询 <0.1秒，零 token 消耗 AI 优先读 SQLite，只在同步时才调 MCP。

数据库路径

text

~/.workbuddy/workspace/investment-assistant/local_db.sqlite

AI 执行优先级（必须遵循）

text

Step 0 → 检查本地数据库是否存在且新鲜（<24小时）
         DB_PATH = ~/.workbuddy/workspace/investment-assistant/local_db.sqlite
         → 若存在且新鲜 → 直接查 SQLite（Step 3）
         → 若否则过期 → 先同步（Step 1），再查询（Step 3）

Step 1 → 同步腾讯文档数据到 SQLite（仅在 DB 不存在/过期时）
         调用 mcp__tencent-docs__smartsheet.list_records 读取数据
         写入 SQLite（使用 sync_to_sqlite.py 或 kb.sync_to_sqlite()）

Step 2 → 标记同步完成
         更新 sync_log 表

Step 3 → 查询 SQLite（超快，零 token）
         使用 Python sqlite3 模块查询
         格式化输出

同步触发词

触发词	说明
`同步数据库` / `刷新数据库` / `更新本地数据`	全量同步所有表
`同步房源销控表`	同步指定表

AI 同步行为：

调用 MCP 工具读取腾讯文档各表数据
调用 kb.sync_to_sqlite(table_name, data) 写入 SQLite
更新 sync_log 表记录同步时间

查询模式

模式	触发词	行为
普通查询	「查房源」「客户跟进记录」	先检查 DB 是否新鲜 → 是则直接查 SQLite
快速查询	「快速查询」「用缓存」「别调 MCP」	强制读 SQLite，不调 MCP
强制刷新	「刷新」「重新读取」「调 MCP」	强制重新同步，再查询

数据库表结构

表名	说明	主要字段
`房源销控表`	房源信息	房间号, 楼层, 面积(㎡), 状态, 业态, 底价
`客户跟进记录`	客户管理	企业名称, 联系人, 电话, 意向等级, 最后跟进日期
`租金报价表`	租金标准	区域, 楼层区间, 底价区间, 物业费
`配套资源表`	园区配套	配套名称, 配套类别, 详情
`产业政策库`	政策文件	政策名称, 补贴金额, 申报条件
`sync_log`	同步日志	table_name, sync_time, status, record_count

定时同步设置

创建每日同步任务（推荐）：

text

@WorkBuddy 创建一个定时任务，
名称"招商数据同步"，
每天 08:00 执行，
提示词："同步招商助手所有表数据（房源销控表、客户跟进记录、租金报价表、配套资源表、产业政策库）到本地 SQLite 数据库"

automation 参数参考：

scheduleType: "recurring"
rrule: "FREQ=DAILY;BYHOUR=8;BYMINUTE=0"
prompt: "同步招商助手所有表数据到本地SQLite数据库，使用mcp__tencent-docs__smartsheet.list_records读取数据，调用kb.sync_to_sqlite()写入~/.workbuddy/workspace/investment-assistant/local_db.sqlite"

📋 首次配置（材料清单模式）— v2.16.0 新增

新用户体验目标：用户只需上传文件，AI 自动解析入库。 不再需要用户按模板填表、上传腾讯文档、配置 file_id。

材料清单（用户只需准备这4个）

#	材料名称	格式	说明	必需性
1	房源销控表	Excel / 腾讯文档	一房一价：房间号、楼层、面积、状态、业态、底价	✅ 必需
2	客户跟进表	Excel / 腾讯文档 / 截图	企业名称、联系人、电话、意向等级、最后跟进日期	✅ 必需
3	渠道跟进表	Excel / 腾讯文档	渠道名称、对接人、推荐客户数、成交数、佣金比例	✅ 必需
4	项目推介材料	PPT / PDF	园区介绍、核心卖点、交通配套、标杆企业（含配套资源）	✅ 必需
5	产业政策	—	AI自动搜索公开信息，无需用户提供	🤖 自动

AI 执行流程（用户上传文件后）

text

第1步：用户上传文件
       → 用户说：「这是我的房源销控表（上传Excel）」

第2步：AI自动解析
       → 调用 parse_excel.py 解析Excel
       → 识别表头（房间号/面积/状态/底价）
       → 转换为结构化数据

第3步：预览确认（防止解析错误）
       → AI输出：「已读取房源销控表，识别到 45 条记录，预览前5条：」
       → 展示表格（房间号/楼层/面积/状态/底价）
       → 询问：「确认无误请输入『确认入库』，有错误请告诉我哪条。」

第4步：用户确认后入库
       → 写入本地SQLite（~/.workbuddy/workspace/investment-assistant/local_db.sqlite）
       → 同步到腾讯文档（自动创建智能表格，返回链接）
       → 输出：「✅ 数据已入库！腾讯文档链接：https://...」

第5步：以后用户自己更新数据
       → 直接在腾讯文档里编辑（新增客户、修改房源状态等）
       → 每天08:00 AI自动从腾讯文档同步到本地SQLite

🤖 产业政策自动搜索 + 主动推送

核心逻辑：用户录入客户时，AI自动识别行业+所在地，主动查相关政策并推送。

主动推送模式（新增）

触发场景（自动识别，无需专门指令）：

用户说了什么	AI 自动执行
「刚才见了XX科技，做生物医药的」	识别行业→搜索生物医药政策→主动推送
「帮我录一下XX科技，做AI的」	同上
「XX科技是半导体行业的」	搜索半导体产业政策并推送
（用户录入客户时自动触发）	AI判断客户行业，自动搜索相关产业政策

AI 执行规则：

text

当用户录入新客户/提到客户行业时：
  → 自动识别客户所属行业（生物医药/半导体/AI/智能制造/新能源等）
  → 自动搜索该行业相关产业政策
     WebSearch "[行业] 产业补贴政策 site.gov.cn"
     WebSearch "[行业] 扶持政策"
  → 解析搜索结果：政策名称、补贴金额、申报条件、来源链接
  → 主动推送给用户：「📢 [企业名]属于[行业]行业，
      可关注以下产业政策：...」
  → 可选：写入 产业政策库 表

输出示例：

text

📢 XX科技属于生物医药行业，为您找到以下相关产业政策：

① 上海市生物医药产业扶持资金
   - 补贴金额：最高1000万元/年
   - 申报条件：研发投入≥500万+自主知识产权
   - 来源：上海市经信委

② 宝山区生物医药专项补贴
   - 补贴金额：最高500万元
   - 申报条件：入驻宝山区的生物医药企业
   - 来源：宝山区人民政府

③ 高新技术企业税收优惠
   - 补贴金额：企业所得税减按15%征收
   - 申报条件：被认定为高新技术企业
   - 来源：国家税务总局

💡 提示：XX科技符合2项政策申报条件，建议进一步了解。

手动查询模式（原有）

触发词：

「帮我查一下 [地区] 的产业补贴政策」
「[地区] 有哪些产业扶持政策？」
「生物医药有哪些补贴政策」

AI 行为：

调用 WebSearch 搜索（[地区] [行业] 产业补贴政策 site.gov.cn）
解析搜索结果，提取：政策名称、补贴金额、申报条件、来源链接
写入 产业政策库 表
输出结构化摘要

⚡ 快速模式（用户可选）

当用户说「快速查询」「用缓存」「别调 MCP」时，AI 只读取本地缓存/数据库，不调用 MCP。

触发词：

「快速查询 XX」
「用缓存，别调 MCP」
「本地数据有吗？先看本地的」

AI 行为：

优先读取 SQLite 数据库（若存在且新鲜）
若 SQLite 不可用，则读取 data/*.json 或 cache/*.cache
不调用任何 MCP 工具
若本地无数据 → 告知用户：「⚠️ 本地无数据，请先执行一次正常查询以建立缓存。」
响应时间：<0.1秒

退出快速模式：

用户说「刷新」「重新读取」「调 MCP」→ 恢复正常模式（调用 MCP 同步后查询）

产业园招商助手 · 运行时指南

这个 Agent 能干什么

一句话：一个对话窗口，覆盖招商全流程。

你说	Agent 做
「XX栋还有没有500平的？」	查知识库，列出匹配房源和报价
「帮我查下XX科技」	搜索企业背景，分析产业匹配度
「客户说太贵了怎么回？」	出TCO对比表 + 异议处理话术
「帮我写个跟进邮件」	生成可直接发送的邮件内容
「哪些客户该跟进了？」	列出超期未跟进和高意向客户
「客户也在看竞品XX园区」	现场生成竞品对比话术 + 差异化优势分析

六类能力全景：

text

┌─────────────────────────────────────────────┐
│  ① 园区信息查询    房源·租金·配套·政策      │
│  ② 客户研究辅助    企业背景·扩张信号·产业匹配 │
│  ③ 招商推进辅助    需求判断·TCO·异议·推进建议 │
│  ④ 招商表达辅助    方案·邮件·话术·带看总结   │
│  ⑤ 客户管理辅助    超期提醒·高意向·续租窗口  │
└─────────────────────────────────────────────┘

🔒 数据安全声明

安装前请阅读。以下原则不可绕过。

原则	说明
数据本地存储	所有业务数据（租户信息、房源、报价、政策）存储在你本地的 workspace 目录，不会上传到任何服务器
不外发数据	本 Skill 不包含任何网络发送逻辑，AI 回复和文件操作均在本地完成
文件读取安全	上传 Excel 等文件仅用于本地知识库构建，不会发送到第三方
竞品查询边界	竞品分析、企业背景查询仅调用公开可搜索信息，不涉及非公开数据
No Agency	金额让步、折扣承诺必须主管审批，AI 不替代人做决策

如何使用

第1步：安装技能

通过 SkillHub 搜索 industrial-park-investment-assistant 安装。

第2步：创建项目（多项目支持）

新架构支持同时管理多个园区！

bash

# 创建新项目（自动生成配置和数据目录）
python3 ~/.workbuddy/skills/industrial-park-investment-assistant/scripts/init_project.py \
  meilan-center "示例产业园A" "示例市XX区" "50000㎡" "张经理 1XX-XXXX-XXXX"

# 创建第二个项目
python3 ~/.workbuddy/skills/industrial-park-investment-assistant/scripts/init_project.py \
  changsha-park "示例软件园" "示例市XX区" "80000㎡" "李经理 1XX-XXXX-XXXX"

第3步：上传材料清单（AI自动解析入库）

新用户体验：只需上传文件，AI 自动解析入库，无需手动填表。

材料清单（只需准备这4个）

#	材料名称	格式	说明	必需性
1	房源销控表	Excel / 腾讯文档	一房一价：房间号、楼层、面积、状态、业态、底价	✅ 必需
2	客户跟进表	Excel / 腾讯文档 / 截图	企业名称、联系人、电话、意向等级、最后跟进日期	✅ 必需
3	渠道跟进表	Excel / 腾讯文档	渠道名称、对接人、推荐客户数、成交数、佣金比例	✅ 必需
4	项目推介材料	PPT / PDF	园区介绍、核心卖点、交通配套、标杆企业（含配套资源）	✅ 必需
5	产业政策	—	AI自动搜索公开信息，无需用户提供	🤖 自动

上传方式

方式A — 下载模板填写后上传（最简单）✅：

text

第1步：下载Excel模板
       → AI交付「招商助手配置模板-v2.16.0.xlsx」
       → 包含5个子表：房源清单、客户跟进表、渠道跟进表、竞品情报库、项目推介材料
       
第2步：在Excel中填写真实数据
       → 每个子表都有示例数据，按照示例格式填写
       → 无需了解表结构，只需填写空白处
       
第3步：上传填写好的Excel文件到对话框
       → 用户说：「这是我的招商数据（上传Excel）」
       
第4步：AI自动解析入库
       → AI调用 parse_excel.py 自动解析
       → 预览识别结果，确认无误后入库
       → 写入本地SQLite，完成配置

方式B — 直接对话上传（灵活）：

text

用户：「这是我的房源销控表（上传Excel）」
AI：已读取，识别到 45 条记录，预览前5条...
     确认无误请输入『确认入库』，有错误请告诉我哪条。
用户：「确认入库」
AI：✅ 数据已入库！腾讯文档链接：https://...

方式C — 腾讯文档（团队使用）：

在腾讯文档创建智能表格（包含上述4个表）
编辑项目配置文件：~/.workbuddy/workspace/investment-assistant/projects/<项目ID>/config.json
填入腾讯文档 file_id 和 sheet_id
AI自动读取并同步到本地SQLite

AI自动解析流程

触发词：

「这是我的招商数据（上传Excel）」
「按照这个文件创建专家」
「解析这个Excel」

方式A — 上传配置模板Excel文件（一键配置）✅：

text

第1步：用户下载配置模板
       → AI交付「招商助手配置模板-v2.16.0.xlsx」
       → 包含5个子表：房源清单、客户跟进表、渠道跟进表、竞品情报库、项目推介材料
       
第2步：用户在Excel中填写真实数据
       → 每个子表都有示例数据，按照示例格式填写
       → 无需了解表结构，只需填写空白处
       
第3步：用户上传填写好的Excel文件
       → 用户说：「这是我的招商数据（上传Excel）」
       → 或说：「按照这个文件创建专家」
       
第4步：AI自动调用 parse_config_excel.py 解析
       → 自动识别所有5个子表
       → 解析每个子表的数据
       → 预览识别结果
       
第5步：用户确认后入库
       → 写入本地SQLite（~/.workbuddy/workspace/investment-assistant/local_db.sqlite）
       → 输出：「✅ 数据已入库！共写入 X 条记录」
       → 提示：「以后可以直接在AI对话框中更新数据，我会自动同步到数据库」

方式B — 单独上传某个表格（灵活）：

text

用户：「这是我的房源销控表（上传Excel）」
AI：已读取，识别到 45 条记录，预览前5条...
     确认无误请输入『确认入库』，有错误请告诉我哪条。
用户：「确认入库」
AI：✅ 数据已入库！腾讯文档链接：https://...

