Was macht AI-Mindshare-Map?
Competitive-Intelligence-Tool: Entdecke dein Publikum, befrage KI-Systeme, analysiere Antworten, erstelle Wettbewerbs-Rankings und identifiziere Quellenlücken.
Befehlsyntax
/mindshare-map --entity <url> [--frame "..."] [--name <slug>] [--skip-validation] [--intents-per-track=N] [--intents=N]
Entity-Modus: Verfolgt ein bestimmtes Unternehmen/eine bestimmte Marke.
/mindshare-map --market "<description>" [--frame "..."] [--name <slug>] [--skip-validation] [--intents-per-track=N] [--intents=N]
Market-Modus: Landschaftsanalyse ohne Fokus-Entity.
Optionen:
--frame "..."Intent/Persona-Dialog – wer sucht und warum (Standard: Käufer, die Optionen recherchieren)--name <slug>Name des Arbeitsverzeichnisses (Standard: abgeleitet von der URL-Domain oder Marktbeschreibung)--skip-validationÜberspringe ICP-Bestätigung (verwende abgeleitete ICPs; Käufer → Standard-Tracks, andere → trackless)--intents-per-track=NIntents pro Track im Tracked-Modus (Standard: 6)--intents=NIntents pro ICP im Trackless-Modus (Standard: 12)
Beispiele:
/mindshare-map --entity https://example.com→work/example-com-20260213//mindshare-map --market "creative agencies"→work/creative-agencies-20260213//mindshare-map --entity https://foo.com --name=foo-q1-2026→work/foo-q1-2026//mindshare-map --entity https://foo.com --frame "investors assessing category leaders"
Abhängigkeiten
- Playwright MCP: Zielgruppenentdeckung
- WebFetch: Zielgruppenentdeckung
- Bash: Pipeline-Ausführung
- OpenAI API: GPT-5.2 für Abfragen, GPT-5-mini für vollständige Quellenbewertung, GPT-5-nano für Extraktion/Analyse/leichte Bewertung
- tuff-lil-unit: Pipeline-Ausführung – Crash-Recovery, Schritt-Memoisation, Nebenläufigkeit
Arbeitsverzeichnis
Jeder Durchlauf erhält ein datiertes Verzeichnis unter work/:
work/creative-agencies-20260213/
audience-profile.json # ICPs + Intents + target_focus (Projektidentität)
subject-context.json # Forschungswissen
tuff.db # SQLite: tuff-Schritte + Domain-Tabellen (abfragbar)
distillation.json # Vollständige Wettbewerbslandschaft-Ausgabe
Ausgaben
- distillation.json – eine einzelne Datei mit der vollständigen Wettbewerbslandschaft:
meta– Schema-Version, Lauf-ID, Modus, Zeitstempel, Abfrageanzahl, Antwortrate, primäre Entity-Typenlandscape– query_answer-Entities gruppiert nach Typ (Unternehmen, Produkt, …), nach Reichweite sortiertother_entities– authority_source/platform-Entities gruppiert nach Typby_icp– Aufschlüsselung pro ICP:{ icp_001: { landscape: {…}, other_entities: {…} } }sources.market– nach Publisher-Typ, pro-Domain-Bewertungen (jeweils mitsource_type,is_competitor,authority,citation_count,citation_count_by_icp)client– Position, Kategorie-Position, Salienz, Sichtbarkeit, Reputation (nur Entity-Modus)
- tuff.db – abfragbar via
sqlite3: Schrittstatus, Token-Nutzung, Domain-Tabellen
DB: Details hinter den Destillations-Zusammenfassungen
tuff.db behält alle Details, die die Destillation zusammenfasst. Abfrage mit sqlite3 tuff.db:
| Gewünscht | Tabelle → Spalte |
|---|---|
| Quellen-Autoritäts-Begründung + Signale | assessments.result → authority |
| Quellenformat + Wettbewerbsbeziehung | assessments → source_type, is_competitor |
| Alle zitierten URLs pro Domain | assessments.result → urls |
| Detail pro Antwort-Erwähnung (Salienz, ICP, Abfrage) | analysed.mentions |
| Vollständiger GPT-Antworttext | queries.response |
| Abgerufener Quellseiteninhalt | sources.content |
| Roh-Extraktionen von Entities pro Quelle | extractions.entities |
Einrichtung (erster Durchlauf)
Ein SessionStart-Hook installiert tuff-lil-unit automatisch in ${CLAUDE_PLUGIN_DATA} und führt die Installation erneut aus, wenn sich package.json ändert. Stelle sicher, dass OPENAI_API_KEY über die Shell gesetzt ist (empfohlen: Keychain-gestützt, exportiert aus ~/.zshenv – siehe README). Playwright MCP ist optional (die Entity-Modus-Website-Recherche fällt ohne ihn auf WebFetch zurück).
