SpecQ-Angriffsinformationspaket — Elektronikchemikalien-Vertriebs-Skill v1.1
Version: v1.2 | Update: 2026-06-24 | Neu: Plattformübergreifende Installationsanleitung (OpenClaw / WorkBuddy)
📦 Installationsanleitung
OpenClaw
Dieser Skill ist in OpenClaw MCP integriert:
openclaw skills install daizehua-wq/specq-intel-sales
MCP Server Adresse: http://119.91.223.127:8001/mcp (HTTP SSE, X-API-Key konfiguriert)
WorkBuddy (Tencent Desktop Agent)
Installieren Sie diesen Skill, indem Sie im linken Bereich „Fähigkeiten“ von WorkBuddy nach specq-intel-sales suchen.
Nach der Installation kopieren Sie den folgenden Text und senden ihn an WorkBuddy. Es wird automatisch die MCP-Verbindung für Sie konfigurieren:
Konfiguriere den SpecQ MCP Server für mich: Lade
specq_mcp_client.pyvon https://github.com/daizehua-wq/Specq-mcp herunter, erstelle dann~/.workbuddy/mcp.jsonmit der SpecQ-Konfiguration, Befehlpython specq_mcp_client.py, UmgebungsvariablenSPECQ_MCP_URL=http://119.91.223.127:8001/mcp,SPECQ_MCP_API_KEY=<dein Schlüssel>. Installiere dannpip install mcp httpx.
Anwendungsszenarien
Elektronikchemikalien-Vertrieb / Pre-Sales-Ingenieure, die vor einem Kundengespräch schnell ein strukturiertes Angriffsinformationspaket erhalten möchten.
Auslösebedingungen
Der Benutzer gibt eine der folgenden Informationsgruppen an, um den Skill auszulösen:
| Auslösemodus | Beispiel |
|---|---|
| Drei Felder | „Erstelle ein Informationspaket für XX-Beschichtungslösung, Kunde Shennan Circuits, sie kümmern sich um Rauheit“ |
| Historie abfragen | „Was wurde zuvor mit Shennan Circuits besprochen?“ |
| Feedback | „Shennan Circuits abgeschlossen“ / „Verloren, sie fanden den Preis zu hoch“ |
| Mehrere Aufgaben | „Erstelle drei Informationspakete: Shennan + Beschichtungskupfer, Jingwang + Ätzmittel, Pengding + Kupferabscheidung“ |
Abhängigkeit von MCP Server (5 Tools)
| Tool | Eingabe | Ausgabe | Beschreibung |
|---|---|---|---|
specq_memory | action, query/content/category... | Speicheroperationsergebnis | v1.1 neu: Drei-Ebenen-Speicher |
specq_generate_intel | product, application, scenario | Informationspaket (8 Module) als Markdown | Kern-Generierung |
specq_extract_insights | customer_id (optional), limit | Strukturierte Erkenntnisse als JSON | Dunkle Datenextraktion |
specq_log_visit | customer_id, content, visit_date, visit_type | Besuchs-ID | Besuch dokumentieren |
specq_feedback | product, application, outcome, lesson, accuracy_notes | Feedback-Datensatz | Abschluss-Rückmeldung |
v1.1 Workflow (mit Drei-Ebenen-Speicher)
Benutzereingabe
↓
① Arbeitsgedächtnis prüfen (specq_memory.get_plan)
├─ Ungelöste Aufgaben vorhanden → Hinweis: „Letztes Mal war XX noch nicht abgeschlossen. Fortfahren?“
└─ Neue Aufgabe → Weiter
↓
② Langzeitgedächtnis abrufen (specq_memory.recall)
→ Semantische Suche nach historischen Besuchen, verlorenen Aufträgen, Präferenzen dieses Kunden/Produkts
↓
③ Drei Felder extrahieren (product / application / scenario)
→ Falls drei Felder unvollständig → Nachfragen
↓
④ Dunkle Daten einspritzen (extract_insights + Ergebnis des Gedächtnisabrufs)
├─ Dunkle Daten vorhanden → In Informationspaket einspritzen
└─ Keine dunklen Daten → [Erfahrungsbasiert] markieren
↓
⑤ Informationspaket generieren (specq_generate_intel)
↓
⑥ Informationspaket mit 8 Modulen ausgeben
【Historie】
- 2026-06-20 Besuch: Fokus auf Rauheit, Wettbewerber Atotech
- 2026-05-15 Auftrag verloren: Preis um 20% zu hoch
【Dieses Informationspaket】 (8 Module)
... (mit Datenquellenkennzeichnung) ...