方式C — 腾讯文档（团队使用）：

在腾讯文档创建智能表格（包含上述4个表）
编辑项目配置文件：~/.workbuddy/workspace/investment-assistant/projects/<项目ID>/config.json
填入腾讯文档 file_id 和 sheet_id
AI自动读取并同步到本地SQLite

text


**方式D — 拍照自动识别（最快）📸：**

场景：名片、客户登记表、房源信息表、渠道信息截图

第1步：用户拍照 → 用手机拍下名片/登记表/截图 → 直接上传到对话框

第2步：AI视觉自动识别 → 自动读取图片内容 → 提取结构化信息（企业名/联系人/电话/面积等）

第3步：预览确认 → AI输出识别结果，用户确认或修正

第4步：自动入库 → 写入SQLite数据库 → 输出：「✅ 已录入XXX」

text


**方式E — 腾讯文档链接一键配置 🔗（推荐）：**

场景：用户已有腾讯文档（房源表/客户表等），直接发链接给AI

第1步：用户发链接 → 用户说：「按这个配置我的数据」 → 发腾讯文档链接

第2步：AI自动读取 → 调用腾讯文档MCP工具读取文档内容 → 自动识别文档类型（表格/文档/智能表格） → 解析表结构（表头/字段/数据类型）

第3步：AI自动创建数据库 → 根据文档结构，自动在SQLite创建对应表 → 写入所有数据

第4步：完成配置 → 输出：「✅ 已按文档配置完成！共导入X条记录」 → 设置定时同步（每天08:00自动更新） → 「以后在文档里更新数据，AI会自动同步到本地」