Wenn eine Pipeline-Phase mit Could not locate the bindings file fehlschlägt (ein better-sqlite3-Native-Binding-Fehler), wurde der native Build-Schritt übersprungen. Behebung: cd ${CLAUDE_PLUGIN_DATA} && npm rebuild better-sqlite3, dann versuche die Phase erneut.
Phase 0: Arbeitsverzeichnis einrichten
Vor allem anderen: Arbeitsverzeichnis bestimmen.
- Slug ableiten aus der Eingabe:
--entity: Domain extrahieren, sluggifizieren →example-com--market: Beschreibung sluggifizieren →creative-agencies--name=-Flag überschreibt (kein Datumssuffix)
- Datumszusatz anhängen:
${slug}-${YYYYMMDD}(z.B.creative-agencies-20260213)- Überspringen, wenn
--name=angegeben wurde (Benutzer kontrolliert den vollständigen Namen)
- Überspringen, wenn
WORK_DIRsetzen =work/${slug}-${YYYYMMDD}/- Existenz prüfen: wenn
WORK_DIRbereits Daten enthält, Benutzer fragen:work/creative-agencies-20260213/ existiert bereits. Überschreiben oder anderen Namen verwenden? - Verzeichnis erstellen:
mkdir -p ${WORK_DIR}
Alle nachfolgenden Phasen verwenden --work-dir=${WORK_DIR}.
Phase 1: Zielgruppenentdeckung
Subagent-getriebene Recherche + Benutzer-Validierung. Erzeugt audience-profile.json.
Schritt 1.0: Rahmen
Erfasse das --frame-Flag (Standard: Buyer-Frame).
Schritt 1.1: ICPs generieren
Task({
subagent_type: 'general-purpose',
prompt: `Führe aus: references/${'entity' in subject
? 'entity-mode-instructions' : 'market-mode-instructions'}.md\n\n${
'entity' in subject ? `Entity-URL: ${subject.entity}` : `Markt: "${subject.market}"`}\n\nWORK_DIR: ${WORK_DIR} — schreibe subject-context.json in dieses Verzeichnis, nicht in einen hartcodierten work/-Pfad.`
})
Schritt 1.2: ICPs validieren
Präsentiere vorgeschlagene ICPs dem Benutzer. Sammle Feedback, verfeinere bei Bedarf. Überspringen, wenn --skip-validation.
Wenn die Entdeckung research_limited zurückgab (Entity-Modus, eine JS-gerenderte Seite, die WebFetch nicht lesen konnte), informiere den Benutzer – auch bei --skip-validation:
{entity}sieht JS-gerendert aus, daher stützen sich diese ICPs eher auf allgemeine Web-Recherche als auf die Website selbst. Die Installation von Playwright MCP würde es mir ermöglichen, die vollständige Seite zu lesen – füge es hinzu und starte die Entdeckung neu, oder fahre mit diesen fort?
Schritt 1.2a: Track-Auswahl
Nach Bestätigung der ICPs: Markt-Mapping-Tracks festlegen:
| Rahmen | Mit --skip-validation | Interaktiv |
|---|---|---|
| Buyer | Standard-Tracks (4) | Standard oder trackless anbieten |
| Custom | Trackless | Eigene Tracks oder trackless vorschlagen |
Standard-Tracks: landscape, recommendation, specialization, scenario. Alle Tracks müssen Entity-aufdeckend sein. Siehe references/intent-query-generation-instructions.md für Formulierungshilfe.
Schritt 1.3: Intents + Abfragen generieren
Ein Subagent pro ICP, parallel. Erstelle ein Rollenspiel-Briefing für jeden ICP mit drei neutralen Slots, die durch den Rahmen interpretiert werden:
| Slot | Buyer | Investor | Journalist |
|---|---|---|---|
motivations | Ziele | Investment-These | Ressort und Blickwinkel |
constraints | Schmerzpunkte | Sorgfaltsanliegen | Redaktionelle Einschränkungen |
context | Aktuelle Situation | Portfoliokontext | Aktuelle Aufgaben |
Zeichne das erstellte Briefing im brief-Block des ICPs in audience-profile.json auf, bevor du es an den Subagenten sendest.
Verwende die getrackte oder trackless-Vorlage aus references/intent-query-generation-instructions.md. Getrackt: --intents-per-track=N (Standard 6), Intent-JSON enthält track. Trackless: --intents=N (Standard 12), track weggelassen.
const icpResults = await Promise.all(confirmedICPs.map(icp =>
Task({
subagent_type: 'general-purpose',
model: 'sonnet',
prompt: buildRoleplayBrief(icp, confirmedTracks, trackless)
})
))
Schritt 1.3b: Abfrage-Review
Ein einzelner Review-Subagent (Sonnet) scannt alle generierten Abfragen auf methodische Probleme. Gibt markierte Abfragen mit Gründen zurück; der Orchestrator repariert oder verwirft sie, bevor sie dem Benutzer präsentiert werden.