↓
⑦ In Langzeitgedächtnis schreiben (specq_memory.save)
→ category=intel, content=Zusammenfassung dieses Informationspakets
↓
⑧ Arbeitsgedächtnis aktualisieren (specq_memory.set_plan)
→ Aktuelle Aufgabe als erledigt markieren
↓
⑨ ⚠️ Pflicht-Hinweis: „Teilen Sie mir nach dem Kundengespräch das Ergebnis mit, ich werde es für Sie aufzeichnen.“
Verzweigungsszenarien
Szenario A: Neukunde (keine Historie)
- Langzeitgedächtnis-Abruf leer → Direkt generate_intel aufrufen
- Module 4/5/6 mit
[Erfahrungsbasiert, keine Vertriebsdaten verfügbar]kennzeichnen
Szenario B: Bestandskunde (mit Speicherdaten)
- Zuerst recall → Historische Besuche + verlorene Aufträge abrufen
- In separaten Kontextblock [Historie] einspritzen
- Module 4/5/6 des Informationspakets enthalten echte Datenquellenkennzeichnung
Szenario C: Nur Historie abfragen
- recall → Historie strukturiert anzeigen
- Nach Anzeige nachfragen: „Möchten Sie basierend auf diesen Informationen ein Informationspaket generieren?“
Szenario D: Abschluss-Feedback
- feedback → Abschluss aufzeichnen
- Gleichzeitig save(category="feedback") in Langzeitgedächtnis schreiben
- outcome: won (abgeschlossen) / lost (verloren) / follow_up (in Bearbeitung)
Szenario E: Mehrere Aufgaben (v1.1 neu)
- get_plan Fortschritt prüfen → wissen, wo wir stehen
- set_plan Aufgabenliste setzen/aktualisieren
- Wiederherstellung nach Unterbrechung: Benutzer sagt „weiter“ → get_plan → wissen, wo es weitergeht
Memory-Klassifizierungssystem
| category | Auslösezeitpunkt | Beispielinhalt | Aufbewahrungsstrategie |
|---|---|---|---|
visit | Automatisch nach log_visit | „Besuch bei Kunde XX, Fokus auf YY-Indikator“ | Dauerhaft |
feedback | Automatisch nach feedback | „Produkt XX verloren, Grund: Preis 20% zu hoch“ | Dauerhaft |
intel | Automatisch nach generate_intel | „Informationspaket YY für Kunde XX generiert“ | 180 Tage |
insight | Strukturierte Entdeckung aus extract_insights | „Shennan Circuits‘ Empfindlichkeit gegenüber Rauheit: Hoch“ | 180 Tage |
preference | Explizite Benutzerpräferenz | „David zieht es vor, zuerst den Wettbewerbsvergleich zu sehen“ | Dauerhaft |
Ausgabespezifikation
Informationspaket (8 Module)
| Modul | Inhalt | Datenquelle |
|---|---|---|
| 1. Produktübersicht | Produktdefinition, Kernfunktionen, anwendbare Prozessschritte | Öffentliche Quellen + knowledge.db |
| 2. Technischer Vergleich | Wichtige Parameter vs. Wettbewerber/Industriestandard | Öffentliche Quellen + Dunkle Daten |
| 3. Wettbewerbslandschaft | Hauptwettbewerber, Marktanteile, Differenzierung | Öffentliche Quellen |
| 4. Kundenrelevante Indikatoren | Wichtige technische Indikatoren für diesen Kunden/diese Branche | Dunkle Daten / [Erfahrungsbasiert] |
| 5. Einstiegsmöglichkeiten | Aktuelle Einstiegsfenster für diesen Kunden | Dunkle Daten / [Erfahrungsbasiert] |
| 6. Einführungshindernisse | Historische Verlustgründe, technische Hürden | Dunkle Daten / [Erfahrungsbasiert] |
| 7. Handlungsempfehlungen | Gesprächsstrategie, Präsentationsschwerpunkte, Preisstrategie | LLM synthetisch generiert |
| 8. Referenzquellen | Datenquellen pro Modul + Konfidenz | Automatische Kennzeichnung |
Historie (Separater Kontextblock)
Bei jeder Generierung eines Informationspakets wird ganz vorne im Output ein separater Block für die Historie angefügt:
【Historie】
- 2026-06-20 Besuch bei Shennan Circuits: Fokus auf Rauheit (Ra<0.3μm), Wettbewerber Atotech
- 2026-05-15 Auftrag verloren: Preis um 20% zu hoch, empfehle Preisnachlass beim nächsten Angebot
Wichtige Regeln
- Speicherpriorität: Jeder Dialog muss mit recall beginnen, Speicher niemals überspringen
- Quellentransparenz: Jedes Modul kennzeichnet die Datenquelle, dunkle Daten mit Quelle, Schätzungen mit
[Erfahrungsbasiert] - Feedback-Pflicht-Hinweis: Nach jedem Informationspaket muss auf Feedback hingewiesen werden
- Nachfragen bei unzureichenden Parametern: Bei unvollständiger Extraktion der drei Felder nachfragen, nicht raten
- Vertraulichkeit: Informationspaket enthält keine echten Kundennamen, sondern anonymisierte Branchenlabels
- Arbeitsgedächtnis nicht verlieren: Bei mehreren Aufgaben den Fortschritt protokollieren, bei „weiter“ des Benutzers wiederherstellen
MVP-Grenzen
Umfasst:
- Szenarien A/B/C/D/E vollständig abgedeckt
- Drei-Ebenen-Speicher automatisch lesen/schreiben
- Reine Markdown-Ausgabe
Nicht umfasst:
- Mehrrunden-Dialog zur Vertiefung der Anforderungen (Einzelrunde priorisiert)
- Automatisches Versenden von Informationspaketen an Feishu/E-Mail
- Echtzeit-Wettbewerberpreise
- Speicherzusammenführung/Deduplizierung
Der Skill wendet automatisch die Drei-Ebenen-Speicher (Arbeitsgedächtnis, Langzeitgedächtnis, Dunkle Daten) an. Jede Ausgabe enthält Datenquellenkennzeichnung und Feedback-Hinweis. Bei unvollständigen Parametern wird proaktiv nachgefragt.