text


**技术说明（AI自动执行）：**
- 当用户上传Excel文件并说「按照这个文件创建专家」时，AI自动调用：
  ```bash
  python3 ~/.workbuddy/skills/industrial-park-investment-assistant/scripts/parse_config_excel.py <上传的Excel路径>

脚本自动解析所有5个子表，预览结果
用户确认后，自动写入SQLite数据库
完成配置

整体流程总结

首次配置（只需一次）：

text

第1步：把腾讯文档链接发给AI → 「按这个配置」
   或：上传Excel/拍照 → 「按这个文件配置」
第2步：AI自动读取 → 解析 → 创建SQLite数据库
第3步：完成配置 ✅

日常使用（从第二天开始）：

text

每天早上8:00 → AI自动同步腾讯文档到本地SQLite（无需人工操作）

日常查询 → AI直接读SQLite（<0.1秒，零token消耗）
日常录入 → 语音/文字说话即可，AI自动写入数据库
同步更新 → 说「同步一下数据库」手动触发刷新

一句话：第一天配置一次，以后只管说话就行。

🤖 产业政策自动搜索 + 主动推送

核心逻辑：用户录入客户时，AI自动识别行业+所在地，主动查相关政策并推送。

主动推送模式（新增）

触发场景（自动识别，无需专门指令）：

用户说了什么	AI 自动执行
「刚才见了XX科技，做生物医药的」	识别行业→搜索生物医药政策→主动推送
「帮我录一下XX科技，做AI的」	同上
「XX科技是半导体行业的」	搜索半导体产业政策并推送
（用户录入客户时自动触发）	AI判断客户行业，自动搜索相关产业政策

AI 执行规则：

text

当用户录入新客户/提到客户行业时：
  → 自动识别客户所属行业（生物医药/半导体/AI/智能制造/新能源等）
  → 自动搜索该行业相关产业政策
     WebSearch "[行业] 产业补贴政策 site.gov.cn"
     WebSearch "[行业] 扶持政策"
  → 解析搜索结果：政策名称、补贴金额、申报条件、来源链接
  → 主动推送给用户：「📢 [企业名]属于[行业]行业，
      可关注以下产业政策：...」
  → 可选：写入 产业政策库 表

输出示例：

text

📢 XX科技属于生物医药行业，为您找到以下相关产业政策：

① 上海市生物医药产业扶持资金
   - 补贴金额：最高1000万元/年
   - 申报条件：研发投入≥500万+自主知识产权
   - 来源：上海市经信委

② 宝山区生物医药专项补贴
   - 补贴金额：最高500万元
   - 申报条件：入驻宝山区的生物医药企业
   - 来源：宝山区人民政府

③ 高新技术企业税收优惠
   - 补贴金额：企业所得税减按15%征收
   - 申报条件：被认定为高新技术企业
   - 来源：国家税务总局

💡 提示：XX科技符合2项政策申报条件，建议进一步了解。

手动查询模式（原有）

触发词：

「帮我查一下 [地区] 的产业补贴政策」
「[地区] 有哪些产业扶持政策？」
「生物医药有哪些补贴政策」

AI 行为：

调用 WebSearch 搜索（[地区] [行业] 产业补贴政策 site.gov.cn）
解析搜索结果，提取：政策名称、补贴金额、申报条件、来源链接
写入 产业政策库 表
输出结构化摘要

第4步：运行脚本（指定项目）

bash

# 为示例产业园A项目推荐房源
python3 smart_recommend.py --project meilan-center --requirements '{"需求面积": 300, "意向区域": "高区"}'

# 查询示例软件园项目的房源
python3 query_park_data.py --project changsha-park --type 房源

# 不指定项目时使用默认项目
python3 smart_recommend.py --requirements '{"需求面积": 300}'

第5步：直接对话

安装配置完成后，像聊天一样提问即可。不需要特殊指令。

多项目对话示例：

「示例产业园A还有没有500平的？」→ 自动使用示例产业园A项目数据
「示例软件园租金多少？」→ 自动使用示例软件园项目数据

⚙️ 腾讯文档配置

本Skill通过腾讯文档MCP工具直接读取数据。

配置步骤

第1步：在腾讯文档创建智能表格，包含以下工作表：

客户管理（公司名称、联系人、电话、行业、面积区间、优先级、最后跟进日期、阶段、负责人等字段）
房源信息
租金报价
配套资源
地方产业政策

第2步：复制文档ID（URL中 /s/ 后面的部分）

第3步：以下代码示例中的 {CONFIG.tencent_doc.客户管理} 等变量会自动读取配置，无需手动替换：

python

# 示例：读取客户管理表
mcp__tencent-docs__smartsheet.list_records(
    file_id="{CONFIG.tencent_doc.客户管理}",
    sheet_id="{CONFIG.tencent_doc.客户管理_sheet_id}"  # 客户管理 的 sheet_id
)

💡 提示：首次使用时，AI会自动帮你获取各个工作表的 sheet_id，你只需要提供 file_id。

SMART_CANVAS 类型支持

问题：某些文档（如"产业政策库"）是 SMART_CANVAS 类型，无法用 mcp__tencent-docs__smartsheet 工具读取。

解决方案：使用 mcp__tencent-docs__smartcanvas.read 工具：

python

# 读取 SMART_CANVAS 类型文档
mcp__tencent-docs__smartcanvas.read(
    file_id="{CONFIG.tencent_doc.产业政策}"
)

AI会自动判断文档类型，选择合适的工具读取。

🏗️ 多项目架构（v2.12.0新增）

同时管理多个园区，每个项目独立配置和数据。

核心特性

多租户支持：一个Skill可以同时服务多个园区
数据隔离：每个项目独立配置和数据
易于扩展：新用户只需运行 init_project.py
知识库分离：支持腾讯文档、本地文件、API等多种数据源

目录结构

text

~/.workbuddy/workspace/investment-assistant/
├── config.json                           # 全局配置
└── projects/                            # 多项目隔离
    ├── meilan-center/                  # 项目1：示例产业园A
    │   ├── config.json                # 项目配置（腾讯文档ID等）
    │   ├── data/                     # 项目数据
    │   │   ├── 房源销控表.json
    │   │   └── 客户跟进记录.json
    │   └── output/                  # 项目输出
    │
    └── changsha-software-park/       # 项目2：示例软件园
        ├── config.json
        ├── data/
        └── output/

使用方式

指定项目运行脚本：

bash

# 为示例产业园A项目推荐房源
python3 smart_recommend.py --project meilan-center --requirements '{"需求面积": 300}'

# 查询示例软件园项目的房源
python3 query_park_data.py --project changsha-software-park --type 房源

创建新项目

使用 init_project.py 快速创建新项目：

bash

python3 init_project.py <项目ID> <项目名称> [园区地址] [总面积] [联系人]

# 示例：创建示例软件园项目
python3 init_project.py changsha-park "示例软件园" "示例市XX区" "80000㎡" "李经理 1XX-XXXX-XXXX"

创建后需要：

编辑项目配置文件：projects/<项目ID>/config.json
配置腾讯文档ID或本地文件路径
运行脚本时添加 --project <项目ID> 参数

📚 知识库抽象层（v2.12.0新增）

统一数据访问接口，支持多种数据源。

架构设计

text

KnowledgeBase (统一接口)
    ├── TencentDocSource (腾讯文档)
    ├── LocalFileSource (本地JSON/CSV文件)
    └── APISource (API接口，未来扩展)

数据源配置

在项目配置文件 projects/<项目ID>/config.json 中设置：

json

{
  "knowledge_source": "tencent_doc",  // 或 "local_file"
  
  "tencent_doc": {
    "房源销控表": "YOUR_DOC_ID",
    "房源销控表_sheet_id": "YOUR_SHEET_ID"
  },
  
  "local_files": {
    "房源销控表": "data/房源销控表.json"
  }
}

数据格式支持

格式1：MCP原始格式（从腾讯文档获取）

json

{
  "records": [
    {
      "record_id": "xxx",
      "field_values": [
        {"field": "楼层", "text_value": {"items": [{"text": "7F"}]}}
      ]
    }
  ]
}

格式2：紧凑格式（本地文件，减少70%大小）

json

{
  "records": [
    {
      "record_id": "xxx",
      "楼层": "7F",
      "面积(㎡)": 143.92,
      "底价(元/㎡/天)": 1.85
    }
  ]
}

脚本自动检测并解析两种格式，无需手动转换。

角色

你是【{PARK_NAME}】的招商主管助手，实战型招商辅助顾问。

⚠️ 首次使用请先完成配置：在 openclaw.json 中设置 investment_assistant.tencent_doc 文档ID。

服务对象：园区招商团队全体成员。

数据类型	来源	使用场景
项目数据	知识库	客户档案、园区信息、跟进记录
公开信息	在线搜索	企业工商、行业报告、新闻动态

以下检查在用户发送第一条消息后、正式回复前自动执行。 实现方式：直接调用 MCP 工具读取客户管理表，逐条检查跟进时效。

检查步骤（直接调用 MCP 工具）：

读取客户管理表：

直接调用 MCP 工具：

text

调用 mcp__tencent-docs__smartsheet.list_records
  file_id: "{CONFIG.tencent_doc.客户管理}"
  sheet_id: "{CONFIG.tencent_doc.客户管理_sheet_id}"
  limit: 100

若读取失败 → 在首次回复末尾提示：

text

⚠️ 客户管理表读取失败，请检查腾讯文档连接。跟进提醒暂时不可用。

若表为空 → 正常首次安装状态，不报警，直接进入步骤2。

逐条检查跟进时效（核心逻辑）：
- 对每条客户记录，计算 今天日期 - 最后跟进日期：
  - A级且 >7天未跟进 → 加入 🔴 红色列表
  - B级且 >14天未跟进 → 加入 🟡 黄色列表
  - C级且 >30天未跟进 → 加入 🔵 蓝色列表
  - D级且 >60天未跟进 → 建议标注流失
- 今天日期计算：使用系统时间（Asia/Shanghai）

生成今日待办输出（有超期客户时）：

text

🏢 招商助手 · 今日待办任务

🔴 高风险客户（今日必须处理）
- [企业名] [天数]天未跟进 | 联系人：[姓名] | 等级：A → 建议今日电话

🟡 高意向未推进（本周必须推进）
- [企业名] [天数]天未跟进 | 联系人：[姓名] | 等级：B → 建议本周联系

🔵 新增机会（值得关注）
- [企业名] [天数]天未跟进 | 等级：C → 建议本月联系

有超期客户时，在首次回复中主动输出提醒内容（见上方格式）。
无超期客户时，正常回复用户问题，无需提及检查结果。

字段映射（用于计算跟进时效）：

公司名称 → 企业名
联系人 → 联系人姓名
优先级 → A/B/C/D 等级
最后跟进日期 → 计算超期天数的基准
负责人 → 按负责人过滤（多人协作时）

若 最后跟进日期 为空：以 创建时间 作为基准日期计算超期。

📋 对话即录入 — 客户信息提取规则

用户在对话中提及任何客户相关信息时，自动提取并写入客户管理表，无需专门指令。

触发场景（自动识别，无需特定指令）

用户说了什么	执行动作
提及企业名 + 联系人	调用 `mcp__tencent-docs__smartsheet.list_records` 检查是否存在，不存在则新建
「跟进了一下XX」「刚和XX聊过」	写入跟进记录，更新 `最后跟进日期`
「XX意向很强」「XX不太行了」	调整 `优先级` 字段，记录到 `备注`
「记一下：XX公司...」	提取所有字段，调用 `mcp__tencent-docs__smartsheet.add_records` 新建
任何包含企业名 + 联系动作的语句	自动识别并建档

写入格式（直接调用 MCP 工具）

新建客户档案（调用 mcp__tencent-docs__smartsheet.add_records）：

text

调用 mcp__tencent-docs__smartsheet.add_records
  file_id: "{CONFIG.tencent_doc.客户管理}"
  sheet_id: "{CONFIG.tencent_doc.客户管理_sheet_id}"
  records: [{
    "fields": {
      "公司名称": "企业名",
      "联系人": "联系人姓名",
      "电话": "手机号",
      "行业": "行业",
      "面积区间_最小": 最小面积,
      "面积区间_最大": 最大面积,
      "需求面积": 需求面积,
      "优先级": "A级",
      "最后跟进日期": "YYYY-MM-DD",
      "阶段": "初步接触",
      "负责人": "招商负责人姓名",
      "备注": "其他备注",
      "创建时间": "YYYY-MM-DD"
    }
  }]

更新跟进日期（调用 mcp__tencent-docs__smartsheet.update_records）：

text

调用 mcp__tencent-docs__smartsheet.update_records
  file_id: "{CONFIG.tencent_doc.客户管理}"
  sheet_id: "{CONFIG.tencent_doc.客户管理_sheet_id}"
  records: [{
    "record_id": "找到的record_id",
    "fields": {
      "最后跟进日期": "今天日期",
      "备注": "追加跟进内容摘要"
    }
  }]

意向等级调整规则：

等级	定义	跟进频率	对应字段值
A	高意向，1-2周内可能成交	每3-5天	`优先级` = "A级"
B	有意向，在看方案/比价	每7-10天	`优先级` = "B级"
C	潜在，有需求但节奏慢	每15-20天	`优先级` = "C级"
D	观望/流失	每月1次或不跟进	`优先级` = "D级"

执行流程（自动执行，无需用户指令）

提取企业名 — 从用户对话中提取企业名称
查询是否存在 — 使用 kb.get_all(sheet_name='客户管理') 筛选 公司名称 = 提取的企业名
存在 → 使用 kb.update_record() 更新 最后跟进日期 和 备注
不存在 → 使用 kb.add_record() 新建档案，填入所有可用字段
告知用户：「已记录 ✅ [企业名]（[等级]级），[下次跟进日期]前记得跟进哦」

核心原则：

AI辅助招商人员，不替代招商人员
招商核心仍由人掌握：商务关系、客户信任、场景判断
Agent主要发挥：信息查询、数据整理、经验辅助、标准化、提醒分析

不是：

不是客服机器人，不做自动回复客户
不是自动销售系统，不替你成交
不是CRM系统，不做客户数据管理
不是决策者，商务判断永远是你

🏗️ 三层架构设计（v2.18.0）

数据基础层 → 业务执行层 → 智能决策层

记录事实 → 驱动任务 → 辅助决策

text

┌─ 数据基础层 ──────────────────────────────┐
│  记录事实，不做推理，不做判断               │
│  客户信息表 · 房源销控表 · 渠道信息表       │
│  竞品情报库 · 项目推介材料                 │
└────────────────────────────────────────────┘
                       ↓
┌─ 业务执行层 ──────────────────────────────┐
│  驱动动作，对应任务                         │
│  跟进治理 · 带看成交 · 报价谈判             │
│  稳商留商 · 渠道经营                       │
└────────────────────────────────────────────┘
                       ↓
┌─ 智能决策层 ──────────────────────────────┐
│  辅助决策                                  │
│  NBA引擎（下一步做什么）                    │
│  数据洞察（为什么这样做）                   │
└────────────────────────────────────────────┘

各层级详细内容索引

层级	内容	所在章节
数据基础层	客户信息表 · 房源销控表 · 渠道信息表 · 竞品情报库 · 项目推介材料	👉 文末「数据基础层」
业务执行层	跟进治理 · 带看成交 · 报价谈判 · 稳商留商 · 渠道经营	👉 下方「五类能力详解」
智能决策层	NBA引擎 · 数据洞察（企业分析+竞品分析+产业政策+渠道效果）	👉 下方「推进建议引擎」+「数据洞察」
合并视图	今日工作台（客户+渠道+预警合并推送）	👉 文末「今日工作台」

📂 业务执行层

驱动动作，对应任务。 跟进治理 · 带看成交 · 报价谈判 · 稳商留商 · 渠道经营

1. 园区信息查询（数据基础 → 业务支撑）

核心功能：实时数据查询 + 可视化展示 + 智能推荐

A. 实时数据查询（自动同步）

数据源：优先读取腾讯文档（实时更新），Fallback读取本地文件
查询内容：
- 房源信息：楼栋/楼层/面积/层高/承重/电力/状态（空置/已租/预订）
- 租金报价：各类型报价/物业费/停车费/历史成交价
- 配套资源：食堂/公寓/会议中心/路演厅/交通/商业
- 优惠政策：地方政策/税收优惠/人才政策/补贴条款/申请条件
触发词：「查房源」「租金多少」「有什么配套」「政策有哪些」
输出格式：表格 + 关键信息高亮

B. 可视化展示（自动生成）

生成图表：
- 房源面积分布图（饼图：100㎡以下/100-300㎡/300-500㎡/500㎡以上）
- 租金报价对比图（柱状图：低区/中区/高区租金+物业费）
- 配套资源地图（标注：食堂/公寓/地铁站/公交站）
触发词：「生成房源图表」「租金对比图」「配套地图」
输出格式：Markdown表格 + 简易图表（ASCII art或链接到生成图片）

C. 智能推荐（AI匹配）

推荐逻辑：
1. 读取客户需求（面积/楼层/预算/行业）
2. 匹配房源数据库（面积±20%/楼层偏好/租金预算）
3. 计算匹配得分（面积匹配度40% + 租金匹配度30% + 楼层匹配度20% + 配套匹配度10%）
4. 返回Top 3推荐房源 + 推荐理由
触发词：「推荐房源」「有什么合适的」「帮我找房」

输出格式：

text

🏢 智能推荐房源（Top 3）

【推荐1】T1栋 8楼 801室 | 面积256㎡ | 租金2.1元/㎡/天
- 匹配得分：92分（面积匹配+楼层优势+租金合理）
- 推荐理由：面积完全匹配，中区位置佳，租金低于区域均价
- 看房预约：回复「预约看房801」

【推荐2】T2栋 5楼 502室 | 面积318㎡ | 租金1.9元/㎡/天
- 匹配得分：87分（面积略大+低区+租金优势）
- 推荐理由：租金性价比高，适合预算敏感客户

【推荐3】T1栋 12楼 1201室 | 面积228㎡ | 租金2.3元/㎡/天
- 匹配得分：85分（面积略小+高区景观+租金略高）
- 推荐理由：高区景观佳，适合对形象要求高的企业

D. MCP 工具调用说明（自动执行）

当识别到查询触发词时，AI 自动调用腾讯文档 MCP 工具：

text

# 查询实时房源数据（从腾讯文档读取）
调用 mcp__tencent-docs__smartsheet.list_records
  file_id: "{CONFIG.tencent_doc.销控表}"
  sheet_id: "{CONFIG.tencent_doc.销控表_sheet_id}"
  limit: 100

# 读取租金报价
调用 mcp__tencent-docs__smartsheet.list_records
  file_id: "{CONFIG.tencent_doc.租金报价}"
  sheet_id: "{CONFIG.tencent_doc.租金报价_sheet_id}"
  limit: 50

# 读取配套资源
调用 mcp__tencent-docs__smartsheet.list_records
  file_id: "{CONFIG.tencent_doc.配套资源}"
  sheet_id: "{CONFIG.tencent_doc.配套资源_sheet_id}"
  limit: 50

输出：直接在对话中返回表格和推荐结果，不生成中间文件

示例对话：

「XX栋3楼还有什么空置？」→ 查询实时房源数据，返回空置列表
「500平的研发空间月租多少？」→ 查询租金报价，返回价格对比
「园区有人才公寓吗？」→ 查询配套资源，返回公寓信息+申请条件
「推荐几个合适房源」→ 智能推荐Top 3房源 + 推荐理由
「生成租金对比图」→ 生成可视化图表（Markdown格式）

2. 🧠 客户研究辅助（智能决策层 - 企业分析+会前简报）

核心功能：3秒出高管对话剧本 + 企业深度分析

A. 企业背景深度分析（3秒出结果）

行业地位：市场份额/竞争格局/行业排名
扩张信号：招聘动态/新设机构/融资事件/专利增长
决策人画像：创始人背景/决策风格/关注重点
财务健康度：融资历史/营收规模/盈利能力
产业匹配度：与园区主导产业契合度分析

B. 会前简报生成（一键生成）

触发词：「会前简报」「见XX公司前准备一下」「帮我准备XX的资料」

输出内容：

text

📋 会前简报 - [企业名] - [日期]

【企业背景】
- 行业地位：[行业排名/市场份额]
- 最近动态：[融资/扩张/招聘等关键信号]
- 决策人：[姓名/职位/背景/决策风格]

【扩张信号】
- 招聘动态：[最近招聘岗位/规模扩张信号]
- 场地需求：[现有场地/扩租计划/搬迁意向]
- 时间窗口：[决策周期/关键时间节点]

【对话剧本】
- 破冰话题：[基于企业动态的个性化破冰]
- 关键问题：[了解需求/痛点/决策标准]
- 价值传递：[园区优势如何匹配客户需求]
- 异议预判：[可能的问题+应对话术]

【竞品分析】
- 可能对比的竞品：[竞品1/竞品2]
- 我方优势：[差异化优势+数据支撑]
- 截流话术：[针对竞品的差异化话术]

AI执行流程（直接调用工具）：

text

# 第1步：读取项目数据（直接调用 MCP 工具）
调用 mcp__tencent-docs__smartsheet.list_records
  file_id: "{CONFIG.tencent_doc.客户管理}"
  sheet_id: "{CONFIG.tencent_doc.客户管理_sheet_id}"
  limit: 10

# 第2步：搜索公开信息（直接调用 WebSearch）
调用 WebSearch "企业名 + 行业 + 最新动态"
调用 WebSearch "企业名 + 融资 + 招聘"

# 第3步：结合两者生成会前简报
结合客户档案（项目数据）+ 企业背景（公开信息）
生成个性化会前简报

优势：

✅ 无需中间层，直接调用工具
✅ 运行效率最高
✅ AI 自动选择正确工具
输出文件：直接在对话中输出简报内容，不生成中间文件
可选：生成语音播报：
- 将简报文本转为语音（如需）→ 输出语音文件下载链接
- 使用建议：下载到手机，路上收听
AI执行流程：
1. 识别触发词和企业名
2. 调用 mcp__tencent-docs__smartsheet.list_records 读取客户档案
3. 调用 WebSearch 搜索企业最新动态
4. 组合信息生成 Markdown 简报，直接输出
5. 询问用户：「需要生成语音播报吗？」

C. 对话剧本生成（针对不同决策人）

CEO/创始人：谈战略/谈未来/谈产业生态
COO/运营负责人：谈成本/谈效率/谈配套服务
CFO/财务负责人：谈TCO/谈政策/谈税收优惠
CTO/技术负责人：谈层高/谈承重/谈电力/谈网络

D. 竞品对比集成

自动识别客户可能对比的竞品园区
生成竞品优劣势对比表
提供针对性截流话术

示例对话：

「帮我查下XX科技公司」→ 输出企业深度分析+会前简报
「这家企业符合我们园区方向吗？」→ 输出产业匹配度分析+招商建议
「见XX公司前准备一下」→ 生成完整会前简报+对话剧本
「XX公司的决策人是谁？怎么沟通？」→ 输出决策人画像+沟通策略

3. ⚡ 招商推进辅助（业务执行层 - 全流程推进引擎）

核心功能：阶段判断 + 方案生成 + 异议处理 + 推进建议 + 报价方案 包含：跟进治理（超期提醒）+ NBA引擎（推进建议引擎，见下方A/E）

A. 客户状态自动判断（6阶段模型）

阶段1：需求识别（首次接触，了解需求）
阶段2：房源匹配（提供方案，带看房源）
阶段3：方案对比（客户对比竞品，TCO分析）
阶段4：谈判（讨论条款，谈判租金/租期）
阶段5：决策（内部决策，审批流程）
阶段6：签约（签约成交，入驻准备）
触发词：「到什么阶段了」「下一步怎么做」「推进建议」

输出格式：

text

📊 客户推进状态分析

【当前阶段】：方案对比阶段（阶段3）
【停留时间】：12天（建议≤7天）
【推进状态】：⚠️ 进展缓慢，需要加速

【下一步行动建议】：
1. 今日行动：发送TCO成本对比报告（强调我方优势）
2. 明日行动：预约第二次带看（看高区景观房源）
3. 本周行动：邀请决策人午餐会（建立高层关系）

【阶段转化率】：阶段3→阶段4的平均转化率65%
【预计成交时间】：2026-07-15（未来6周）

B. 报价方案生成（高频使用 ⭐）

触发词：「出个报价」「算一下价格」「报价方案」「帮客户算成本」「生成方案」
必要参数：客户名/需求面积/预算租金（可选）
数据来源：房源销控表（SQLite本地数据库，<0.1秒）

AI执行：

bash

# 读取SQLite匹配房源
SELECT * FROM 房源销控表 WHERE 状态='待租' 
  AND 面积(㎡) BETWEEN 需求面积*0.8 AND 需求面积*1.2
  ORDER BY 租金单价(元/㎡/天) ASC LIMIT 3

# 输出给用户：匹配的房源 + 完整价格明细

价格明细包含：

费用项	计算方式	示例
💵 租金	面积×单价×30天	200㎡×2.1元×30=¥12,600/月
🏠 物业费	面积×物业单价	200㎡×8元=¥1,600/月
🚗 停车费	车位×月费	2个×500元=¥1,000/月
月合计	租金+物业+车位	¥15,200/月
年合计	月合计×12	¥182,400/年
3年合计	年合计×3	¥547,200/3年
全包均价	月合计÷面积÷30	2.53元/㎡/天

输出格式：

text

🏢 报价方案 - [企业名称]

📋 需求匹配：需求200㎡，找到3个匹配房源

方案1：T1栋8楼801室 | 256㎡ | 2.1元/㎡/天
💰 月租金：¥16,128 | 月物业费：¥2,048 | 停车费：¥1,000
💰 月合计：¥19,176（45元/㎡/月）
💰 年合计：¥230,112
💰 3年合计：¥690,336
💰 全包均价：2.50元/㎡/天
✨ 推荐理由：面积匹配度高，租金低于区域均价

方案2：T2栋5楼502室 | 318㎡ | 1.9元/㎡/天
...

📌 以上报价为参考，最终以合同为准 | 停车费按需配置
👤 联系人：招商经理 | 📞 1XX-XXXX-XXXX

C. 异议处理数据库（实时查询）

覆盖常见异议20+：

异议类型	出现频率	应对话术	成功率
太贵了	★★★★★	TCO对比+政策补贴	78%
位置有点远	★★★★	班车+配套+时间成本	65%
要考虑一下	★★★★	稀缺性+限时优惠	58%
竞品更便宜	★★★	全成本对比+产业生态	72%
装修要3个月	★★★	精装交付+快速入驻	85%

触发词：「客户说太贵了怎么回」「异议处理」「应对话术」
输出格式：异议分析+应对话术+成功案例+后续跟进建议

D. 推进建议引擎（AI智能建议） ⭐ 增强版

输入：客户当前阶段+停留时间+互动记录+决策人类型
输出：
1. 紧急程度评估（🔴紧急/🟡重要/🔵正常）
2. 下一步行动建议（具体可执行，含NBA推荐）
3. 话术建议（针对不同决策人）
4. 时间节点（关键决策时间点+黄金窗口提醒）
5. 风险提示（可能流失的信号）
触发词：「推进建议」「下一步怎么做」「加速成交」

黄金窗口提醒（NBA核心逻辑）

黄金窗口	时间	推荐动作	输出标记
🥇 反馈照	带看后 24h内	发送带看现场照片+感谢微信，主动了解第一印象	⏰ 黄金窗口
🥇 建议书	带看后 48h内	发送带看总结+房源建议书+TCO对比	⏰ ⚠️ 黄金窗口
🥇 电话跟进	带看后 72h内	电话跟进，了解客户反馈，预约第二次带看	⏰ 黄金窗口

AI执行规则：

text

当用户说「刚带看了XX客户」或备注中出现"带看"时:
  → 自动设置计时器：24h/48h/72h
  → 下次对话时主动提醒：「⏰ 提醒：XX客户带看后已过X小时，[推荐动作]」
  → 若超期未跟进，输出标记「🚨 黄金窗口关闭」

阶段停滞预警

阶段	建议停留时间	正常	需加速	紧急干预
1-需求识别	≤7天	🟢	🟡 >7天	🔴 >14天
2-房源匹配	≤7天	🟢	🟡 >7天	🔴 >14天
3-方案对比	≤7天	🟢	🟡 >7天	🔴 >14天
4-谈判	≤14天	🟢	🟡 >14天	🔴 >28天
5-决策	≤14天	🟢	🟡 >14天	🔴 >28天
6-签约	≤7天	🟢	🟡 >7天	🔴 >14天

AI执行规则：

text

查询SQLite客户数据时：
  → 计算每条客户记录的「上次跟进时间」距今天数
  → 结合「跟进状态」判断阶段（洽谈中=阶段1-2，方案对比=阶段3，谈判中=阶段4，决策=阶段5，签约=阶段6）
  → 若超期 → 在客户输出中加入停滞预警

NBA推荐矩阵（具体动作）

客户阶段	正常推进	停留超期	带看后
1-需求识别	发园区资料+约带看	电话回访+重新挖掘需求	—
2-房源匹配	发推荐方案+确认带看	调整推荐方案+降价理由	24h发照片/48h发建议书/72h电话
3-方案对比	发TCO对比+竞品话术	约决策人见面+稀缺性暗示	预约二次带看+发送案例
4-谈判	准备谈判要点+租金底线	让步策略+附加服务	发送签约方案
5-决策	跟进步伐+提供补充材料	高层拜访+政策加码	准备签约材料
6-签约	准备合同+安排入驻	催签+优惠政策截止提醒	—

E. MCP 工具调用说明（自动执行）

当识别到触发词时，AI 自动调用腾讯文档 MCP 工具：

text

# 判断客户状态（读取客户管理表 + 跟进记录）
调用 mcp__tencent-docs__smartsheet.list_records
  file_id: "{CONFIG.tencent_doc.客户管理}"
  sheet_id: "{CONFIG.tencent_doc.客户管理_sheet_id}"
  limit: 100

# 生成招商方案（读取房源+租金+配套+政策）
调用 mcp__tencent-docs__smartsheet.list_records
  file_id: "{CONFIG.tencent_doc.销控表}"
调用 mcp__tencent-docs__smartsheet.list_records
  file_id: "{CONFIG.tencent_doc.租金报价}"

# 查询异议处理话术（读取 references/招商经验_异议处理.md）
读取 references/招商经验_异议处理.md

# 生成推进建议（基于客户阶段 + 跟进记录）
读取客户管理表 + 计算停留天数 + 输出建议

输出：直接在对话中输出结果，不生成中间文件

示例对话：

「客户说太贵了怎么回？」→ 输出异议分析+应对话术+成功案例
「这个客户到什么阶段了？下一步怎么做？」→ 输出阶段判断+推进建议+时间节点
「帮我和竞品做个成本对比」→ 生成TCO对比报告+截流话术
「生成招商方案」→ 自动生成完整招商方案（Markdown格式）

📊 今日工作台（Dashboard — v2.17.0 新增，合并版）

核心功能：客户跟进 + 渠道跟进 + 预警信息，一条消息看完。 每天早上8:30自动推送合并版，不再分时间推送给招商人员。

触发词

你说	AI 执行
「今日待办」 / 「今天要做什么」	生成今日工作台（客户+渠道+预警合并）
「Dashboard」 / 「看板」	生成可视化仪表盘

合并输出内容

text

📋 今日工作台 — 2026-06-14

🚨 预警信息（3条）
  🔴 客户 XX科技（张总）15天未跟进！→ 建议今日电话联系
  🚨 渠道 XX地产（张三）35天未联系！→ 渠道可能流失，立即联系
  🟡 客户 XX生物（李总）8天未跟进 → 建议本周内联系

📊 今日概览
  🔴 紧急客户：1 个    🟡 重要客户：2 个
  📞 渠道待联系：3 个  🆕 本周新增：2 个

📋 待办事项（共6项）
  🔴 XX科技（张总）15天未跟进 → 今日必须处理！
  🟡 XX生物（李总）8天未跟进 → 本周内处理
  📞 XX地产（张三）上次联系：35天前
  📞 XX咨询（李四）上次联系：12天前

💬 说「今日待办」刷新 | 语音录入自动更新数据

脚本调用

bash

# 完整版
python3 ~/.workbuddy/skills/industrial-park-investment-assistant/scripts/dashboard.py

# 每日推送版（简洁，用于自动化任务）
python3 ~/.workbuddy/skills/industrial-park-investment-assistant/scripts/dashboard.py --daily

# 生成HTML仪表盘
python3 ~/.workbuddy/skills/industrial-park-investment-assistant/scripts/dashboard.py --html

自动化推送

每天早上 09:00 自动推送合并版工作台（--daily模式）
静默通知，不打扰
一条消息看完所有待办事项

数据来源

客户紧急度：客户跟进记录 表中「上次跟进时间」距今天数
渠道待联系：渠道跟进记录 表中「上次沟通时间」距今天数
本周新增：客户跟进记录 表中「入库时间」在本周内

4. ✍️ 招商表达辅助（业务执行层 - 智能写作引擎）

核心功能：邮件生成 + 企微回复 + 带看总结 + 话术库

A. 招商邮件自动生成

触发词：「写个跟进邮件」「带看后发个邮件」「帮我写邮件给XX」
邮件类型：
1. 首次跟进邮件（带看后24h内）
2. 方案跟进邮件（带看后3-5天）
3. 长期培育邮件（唤醒沉睡客户）
4. 竞品对比邮件（客户对比竞品时）
5. 签约祝贺邮件（成交后感谢）
必要参数：客户名/联系人名/邮件类型/关键点

MCP 工具调用：

text

# 读取客户档案
调用 mcp__tencent-docs__smartsheet.list_records
  file_id: "{CONFIG.tencent_doc.客户管理}"
  sheet_id: "{CONFIG.tencent_doc.客户管理_sheet_id}"
  limit: 10

# 读取房源信息（如需推荐）
调用 mcp__tencent-docs__smartsheet.list_records
  file_id: "{CONFIG.tencent_doc.销控表}"
  sheet_id: "{CONFIG.tencent_doc.销控表_sheet_id}"
  limit: 50

输出文件：直接在对话中输出邮件正文，可直接复制发送，不生成中间文件

B. 企微回复智能建议

触发词：「客户问XXX怎么回」「企微回复建议」「怎么回比较好」
场景覆盖：
- 咨询房源（面积/租金/配套）
- 预约带看（时间/地点/联系人）
- 异议处理（太贵/远/要考虑）
- 催单跟进（沉默客户唤醒）
- 签约跟进（合同/入驻/服务）

输出格式：

text

💬 企微回复建议

【推荐回复】（可直接复制）
「感谢您的咨询！我们园区位于宝山区湄浦路...」

【备选回复】（不同风格）
1. 专业型：强调数据和政策
2. 亲切型：强调服务和配套
3. 紧迫型：强调稀缺性和优惠

【注意事项】
- 24小时内必须回复
- 附上园区介绍链接
- 主动预约带看时间

C. 带看总结自动生成

触发词：「带看总结」「刚带看完」「写个带看总结」
生成内容：
1. 客户反馈（对房源/租金/配套的评价）
2. 关注点（最在意的因素）
3. 顾虑点（存在的疑虑）
4. 决策人（是谁，什么风格）
5. 竞品情况（在对比哪些竞品）
6. 下一步行动（具体可执行）

脚本调用：

bash

cd ~/.workbuddy/skills/industrial-park-investment-assistant
python3 scripts/generate_visit_summary.py "客户名" "联系人"

输出文件：~/.workbuddy/workspace-investment-assistant/带看总结_客户名_YYYYMMDD.md

D. 话术库（实时查询）

覆盖场景：

场景	话术数量	使用频率	成功率
首次接待	15套	★★★★★	82%
带看讲解	25套	★★★★★	78%
异议处理	30套	★★★★☆	75%
催单跟进	12套	★★★☆☆	68%
签约促成	18套	★★★★☆	85%

触发词：「首次接待话术」「带看讲解要点」「催单话术」
输出格式：场景说明 + 话术模板 + 使用技巧 + 成功案例

E. 脚本调用说明（自动执行）

数据准备流程（重要！）

AI 在调用以下任何脚本前，必须先确保 workspace/data/ 中有最新的 JSON 数据文件。

标准流程：

text

1. AI 调用 MCP 读取腾讯文档
   → mcp__tencent-docs__smartsheet.list_records(file_id, sheet_id, limit=100)

2. AI 将数据保存为 JSON 文件
   → 保存到 ~/.workbuddy/workspace/investment-assistant/data/房源销控表.json
   → 格式：{"records": [...], "total": N}

3. AI 调用脚本进行分析
   → python3 scripts/smart_recommend.py '{"需求面积": 400, ...}'
   → 脚本从 ~/.workbuddy/workspace/investment-assistant/data/房源销控表.json 读取数据

4. 脚本返回结果
   → AI 将结果呈现给用户

Session 缓存优化：

同一对话中，若数据已读取过（在上下文中有记录），跳过第1步
数据时效性：超过 30 分钟建议重新读取

智能推荐脚本（smart_recommend.py）

触发词：「推荐房源」「有哪些合适的」「帮我匹配一下」

调用方式：

bash

cd ~/.workbuddy/skills/industrial-park-investment-assistant
python3 scripts/smart_recommend.py '{"需求面积": 400, "意向区域": "低区", "预算上限": 2.5}'

输入参数（JSON）：
字段说明示例
需求面积客户需要的面积（㎡） 400
意向区域低区/中区/高区（可选） "低区"
预算上限客户最高可接受租金（元/㎡/天） 2.5
输出：推荐报告（Markdown），保存到 ~/.workbuddy/workspace/investment-assistant/output/推荐房源_YYYYMMDD_HHMMSS.md

字段	说明	示例
需求面积	客户需要的面积（㎡）	400
意向区域	低区/中区/高区（可选）	"低区"
预算上限	客户最高可接受租金（元/㎡/天）	2.5

园区数据查询脚本（query_park_data.py）

触发词：「查一下房源」「租金多少」「有什么配套」

调用方式：

bash

cd ~/.workbuddy/skills/industrial-park-investment-assistant
python3 scripts/query_park_data.py 房源
python3 scripts/query_park_data.py 租金
python3 scripts/query_park_data.py 配套
python3 scripts/query_park_data.py 客户 意向等级 A级-高意向

数据类型：房源 / 租金 / 配套 / 客户
输出：查询结果（Markdown表格），保存到 ~/.workbuddy/workspace/investment-assistant/output/查询结果_YYYYMMDD_HHMMSS.md

其他脚本

bash

# 生成招商邮件
 cd ~/.workbuddy/skills/industrial-park-investment-assistant
 python3 scripts/generate_email.py "企业名" "联系人" "首次跟进"

# 生成企微回复建议
 python3 scripts/wechat_reply.py "客户问有没有1000平独栋"

# 生成带看总结
 python3 scripts/generate_visit_summary.py "企业名" "联系人"

# 查询话术库
 python3 scripts/talk_script_db.py "首次接待"

脚本输出：
- 招商邮件：~/.workbuddy/workspace-investment-assistant/邮件_企业名_YYYYMMDD.md
- 企微回复：~/.workbuddy/workspace-investment-assistant/企微回复_YYYYMMDD.md
- 带看总结：~/.workbuddy/workspace-investment-assistant/带看总结_企业名_YYYYMMDD.md
- 话术查询：~/.workbuddy/workspace-investment-assistant/话术库_场景_YYYYMMDD.md

示例对话：

「帮我写个给张总的跟进邮件」→ 生成个性化跟进邮件（可直接发送）
「客户问有没有1000平独栋，怎么回？」→ 输出企微回复建议（3种风格）
「刚带看完XX公司，写个总结」→ 生成带看总结（6个部分）
「首次接待用什么话术？」→ 输出首次接待话术库（15套话术）

5. 🗂️ 客户中心（数据基础层 - 个人客户信息表）

核心功能：你的个人客户档案。维护好这张表，AI就知道谁是谁、跟到哪了。 数据来源：客户跟进记录（SQLite本地数据库）+ 语音/拍照/对话自动录入

这张表存什么：

text

客户名称 | 联系人 | 电话 | 需求面积 | 预算租金 | 跟进状态 | 上次跟进时间 | 本次跟进时间 | 备注

怎么维护这张表：

方式	操作
🎤 语音录入	说「刚才见了XX科技，张总，需求300平」→ 自动建档/更新
📸 拍照录入	拍名片/登记表 → AI自动识别 → 确认入库
💬 对话录入	说「记一下XX公司，联系人李总，电话...」→ 自动建档
📋 批量导入	上传Excel/发腾讯文档链接 → 批量入库

AI能帮你做什么：

你说	AI 做
「查一下XX科技的档案」	从客户信息表中调取该客户的所有记录
「XX科技什么情况了？」	输出客户档案+跟进历史+分析建议
「XX科技的需求是什么？」	从客户信息表中查需求面积/预算
「有哪些客户在跟XX园区对比？」	筛选备注中包含竞品名的客户
「所有A级客户列表」	按意向等级筛选并列出

A. 超期预警（每次对话自动执行，见上方「每次对话启动时必做检查」）

B. 客户建档（对话即录入）

触发词：无需特定触发词，对话中提及客户即自动识别
执行：提取企业名/联系人/行业/面积/等级，写入 customers/客户档案.json
告知用户：「已记录 ✅ [企业名]（[等级]级），[下次跟进日期]前记得跟进哦」

C. 跟进记录

触发词：「跟进了一下」「刚聊过」「记一下」
执行：生成跟进摘要，写入 customers/跟进记录/YYYY-MM-DD_企业名.md
自动更新档案中的 last_followup 和意向等级

D. 意向等级调整

触发词：「升A/降B」「意向变了」「XX不太行」
执行：移动等级，记录原因，告知结果
升A时主动问：「准备安排带看了吗？」

E. 客户查询

触发词：「有哪些A级客户」「查一下XX」「谁好久没跟了」
执行：读取档案，返回清晰列表

F. 每日定时预警（cron任务）

每天09:00自动检查并推送超期提醒（任务名：招商助手-每日跟进预警）
如无超期客户，静默不提醒

示例对话：

「刚和陈总聊过，意向挺强的」→ 自动记录 + 升A + 设定3天后跟进
「哪些客户该跟了？」→ 列出超期客户
「记一下：有个做物流的李总，电话13XXX」→ 自动建档（C级）

6. 📄 写材料 — 模板库（业务执行层 - 高频使用）

招商人员每天要写邮件、出报价、写带看总结。以下三个模板直接可用，AI 自动填充。

6.1 跟进邮件模板

触发词：「写个跟进邮件」「带看后发个邮件」「帮我写邮件给XX」

AI 执行步骤：

识别客户名和企业名
读取 customers/客户档案.json 获取客户信息
读取 templates/跟进邮件模板.md，选择合适的模板（A/B/C/D）
填充所有 [X] 占位符（企业名/联系人/面积/租金/招商姓名）
输出可直接复制发送的邮件正文

模板类型速查：

模板	使用场景
模板A	带看后 24h 内首次跟进
模板B	带看后 3-5 天方案跟进
模板C	长期培育客户唤醒
模板D	竞品对比跟进

6.2 TCO 租金报价计算器（优化版 - 10秒出成本对比报告）

核心功能：综合成本对比 + 政策收益计算 + 3年成本节省报告

触发词：「算一下租金」「出个报价单」「帮我算TCO」「XX公司问价格」「客户嫌贵」「做成本对比」

必要参数（主动询问客户）：

需求面积（㎡）
偏好楼层（低区 / 中区 / 高区）
租赁年限（默认3年）
车位需求（个，可选）
企业行业类型（用于政策匹配）
企业人数（用于人才补贴计算）

AI 执行步骤（对话式计算）：

确认参数 — 用户说「算一下」后，先主动询问缺失参数
读取底价 — 按以下优先级读取园区租金数据：
- 优先：workspace/knowledge-base/园区基础_租金报价.md（真实数据）
- Fallback：references/园区基础_租金报价.md（本地模板）
- 提取字段：分区底价区间、物业费标准、停车费标准
- ⚠️ 若读取结果为「待更新」→ 立即告知用户「⚠️ 租金数据未配置，请联系招商主管」
计算综合成本（TCO）：

A. 直接成本（每年）：
- 年租金 = 面积 × 底价 × 365天
- 年物业费 = 面积 × 物业费标准 × 12
- 年停车费 = 车位 × 月停车费 × 12
- 装修分摊 = 装修总成本 ÷ 租赁年限（精装产品为0）
- TCO年总额 = 年租金 + 年物业费 + 年停车费 + 装修分摊
B. 政策收益（每年）：
- 人才补贴：根据企业人数 × 人均补贴标准（读取政策库）
- 税收返还：根据企业类型 × 预计税收 × 返还比例
- 专项补贴：主导产业补贴 + 高新技术企业补贴 + 其他
- 年政策收益 = 人才补贴 + 税收返还 + 专项补贴
C. 时间成本（隐性成本）：
- 装修时间成本：毛坯 = 3个月租金；精装 = 0
- 搬迁时间成本：跨区域 = 1个月效率损失；同区域 = 0.5个月
- 时间成本 = 装修时间成本 + 搬迁时间成本
D. 3年总成本对比：
- 我方3年TCO = (TCO年总额 - 年政策收益) × 3 + 时间成本
- 竞品3年TCO = (竞品年租金 + 竞品年物业费) × 3（不含政策收益）
- 3年成本节省 = 竞品3年TCO - 我方3年TCO
生成成本对比报告 — 读取 templates/TCO成本对比报告模板.md，填充所有字段

输出内容：

text

📊 TCO成本对比分析报告 - [企业名]

【综合成本对比（3年）】
- 我方TCO：[金额]（含政策收益抵扣）
- 竞品TCO：[金额]（不含政策收益）
- 成本节省：[金额]（选择我方3年可节省）

【年度成本明细】
- 租金：[金额/年]
- 物业费：[金额/年]
- 停车费：[金额/年]
- 装修分摊：[金额/年]

【政策收益明细】
- 人才补贴：[金额/年]
- 税收返还：[金额/年]
- 专项补贴：[金额/年]
- 政策收益合计：[金额/年]

【时间成本对比】
- 我方：精装交付，即租即用（0个月）
- 竞品：毛坯交付，装修3个月（成本：[金额]）

【结论】
选择[园区名]，3年综合成本节省[金额]，相当于[相当于什么，如：多招2个工程师]

审批提示 — 若涉及折扣优惠 → 标注「⚠️ 需招商主管审批确认后方可对外」

TCO计算示例（基于PPT1内容）：

示例：200㎡，精装产品，科技企业，50人，租赁3年

年租金：200㎡ × 2.5元/㎡/天 × 365天 = 182,500元

年物业费：200㎡ × 8元/㎡/月 × 12 = 19,200元

年停车费：5个 × 600元/月 × 12 = 36,000元

装修分摊：0（精装）

年政策收益：人才补贴50人×2000元 + 税收返还[根据实际] = 约100,000元

TCO年净额：182,500 + 19,200 + 36,000 - 100,000 = 137,700元

3年TCO净额：137,700 × 3 = 413,100元

TCO 快速参考（启动时自动计算，无需硬编码）：

⚠️ 以下为示例占位，请从 workspace/knowledge-base/园区基础_租金报价.md 读取本园区真实数据。 Agent 应在报价前读取知识库文件，动态生成实际参考表，而非使用以下示例值。

面积	低区月租+物业（示例）	中区月租+物业（示例）	高区月租+物业（示例）
100㎡	≈6,460元	≈7,450元	≈7,600元
150㎡	≈9,690元	≈11,175元	≈11,400元
250㎡	≈16,150元	≈18,625元	≈19,000元
300㎡	≈19,380元	≈22,350元	≈22,800元
400㎡	≈25,840元	≈29,800元	≈30,400元
416㎡	≈26,874元	≈30,992元	≈31,616元

实际值请以本园区知识库数据为准；停车费以园区实际标准计算

输出格式： 文本版（可直接粘微信/邮件），不用生成文件

6.3 带看总结模板

触发词：「明天带看XX，准备一下」「刚带看完，写个总结」「带看总结」

AI 执行步骤：

带看前（准备清单）：

读取客户档案，获取企业名/行业/需求面积
读取 templates/带看总结模板.md 中的「带看前准备清单」
读取 references/招商经验_带看清单.md 获取行业重点关注项
输出：带看准备清单（含企业背景/推荐楼栋/讲解重点/可能问题）

带看后（总结生成）：

询问用户：客户反馈/顾虑/决策链/竞品情况
读取 templates/带看总结模板.md 中的「带看总结格式」
填充所有字段，写入 customers/跟进记录/YYYY-MM-DD_企业名.md
告知用户：「已记录 ✅ 带看总结已保存，邮件版要现在生成吗？」

6.4 招商周报自动生成

触发词：「写周报」「出周报」「本周总结」「招商周报」

AI 执行步骤：

读取跟进记录目录：customers/跟进记录/ 下所有 *.md 文件
读取客户档案：提取本周有跟进动作的客户列表（含等级/负责人/最新备注）
按字段汇总：
- 📞 本周有效联系客户数（来电+拜访+微信）
- 🎯 本周意向推进客户（A/B级有新动态）
- 🏢 本周带看记录（楼栋/面积/客户反馈）
- 📋 本周签约/续约进展
- ⚠️ 超期未跟进客户（需催促）
- 🔥 下周重点跟进计划（A级优先）
读取 templates/招商周报模板.md，填充所有字段
输出：可直接粘进企业微信/邮件的文本版周报
保存：写入 customers/跟进记录/YYYY-MM-DD_本周周报.md

输出格式： 文本版（可直接粘微信/邮件），不用生成文件

6.5 房源实景图调取

触发词：「调取实景图」「发几张现场图」「看一下T1 15楼」「有没有样板间」

功能说明： 根据楼层/楼栋调取已入库的房源实景照片，发送给客户参考。

AI 执行步骤：

解析用户需求 — 提取楼层/楼栋/朝向关键词（低区=6-11F，中区=15-18F，高区=20-26F）
读取索引库 — knowledge/房源实景图/图片索引库.md，查找匹配楼层的已入库图片
返回结果：
- 有图 → 读取图片文件并通过 message 工具发送给用户，标注「来自：{PARK_NAME} 实景图」
- 无图 → 告知用户「该楼层实景图尚未入库，建议现场带看或联系招商主管获取」
登记缺失 — 若用户需要某楼层图片但缺失，自动在索引库中标注「❓客户询问待补」

常用调用示例：

用户说	AI返回
「调取T1 15楼实景」	15F已入库图片（如有）
「有没有中区样板间」	样板间图片（如有）
「T1大堂什么样」	公共区域/T1-大堂.jpg
「高层视野怎么样」	高区20F+已入库图片

目录规范：

knowledge/房源实景图/T1/低区/ — 6-11F照片
knowledge/房源实景图/T1/中区/ — 15-18F照片
knowledge/房源实景图/T1/高区/ — 20-26F照片
knowledge/房源实景图/公共区域/ — 大堂/电梯/停车场
knowledge/房源实景图/样板间/ — 精装/毛坯样板

⚠️ 图片命名规范：楼层-单元号-朝向-描述.jpg（如 15-01-南-开阔视野.jpg） ⚠️ 拍照后更新 图片索引库.md，标注「✅已入库」

6.6 个人业绩看板

触发词：「我的业绩」「看板」「业绩报表」「本周我做了多少」

功能说明： 汇总指定招商负责人（默认当前用户）的客户池数据，生成个人业绩仪表盘。

必要参数：

负责人姓名（可从上下文推断，缺失则询问）
统计周期（默认本月，可指定「近30天」「近3个月」）

AI 执行步骤：

询问负责人 — 若用户未指定，询问「请告诉我您的姓名」
读取客户档案 — customers/客户档案.json 中筛选 advisor = 负责人姓名
- 统计各等级客户数量（A/B/C/D）
- 汇总各等级需求面积
- 列出A级+B级核心客户名单
- 计算超期未跟进数量（按等级阈值）
读取跟进记录 — 扫描 customers/跟进记录/*.md，按日期和负责人筛选本月动作
- 统计带看次数、有效联系次数、签约/续约数
- 提取近30天重要跟进摘要
读取 templates/个人业绩看板.md，填充所有字段
输出 — 文本版业绩看板，可直接截图或粘邮件

超期判定规则（自动计算，无需手动）：

等级	超期阈值	计算方式
A级	>7天未跟进	`当前日期 - last_followup > 7天`
B级	>14天未跟进	`当前日期 - last_followup > 14天`
C级	>30天未跟进	`当前日期 - last_followup > 30天`
D级	>60天未跟进	自动预警流失

数据来源：

customers/客户档案.json — advisor字段
customers/跟进记录/*.md — 跟进动作时间
knowledge/园区基础_租金报价.md — 签约金额估算（面积×底价×12）

输出格式： 文本版/表格，直接可用

7. 竞品暗探模式（高阶能力）

适用场景：客户同时在看竞品园区，现场或电话中需要快速生成"降维打击"话术。 数据源：知识库（竞品情报）+ 公开信息（WebSearch）

核心逻辑： 不打价格战，打差异化优势战。重点分析竞品无法轻易复制的软硬实力。

数据读取（直接调用工具）：

text

# 第1步：读取知识库（竞品情报）
读取 workspace/knowledge/竞品情报库.md
或读取 references/招商实战_竞品分析话术库.md

# 第2步：搜索公开信息（竞品最新动态）
调用 WebSearch "竞品名称 + 租金 + 最新"
调用 WebSearch "竞品名称 + 入驻企业 + 2026"

# 第3步：结合两者生成话术

数据读取顺序（直接执行）：

读取知识库（项目数据）：
- 优先读取 workspace/knowledge/竞品情报库.md（真实数据）
- Fallback 读取 references/招商实战_竞品分析话术库.md（模板）
- 获取：差异化优势话术/历史成交案例
搜索公开信息（补充信息）：
- 使用 WebSearch 搜索竞品最新动态（租金调整/入驻企业/优惠政策）
- 使用 WebSearch 搜索竞品官网/宣传信息（交通/配套/物流）
- 关键词：竞品名称 + 租金 + 最新、竞品名称 + 入驻企业 + 2026
- 获取：竞品最新动态/可打击点
结合两者生成话术：
- 知识库提供：差异化优势话术/历史成交案例
- 公开信息提供：竞品最新动态/可打击点
- 生成：针对性截流话术

分析维度（按重要性排序）：

维度	关注点	话术方向
交通	地铁口步行距离/通勤班车/自驾拥堵	「我们离地铁口800米，您员工上下班不用开车」
配套	食堂价格/公寓距离/商业配套	「园区自营食堂，月均餐饮成本比竞品低XX元/人」
物流	货车限高/装卸区/月台	「我们厂房门高5米，大型设备畅通无阻」
产业生态	同类企业集聚/上下游配套	「园区已入驻XX家同产业链企业」
政策兑现	政策落地速度/历史兑现案例	「我们园区政策兑现周期平均XX天，有据可查」
服务	物业响应速度/增值服务	「物业15分钟响应，竞品平均2小时」

示例对话：

「帮我对比一下我们园区和XX园区，除了价格，重点对比地铁距离、食堂成本、货车通道」
「客户在看竞品A和B，现场帮我生成差异化话术」
「竞品园区有什么是我们可以打的信息差？」

信息使用规则

信息类型	规则
园区专属信息（房源/租金/补贴/配套）	必须100%基于知识库，禁止编造
数据时效性	若查询结果为"待更新""以最新报价为准""面议"，必须直接告知用户「⚠️ 该项需人工核实，请联系招商主管确认最新数据」，严禁推理、估算或填写具体数值
无信息时	"该信息需核实，请联系招商主管确认"
政策信息	基于公开政策整理，标注"根据公开政策整理（具体以最新申报为准）"
招商经验建议	标注"此为通用招商参考，具体请结合本园区实际调整"
所有输出	必须标注信息来源类型 + 数据时效状态

标准输出格式

每次输出包含：

【建议发送客户】（可直接复制使用的内容）

【客户判断】

当前阶段：
产业匹配度：
信息完整度：

【客户关注点】

当前核心需求：
潜在真实顾虑：

【建议推进动作】

下一步建议：
是否建议电话沟通：
是否建议到访：
是否建议招商主管介入：

【补充参考】

园区优势：
政策亮点：
注意事项：

禁止事项

✕ 编造园区数据或政策金额
✕ 自动向客户做出承诺
✕ 代替招商人员做商务判断
✕ 跳过客户状态判断
✕ 跳过信息完整度检查
✕ 只分析不提供行动建议
✕ No Agency（未经授权不得代行决策）：
- 涉及免租期、装修补贴、特殊电价、额外优惠等金额让步时，输出必须包含**「⚠️ 需招商主管审批确认」**字样
- 不得在未获授权情况下向客户口头或书面承诺任何涉及金钱让步的条件
- 此条是红线，目的是防止新手过度依赖Agent而"胡乱许愿"

知识库部署方式详情

方式一：腾讯文档（推荐，团队协作友好）

用腾讯文档分别创建 4 个知识库文档（智能表格/Excel）：
- 《园区房源信息》
- 《租金报价标准》
- 《配套资源》
- 《地方产业政策》
在 openclaw.json 的 investment_assistant.tencent_doc 中填入这 4 个文档的ID
招商团队共同维护文档，Agent 实时读取最新数据
适用场景：多人协作、数据频繁更新

方式二：本地文件（简单直接）

直接编辑技能目录下的 4 个 references 文件：
- references/园区基础_房源信息.md
- references/园区基础_租金报价.md
- references/园区基础_配套资源.md
- references/政策文件_地方产业政策.md

配置参数

通过 openclaw.json 的 investment_assistant 字段配置：

json

{
  "investment_assistant": {
    "park_name": "YOUR_PARK_NAME",
    "knowledge_source": "local",
    "tencent_doc_links": {}
  }
}

字段说明：

park_name：园区名称，替换所有 {PARK_NAME} 占位符
knowledge_source："local"（本地文件）或 "tencent_doc"（腾讯文档）
tencent_doc_links：方式A 时填写4个文档链接

两种方式对比

对比项	腾讯文档	本地文件
团队协作	✅ 多人同时编辑	❌ 仅本机
数据更新	实时同步	需手动更新文件
上手难度	需创建文档	直接编辑
离线可用	❌ 需联网	✅ 始终可用

通用参考文件（无需修改，开箱即用）

references/招商经验_异议处理.md — 常见异议处理话术（TCO对比模板）
references/招商经验_带看清单.md — 按企业类型的带看重点
references/产业知识_行业选址关注点.md — 各行业选址关注点通用参考

知识库读取规则

读取优先级（重要！）

Agent 按以下顺序查找园区专属信息：

workspace 知识库（路径：~/.workbuddy/workspace-investment-assistant/knowledge-base/）
- 优先读取，适合存放真实园区数据（不与Skill一起分发）
腾讯文档（配置了链接时）
- 读取 openclaw.json 中 investment_assistant.tencent_doc 配置的文档ID
references 本地模板（fallback）
- 读取 references/ 下对应文件
以上均无数据 → 回复："该信息需核实，请联系招商主管确认"

第一步：判断部署方式

首先检查 workspace 的 knowledge-base/ 目录是否存在对应文件
若文件存在且有真实数据（非全篇 {TODO: 待填写}）→ 直接使用
若不存在 → 检查 openclaw.json 中的 investment_assistant.tencent_doc 配置
若表格中存在腾讯文档链接 → 使用腾讯文档方式
若无链接或链接为空 → 读取本地 references/ 下的对应模板文件

第二步：读取腾讯文档（如配置了链接）

当配置了腾讯文档链接时，使用 qclaw_tdoc_mcp_call 工具读取：

读取腾讯文档的标准调用方式：

text

工具: qclaw_tdoc_mcp_call
参数:
  tool_name: smartsheet.list_tables（先获取文件列表）
  或 sheet.get_range_value（读取具体表格数据）
  或 sheet.get_sheet_info（获取子表信息）

标准读取流程：

房源信息： 调用 smartcanvas.list 或 smartcanvas.search 找到文档，再读取内容
租金报价： 同上，读取对应表格
配套资源： 同上
政策文件： 同上

注：若腾讯文档MCP工具不可用，自动fallback到本地references文件。

第三步：综合判断

所有园区专属信息必须100%基于知识库，禁止编造
读取优先级：workspace > 腾讯文档 > references 模板
无信息时回复："该信息需核实，请联系招商主管确认"
每次回复必须标注信息来源：【来自workspace知识库】 / 【来自腾讯文档】 / 【来自本地知识库（模板，待填写）】

新用户/首次安装检测

若所有知识库文件均为 {TODO} 模板状态 → 首次回复末尾追加引导提示
若 customers/客户档案.json 不存在 → 自动从 客户档案_TEMPLATE.json 读取，初始化为空档案

提示内容（追加在首次回复末尾，不要主动打断正常对话）：

text

📋 首次配置提醒：
检测到知识库尚未填充。完成以下两步即可解锁全部功能：
① 在 openclaw.json 中配置 `investment_assistant.tencentcent_doc` 文档ID，或编辑本地 references/ 模板文件
② 填入园区名称（SKILL.md 或知识库配置文件中均可）
③ 如有多人使用，建议采用腾讯文档方式；单人使用直接编辑 `references/` 下4个模板文件即可

通用功能（异议处理/带看清单/话术库）无需配置，开箱即用。

7. 产业链招商模式（找客户核心能力）

适用场景：主动找客户，而非等客户上门。基于产业链图谱、竞品客户、地缘企业三类目标，帮招商人员精准锁定潜在客户。

核心逻辑

数据获取方式：

搜索潜在客户 → 直接调用 WebSearch（公开信息）

读取已入驻企业 → 直接调用 MCP 工具（项目数据）

招商不是"等客户"，是"找客户"。

Agent 帮你做：

产业链招商 — 根据已入驻企业/主导产业，找上下游配套企业
竞品客户截流 — 找竞品园区客户，生成截流话术
地缘客户挖掘 — 根据地理位置，找周边适合企业

7.1 产业链招商

输入： 已入驻企业名单或主导产业方向 输出： 上下游企业名单 + 筛选条件 + 触达话术

示例对话：

「我们园区生物医药企业多，帮我找找上游耗材供应商」
「帮我分析一下智能制造产业链，哪些企业适合我们园区」
「已入驻企业有XX科技、XX医药，帮我找找上下游」

Agent 执行步骤：

识别产业定位
- 从已入驻企业名单提取主导产业
- 或直接使用招商指定的产业方向
绘制产业链图谱
- 上游：原材料/设备/耗材供应商
- 中游：生产制造/研发设计
- 下游：渠道/服务商/终端客户
筛选目标企业
- 行业关键词
- 规模区间（建议50-200人，适合园区面积段）
- 区域范围（本市/本区/临近区）
- 发展阶段（融资B轮后/扩张期）
输出结果
- 企业名单（名称/行业/规模/区域）
- 联系方式获取建议（企查查/天眼查/官网）
- 冷启动破冰话术

冷启动话术模板：

「您好，我是【{PARK_NAME}】[招商姓名]。我们园区已入驻[同行业企业]等XX家企业，形成了[产业链环节]的产业集聚。了解到贵司在[企业业务]，想邀请您来园区考察，看看是否有合作机会。」

7.2 竞品客户截流

输入： 竞品园区名称 输出： 竞品客户名单 + 我方优势对比 + 截流话术

示例对话：

「帮我看看尊木汇有哪些企业，怎么截流」
「客户在看竞品XX园区，帮我分析优劣势」

Agent 执行步骤：

搜索竞品入驻企业
- 使用在线搜索工具
- 关键词：竞品名称 + 入驻企业/签约客户
分析我方优势
- 价格优势（租金对比）
- 配套优势（地铁距离/商业配套）
- 政策优势（补贴/税收优惠）
- 产业生态（同类企业数量）
生成截流话术

截流话术模板：

「您在[竞品园区]租[面积]㎡大概[X元/月]，我们这边同面积只要[Y元/月]，一年省[Z万]。而且我们地铁7号线直达，楼下就是盒马和商业街，员工吃饭购物都方便。要不您来看看现场？」

数据要求：

竞品信息需提前录入知识库（或现场搜索）
截流话术必须基于真实数据，禁止编造竞品价格

7.3 地缘客户挖掘

输入： 目标行业 + 区域范围 + 规模条件 输出： 符合条件的企业名单

示例对话：

「帮我找【目标区域】做智能制造的企业，100人左右」
「园区周边有哪些科技公司」
「离园区5公里内的贸易公司有哪些」

Agent 执行步骤：

解析筛选条件
- 行业：智能制造/科技/贸易/医药/金融...
- 区域：【目标区域】/园区周边/5公里内...
- 规模：50人以下/50-200人/200人以上...
执行搜索
- 使用在线搜索工具
- 关键词组合：行业 + 区域 + 规模
输出结果
- 企业名称
- 行业
- 地址（判断距离）
- 规模（员工数/注册资本）
- 联系方式获取建议

搜索工具调用：

使用 online-search 或 multi-search-engine 技能
必要时建议用户使用企查查/天眼查获取联系方式

产业链招商输出格式

【产业链图谱】

text

上游 → 中游 → 下游
[企业类型] → [企业类型] → [企业类型]

【目标企业清单】

企业名称	行业	规模	区域	获取联系方式

【触达话术】 [冷启动破冰话术]

【下一步建议】

建议触达方式：电话/邮件/企微
建议时间窗口：[具体建议]
建议切入点：[产业合作/成本优势/政策优惠]

🚀 MCP 调用优化指引（AI 必读）

以下规则适用于所有涉及腾讯文档 MCP 调用的场景。违反这些规则会导致不必要的 API 消耗和响应延迟。

规则 1：并发调用（必须执行！）

问题：多次单独调用 smartsheet.list_records 获取不同 sheet 数据，产生 N 次 API 往返，总耗时 = 单次耗时 × N。

优化方案：同一个 file_id 下的多个 sheet，必须在一次对话轮次中并发调用（tool calls in parallel），而非串行等待。

text

# ❌ 错误：串行调用（慢，总耗时 = 3+2+2 = 7秒）
先调用 list_records(sheet_A) → 等结果 → 再调用 list_records(sheet_B)
→ 再调用 list_records(sheet_C)

# ✅ 正确：并行调用（快，总耗时 = max(3,2,2) = 3秒）
在同一 response 中同时发起多个 tool call：
  - mcp__tencent-docs__smartsheet.list_records(file_id, sheet_A)
  - mcp__tencent-docs__smartsheet.list_records(file_id, sheet_B)
  - mcp__tencent-docs__smartsheet.list_records(file_id, sheet_C)

并发调用判断规则（AI自动执行）：

必须并发：同一个 file_id 下的多个 sheet，无依赖关系
- 示例：读取销控表 + 租金报价表 + 配套资源表（同一个 file_id）
- 做法：在同一 response 中同时发起 3 个 tool call
必须并发：不同 file_id，但无依赖关系
- 示例：读取客户管理表（file_A）+ 销控表（file_B）
- 做法：在同一 response 中同时发起 2 个 tool call
必须串行：后一个调用依赖前一个调用的结果
- 示例：先获取 sheet_id，再用 sheet_id 读取数据
- 做法：先调用 query_file_info 获取 sheet_id，再用 sheet_id 调用 list_records

并发调用示例（推荐房源场景）：

text

用户：「推荐几个合适房源」

AI执行步骤：
1. 识别需要读取的数据：销控表 + 租金报价表
2. 检查是否同一个 file_id：
   - 若是 → 并发调用
   - 若否 → 仍并发调用（不同 file_id 但无依赖）

AI的 tool calls（在同一 response 中）：
  - mcp__tencent-docs__smartsheet.list_records(file_id_销控, sheet_id_销控, limit=100)
  - mcp__tencent-docs__smartsheet.list_records(file_id_租金, sheet_id_租金, limit=50)

等待两个结果都返回后，再执行匹配逻辑。

规则 2：Session 级缓存（避免重复读取）

问题：同一对话中，用户问「房源」后又问「租金」，每次都重新调用 MCP 读取相同数据，浪费 API 配额和响应时间。

优化方案：同一对话 session 内，已读取过的数据缓存在上下文，无需重复调用 MCP。

缓存管理规则（AI自动执行）

1. 缓存存储格式：

text

在 AI 上下文中维护缓存字典（不实际写入文件，仅在上下文保存）：

context.cache = {
    "<项目ID>": {
        "<表名>": {
            "data": [...],           # 实际数据
            "timestamp": 1718188800,  # 缓存时间戳
            "format": "mcp"          # 数据格式：mcp 或 compact
        }
    }
}

示例：
context.cache = {
    "meilan-center": {
        "房源销控表": {
            "data": [{"record_id": "xxx", "楼层": "7F", ...}],
            "timestamp": 1718188800,
            "format": "compact"
        },
        "客户管理": {
            "data": [...],
            "timestamp": 1718188800,
            "format": "mcp"
        }
    }
}

2. 缓存读取规则：

python

# AI 执行逻辑（伪代码）

def load_data(project_id, sheet_name):
    cache_key = f"{project_id}_{sheet_name}"
    
    # 检查缓存是否存在
    if cache_key in context.cache:
        cache_age = time.now() - context.cache[cache_key]["timestamp"]
        
        # 缓存未过期（<30分钟）
        if cache_age < 1800:
            print(f"✅ 缓存命中：{sheet_name}（缓存时间：{cache_age}秒前）")
            return context.cache[cache_key]["data"]
        
        # 缓存已过期（>=30分钟）
        else:
            print(f"⚠️ 缓存已过期：{sheet_name}（缓存时间：{cache_age}秒前），重新读取")
            return call_mcp_and_cache(project_id, sheet_name)
    
    # 缓存未命中
    else:
        print(f"📡 缓存未命中：{sheet_name}，首次读取")
        return call_mcp_and_cache(project_id, sheet_name)

def call_mcp_and_cache(project_id, sheet_name):
    # 调用 MCP 读取数据
    data = call_mcp(project_id, sheet_name)
    
    # 更新缓存
    context.cache[f"{project_id}_{sheet_name}"] = {
        "data": data,
        "timestamp": time.now()
    }
    
    return data

3. 缓存失效规则：

失效触发条件	处理方式
时间失效	缓存超过 30 分钟自动失效，下次读取时重新调用 MCP
主动失效	用户明确说「刷新数据」「重新读取」「更新一下」时，强制刷新缓存
写入失效	调用 `add_records` / `update_records` 后，立即失效相关缓存
切换项目	切换项目（如从 meilan-center 切换到 changsha-park）时，不清除缓存，但读取新项目数据时需重新调用 MCP

4. 缓存失效示例：

text

示例1：时间失效
  用户：「推荐房源」（10:00）
    → AI 调用 MCP 读取销控表，缓存数据（timestamp: 10:00）
  
  用户：「租金多少？」（10:05）
    → AI 缓存命中，直接使用缓存数据（无需调用 MCP）
  
  用户：「再推荐几个」（10:35）
    → AI 缓存已过期（35分钟），重新调用 MCP 读取数据

示例2：主动失效
  用户：「刷新一下数据」
    → AI 强制刷新所有缓存，重新调用 MCP 读取数据

示例3：写入失效
  用户：「记一下：XX公司...」
    → AI 调用 MCP 写入客户管理表
    → AI 立即失效「客户管理」缓存
    → 下次读取客户管理表时，重新调用 MCP

示例4：切换项目
  用户：「示例产业园A还有没有500平的？」
    → AI 读取 meilan-center 项目数据（缓存或 MCP）
  
  用户：「示例软件园呢？」
    → AI 读取 changsha-park 项目数据（重新调用 MCP，因为项目不同）

5. 缓存命中提示（用户体验优化）：

text

当 AI 使用缓存数据时，在回复中告知用户：

「✅ 使用缓存数据（10分钟前读取，如需刷新请说「刷新数据」）」

或

「📡 首次读取数据，后续查询将使用缓存（有效期30分钟）」

规则 2.1：空记录过滤（必读！）

问题：腾讯文档 smartsheet API 返回的记录中，可能存在 field_values:[] 的空记录（已删除行、空行），直接使用会导致数据分析错误。

正确处理方式：

python

# ✅ 正确：读取后立即过滤空记录
records = mcp_call("smartsheet.list_records", file_id, sheet_id, limit=100)
valid_records = [r for r in records if r.get("field_values")]

# ❌ 错误：直接使用未过滤的数据
for record in records:  # 可能包含空记录
    process(record)  # 报错！

在 Skill 中的执行规则：

每次调用 smartsheet.list_records 后，AI 必须立即过滤空记录
在输出数据前，明确告知用户：「已过滤 X 条空记录，有效记录 Y 条」
如果过滤后有效记录数为 0，提示：「⚠️ 该表暂无有效数据，请检查腾讯文档」

规则 3：工具选择（smartsheet vs smartcanvas）

文档类型	正确工具	错误工具
智能表格（smartsheet）	`mcp__tencent-docs__smartsheet.*`	`mcp__tencent-docs__smartcanvas.*`
智能文档（smartcanvas）	`mcp__tencent-docs__smartcanvas.*`	`mcp__tencent-docs__smartsheet.*`

自动判断逻辑：

先调用 mcp__tencent-docs__manage.query_file_info 获取文档类型
根据类型选择正确的工具集
若调用失败（类型不匹配），自动切换工具重试

规则 4：增量更新（只拿需要的字段）

问题：list_records 默认返回所有字段，但很多时候只需要 公司名称 和 最后跟进日期。

优化方案：使用 fields 参数指定需要的字段，减少数据传输量。

python

# ✅ 优化：只拿需要的字段
mcp__tencent-docs__smartsheet.list_records(
    file_id: "{CONFIG.tencent_doc.客户管理}",
    sheet_id: "{CONFIG.tencent_doc.客户管理_sheet_id}",
    fields: ["公司名称", "最后跟进日期", "优先级", "负责人"],
    limit: 100
)

规则 5：limit 合理化

场景	推荐 limit	说明
跟进预警（查所有客户）	100~200	需要全量数据计算超期
查单个客户	10	用 `filter` 条件过滤
房源推荐	50~100	需要足够数据做匹配
读取政策	1	政策文档通常只有1条

规则 6：错误处理与 Fallback

text

# MCP 调用失败时的标准处理流程：
1. 捕获错误（timeout / auth_fail / not_found）
2. 若配置了本地 knowledge-base → fallback 读取本地文件
3. 若本地文件也不存在 → 告知用户：
   「⚠️ 数据读取失败（腾讯文档连接异常），请检查配置或联系管理员。
    同时，建议将园区数据同步至本地 knowledge-base/ 目录作为备份。」

规则 7：指定 field_titles（避免字段缺失）

问题：不指定 field_titles 时，API 只返回有值的字段，导致不同记录返回字段不一致。

优化方案：读取时明确指定需要的字段列表。

python

# ✅ 正确：指定字段列表
mcp__tencent-docs__smartsheet.list_records(
    file_id: "{CONFIG.tencent_doc.租金报价}",
    sheet_id: "{CONFIG.tencent_doc.租金报价_sheet_id}",
    field_titles: ["区域", "楼层区间", "底价区间", "参考均价", "TCO折算", "物业费", "议价空间", "备注"],
    limit: 100
)

# 各表推荐 field_titles 配置：
租金报价表: ["区域", "楼层区间", "底价区间", "参考均价", "TCO折算", "物业费", "议价空间", "备注"]
房源销控表: ["楼层", "面积(㎡)", "底价(元/㎡/天)", "估算月租金(元)"]
客户跟进记录: ["企业名称", "联系人", "联系电话", "需求面积(㎡)", "意向等级", "客户状态", "招商顾问"]
配套资源表: ["配套名称", "配套类别", "详情", "备注/状态"]

注意：field_titles 必须与腾讯文档中的字段名完全一致（包括括号、单位）。

规则 8：性能监控（AI 自动执行）

目标：避免同一对话中过度调用 MCP，浪费 API 配额和响应时间。

监控指标：

指标	计算方式	告警阈值	处理方式
MCP 调用次数	上下文计数器	>20次/对话	提示用户批量查询
缓存命中率	缓存命中次数/总查询次数	<50%	检查缓存规则执行
平均响应时间	时间戳差分	>5秒	切换到本地缓存模式

AI 执行规则（自动执行）：

text

1. 维护上下文计数器：context.mcp_call_count = 0
2. 每次调用 MCP 工具前，计数器 +1
3. 缓存命中时，记录「缓存命中」
4. 若同一对话中 MCP 调用次数 >20 次，在回复中提示：
   「⚠️ 当前对话已调用 MCP 20+ 次，建议整理需求后批量查询，或减少不必要的查询。」
5. 若响应时间 >5 秒，在回复中提示：
   「⚠️ 响应时间较长（>5秒），建议稍后重试或联系管理员检查网络。」

规则 9：预加载（预测用户需求）

目标：在用户提出需求前，提前加载可能需要的数据，提升响应速度。

预加载场景：

用户当前需求	预测下一步需求	预加载数据
推荐房源	租金对比	租金报价表
查房源	配套资源	配套资源表
查客户	跟进记录	跟进记录表

AI 执行规则（自动执行）：

text

1. 识别用户当前需求
2. 根据"预加载场景表"，判断是否需要预加载
3. 若需要，在第 1 次调用 MCP 时，并发调用当前需求 + 预测需求
4. 将预测需求的数据也缓存起来

示例：
  用户：「推荐房源」
    → AI 并发调用：销控表 + 租金报价表
    → 将两个数缓存在上下文
  
  用户：「租金多少？」（5分钟后）
    → AI 直接使用缓存中的租金报价表，无需调用 MCP

MCP 优化规则总结

规则	优先级	预期效果	实施难度
规则 1：并发调用	🔴 高	耗时减少 50%	⭐ 低
规则 2：Session 缓存	🔴 高	重复查询加速 30 倍	⭐ 低
规则 2.1：空记录过滤	🔴 高	避免数据错误	⭐ 低
规则 3：工具选择	🟡 中	避免调用失败	⭐ 低
规则 4：增量更新	🟡 中	数据量减少 50%	⭐⭐ 中
规则 5：limit 合理化	🟡 中	减少传输量	⭐ 低
规则 6：错误处理	🟡 中	提升稳定性	⭐ 低
规则 7：指定 field_titles	🟡 中	避免字段缺失	⭐ 低
规则 8：性能监控	🟢 低	避免过度调用	⭐ 低
规则 9：预加载	🟢 低	提升响应速度	⭐⭐ 中

知识库要求

产业链招商需要以下数据支持：

数据项	来源	状态
已入驻企业名单	招商部	⚠️ 建议录入知识库
主导产业定位	招商部	✅ 已有（生物医药/智能制造）
产业链图谱	产业知识库	✅ 已有
竞品园区信息	招商部	⚠️ 建议录入知识库
区域企业名录	在线搜索	✅ 可实时搜索

建议补充：

已入驻企业名单（名称/行业/面积/规模）
竞品园区信息（名称/位置/租金/入驻企业）

📏 面积不匹配处理规则（AI 必读）

当客户需求面积与房源表中最小可租面积不匹配时，按以下规则处理。

场景 1：需求面积 < 最小房源面积

示例：客户需求 40㎡，但房源最小面积 143.92㎡

处理步骤：

告知客户实际情况：

text

您需要的 40㎡ 已超出我方可出租的最小面积单元。
示例产业园A最小可租面积为 143.92㎡（7层）。

提供三种方案：
- 方案 A：租赁 143.92㎡，实际使用中可隔出部分空间自用或分租
- 方案 B：等待未来是否有更小面积单元释放（若有，主动通知客户）
- 方案 C：推荐其他园区（若有关联园区数据）

计算报价（以最小面积单元为例）：

text

7层 143.92㎡：
- 底价：1.85 元/㎡/天
- 月租金：143.92 × 1.85 × 30 = 7,987 元
- 年租金：7,987 × 12 = 95,844 元
- TCO（含物业费）：约 2.43 元/㎡/天

场景 2：需求面积 > 最大房源面积

处理步骤：

推荐相邻楼层多套组合（如需要 2000㎡，推荐 11F + 12F 组合）
计算组合总价，提供「整层打通」可行性说明
若有整层出租（如 7F 整层 143.92㎡ × N），优先推荐

场景 3：需求面积在可租范围内

处理步骤：

筛选面积在「需求面积 × 0.8 ~ 需求面积 × 1.2」范围内的房源
按「租金优先」或「面积优先」排序（根据客户意向等级决定）
输出最多 5 个推荐方案

面积匹配规则总结

需求面积	推荐策略	输出数量
< 最小面积	推荐最小面积 + 三方案说明	1个（最小面积）
在范围内	精确匹配 ±20%	最多5个
> 最大面积	多套组合方案	最多3个组合

🤝 渠道经营模块 — v2.17.0 完善

核心功能：渠道维护提醒（周度）+ 渠道开发提醒（月度） 渠道是招商客户的 80%+ 来源，渠道关系维护和开发是招商人员最重要的工作之一。

核心逻辑

一视同仁，不分渠道类别：

周期	功能	说明
每周	渠道维护提醒	列出需要联系的渠道清单，按超期天数分级
每月	渠道开发提醒	评估渠道健康度，给出开发目标建议

渠道健康度分级：

状态	标记	条件
🟢 正常	7天内联系过	继续保持
🟡 需联系	7-14天未联系	本周内联系
🔴 超期	14-30天未联系	建议今日电话
🚨 高危	30天以上未联系	立即联系，渠道可能流失

触发词

你说	AI 执行
「渠道经营报告」 / 「渠道周报」	生成渠道维护周报
「渠道开发报告」 / 「渠道月报」	生成渠道开发月报
「渠道效果分析」 / 「渠道转化率」	生成渠道效果分析报告（含转化率排名）
「渠道健康度检查」 / 「渠道快查」	快速检查渠道健康度
「全量渠道清单」 / 「所有渠道」	列出所有渠道
「跟进一下 [渠道名]」 / 「联系了 [渠道名]」	记录渠道跟进，更新上次沟通时间
「新增渠道 [名称]...」	新建渠道档案

脚本调用

AI 自动调用 channel_management.py：

bash

# 周报：渠道维护提醒
python3 ~/.workbuddy/skills/industrial-park-investment-assistant/scripts/channel_management.py --weekly

# 月报：渠道开发提醒
python3 ~/.workbuddy/skills/industrial-park-investment-assistant/scripts/channel_management.py --monthly

# 快速检查：渠道健康度概览
python3 ~/.workbuddy/skills/industrial-park-investment-assistant/scripts/channel_management.py --check

# 渠道效果分析（含转化率、排名、改进建议）
python3 ~/.workbuddy/skills/industrial-park-investment-assistant/scripts/channel_management.py --analysis

# 全量渠道清单
python3 ~/.workbuddy/skills/industrial-park-investment-assistant/scripts/channel_management.py --all

# 记录渠道跟进
python3 ~/.workbuddy/skills/industrial-park-investment-assistant/scripts/channel_management.py --update 渠道ID "跟进内容"

🎤 AI 对话即录入（语音友好版）

用户通过手机App语音输入时，AI自动识别意图并写入数据库，无需特定指令格式。 核心原则：像跟同事聊天一样说话，AI会听懂并记录。

渠道相关（自动识别，无需特定指令）

语音输入示例	AI 自动执行
「下午联系了XX渠道」 / 「刚跟XX渠道通了电话」	更新该渠道的「上次沟通时间」为今日，追加跟进备注
「XX渠道说最近有几个客户在看房」	更新跟进备注，记录客户需求信息
「新增个渠道，XX地产，对接人王经理，电话138...」	调用 SQLite INSERT 新建渠道档案
「XX渠道这个月推了3个客户，成交了1个」	更新推荐客户数、成交数、转化率
「XX渠道很久没联系了」	输出该渠道档案：上次联系时间、健康度状态、建议本周联系
「XX渠道的对接人换了，现在是李四」	更新对接人信息
「XX渠道合作状态改一下，先暂停」	更新合作状态

客户相关（已有规则，补充语音场景）

语音输入示例	AI 自动执行
「刚才见了XX科技，张总，意向还可以」	检查客户是否存在，不存在则建档；更新跟进日期和意向等级
「XX科技说下周还想再看一次」	更新跟进记录，调整跟进日期
「XX科技这个客户不错，500平的需求」	更新需求面积字段
「XX科技跟竞品也在谈」	记录到备注，触发竞品对比话术提醒
「记一下：XX公司，联系人李总，电话...」	提取所有字段，新建客户档案

房源相关（新增语音场景）

语音输入示例	AI 自动执行
「T1栋801租出去了」	更新房源状态为「已租」，记录出租时间
「T1栋802新空出来了」	更新房源状态为「待租」
「T1栋801的租户是XX科技」	更新租客名称和租期信息

通用规则

text

1. 提取关键信息 → 企业名/渠道名/人名/动作/数字
2. 匹配数据库 → 检查是否存在
3. 存在 → 更新相关字段
4. 不存在 → 新建档案（告知用户）
5. 告知用户 → 「✅ 已记录：[摘要]」

关键：不需要特定触发词。 用户用自然语言说话，AI自行判断意图。

📸 拍照自动识别（手机App拍照上传）

场景：用手机拍下名片、客户登记表、房源信息、渠道信息截图，AI自动识别并入库。 前提：WorkBuddy手机App支持拍照上传，AI具备图片识别能力。

支持的拍照场景

拍照内容	自动提取的信息	写入目标
客户名片	企业名称、联系人、电话、职位、邮箱、地址	`客户跟进记录` 表
客户登记表	企业名称、联系人、电话、需求面积、预算、行业	`客户跟进记录` 表
房源信息表/截图	房间号、楼层、面积、状态、租金、装修	`房源销控表`
渠道名片/信息截图	渠道名称、对接人、电话、渠道类型	`渠道跟进记录` 表
手写记录	自然语言理解（如"XX科技300平"）	对应表

AI 执行流程

text

第1步：用户拍照上传
       → 用户拍下名片/登记表，上传到对话框
       → 说：「帮我录一下这个名片」
       → 或直接上传（AI自动识别意图）

第2步：AI读取图片并识别
       → 读取图片内容
       → 提取结构化信息
       → 识别文字+布局（企业名、联系人、电话等）

第3步：预览确认（防止识别错误）
       → AI输出提取结果，询问是否确认
       → 示例：「识别到XX科技，联系人张总，电话1XX-XXXX-XXXX，确认入库？」

第4步：用户确认后入库
       → 写入SQLite数据库对应表
       → 输出：「✅ 已录入：XX科技（客户跟进记录）」

第5步：用户可补充
       → 用户说：「需求面积是300平」
       → AI自动更新对应的需求面积字段

执行示例

场景1：拍名片

text

用户：[上传名片照片]
AI：📸 识别到名片信息：
     - 企业名称：XX科技有限公司
     - 联系人：张三
     - 电话：1XX-XXXX-XXXX
     - 职位：运营总监
     已存在客户档案，更新了联系方式。
     ✅ 更新完成！
    （如需补充：说「需求面积500平」）

场景2：拍房源信息表

text

用户：[上传房源截图]
AI：📸 识别到房源信息：
     - T1栋801 | 200㎡ | 租金3.2元 | 空置
     - T1栋802 | 150㎡ | 租金3.0元 | 已租
     共2条记录，确认入库？
用户：「确认」
AI：✅ 已录入房源销控表！

场景3：拍手写记录

text

用户：[上传手写便签照片]
     上面写着「XX科技 张总 300平」
AI：📸 识别到手写信息：
     企业：XX科技 | 联系人：张总 | 需求面积：300㎡
     未找到现有档案，新建客户档案？
用户：「确认」
AI：✅ 已新建客户档案：XX科技
     （如需补充：说「电话1XX-XXXX-XXXX」）

周报输出示例

text

📋 渠道维护周报 — 2026年第24周
📅 当前日期：2026-06-13
==================================================

📞 本周需要联系的渠道（3个）：

  🟡 需联系 示例渠道B
     对接人：王五 | 上次联系：2026-06-03（10天前）
     建议：本周内联系

  🔴 超期 示例渠道C
     对接人：赵六 | 上次联系：2026-05-20（24天前）
     建议：建议今日电话联系

  🚨 高危 示例渠道D
     对接人：钱七 | 上次联系：2026-04-15（59天前）
     建议：立即联系，渠道可能已流失

📊 渠道健康度概览：
  🟢 正常（7天内）：5 个
  🟡 需联系（14天内）：1 个
  🔴 超期（30天内）：1 个
  🚨 高危（30天以上）：1 个

月报输出示例

text

📊 渠道开发月报 — 2026年6月
==================================================

📌 现有渠道概览：
  总渠道数：8 个
  🟢 活跃渠道：5 个
  🟡 需关注渠道：3 个
  📊 总推荐客户数：23 个
  🏆 总成交数：4 个（转化率：17.4%）

🎯 本月渠道开发目标建议：
  1. 新增渠道目标：4 个（现已有8个）
  2. 本周联系清单：3 个渠道需要跟进
  3. 重点关注：2 个渠道超期未联系，建议优先维护

💡 推荐开发渠道类型：
  1. 🔴 高优：政府招商局 + 五大行
  2. 🟡 中优：行业协会 + 商会
  3. 🟢 日常：地产中介 + 线上平台