Task({
subagent_type: 'general-purpose',
model: 'sonnet',
prompt: `Überprüfe diese generierten Abfragen auf forschungsmethodische Probleme...\n${allQueries}`
// Siehe references/query-review-instructions.md für Kriterien und Ausgabeformat
})
Schritt 1.4: Intents validieren + Profil schreiben
Präsentiere Intents dem Benutzer, sammle Feedback. Schreibe ${WORK_DIR}/audience-profile.json. Überspringe Validierung, wenn --skip-validation.
Phase 2: Pipeline (task-basiert, Hintergrundjobs)
Schritt 2.1: Aufgaben erstellen + Abhängigkeiten setzen
const query = TaskCreate({
subject: "GPT für alle ICPs abfragen",
description: "Bash({ run_in_background: true, command: 'NODE_PATH=${CLAUDE_PLUGIN_DATA}/node_modules npm run --prefix ${CLAUDE_PLUGIN_ROOT} pipeline:query -- --work-dir=${WORK_DIR}' })",
activeForm: "Frage GPT ab"
})
const fetch = TaskCreate({
subject: "Zitierte URLs abrufen",
description: "Bash({ run_in_background: true, command: 'NODE_PATH=${CLAUDE_PLUGIN_DATA}/node_modules npm run --prefix ${CLAUDE_PLUGIN_ROOT} pipeline:fetch -- --work-dir=${WORK_DIR}' })",
activeForm: "Rufe URLs ab"
})
const extract = TaskCreate({
subject: "Entities aus Quellen extrahieren",
description: "Bash({ run_in_background: true, command: 'NODE_PATH=${CLAUDE_PLUGIN_DATA}/node_modules npm run --prefix ${CLAUDE_PLUGIN_ROOT} pipeline:extract -- --work-dir=${WORK_DIR}' })",
activeForm: "Extrahiere Entities"
})
const assess = TaskCreate({
subject: "Quellen-Autorität bewerten",
description: "Bash({ run_in_background: true, command: 'NODE_PATH=${CLAUDE_PLUGIN_DATA}/node_modules npm run --prefix ${CLAUDE_PLUGIN_ROOT} pipeline:assess -- --work-dir=${WORK_DIR}' })",
activeForm: "Bewerte Quellen"
})
const analyse = TaskCreate({
subject: "GPT-Antworten analysieren",
description: "Bash({ run_in_background: true, command: 'NODE_PATH=${CLAUDE_PLUGIN_DATA}/node_modules npm run --prefix ${CLAUDE_PLUGIN_ROOT} pipeline:analyse -- --work-dir=${WORK_DIR}' })",
activeForm: "Analysiere Antworten"
})
const distill = TaskCreate({
subject: "Wettbewerbslandschaft destillieren",
description: "Bash({ run_in_background: true, command: 'NODE_PATH=${CLAUDE_PLUGIN_DATA}/node_modules npm run --prefix ${CLAUDE_PLUGIN_ROOT} pipeline:distill -- --work-dir=${WORK_DIR}' }). Ausgaben: distillation.json",
activeForm: "Destilliere Landschaft"
})
// Abhängigkeitsgraph:
// Abfrage → Abruf → Extraktion → Bewertung ─┐
// └──→ Analyse ────────────────────────────┴→ Destillation
TaskUpdate({ taskId: fetch.id, addBlockedBy: [query.id] })
TaskUpdate({ taskId: extract.id, addBlockedBy: [fetch.id] })
TaskUpdate({ taskId: assess.id, addBlockedBy: [extract.id] })
TaskUpdate({ taskId: analyse.id, addBlockedBy: [query.id] })
TaskUpdate({ taskId: distill.id, addBlockedBy: [assess.id, analyse.id] })
Schritt 2.2: Aufgaben-Graph ausführen
Beginne mit query. Nach jedem Abschluss: Aufgabe als erledigt markieren, freigegebene Abhängige starten.
Fortschritt überwachen – jede Phase schreibt pro Element in die DB. Fortschritt jederzeit abrufbar:
NODE_PATH=${CLAUDE_PLUGIN_DATA}/node_modules npm run --prefix ${CLAUDE_PLUGIN_ROOT} pipeline:progress -- --work-dir=${WORK_DIR} query # einzelne Phase: "query: 24/24"
NODE_PATH=${CLAUDE_PLUGIN_DATA}/node_modules npm run --prefix ${CLAUDE_PLUGIN_ROOT} pipeline:progress -- --work-dir=${WORK_DIR} # alle Phasen
Bei Absturz oder Unterbrechung: Führe die fehlgeschlagene Phase erneut aus – die Schritt-Memoisation von tuff überspringt bereits erledigte Elemente.
Vollständige Pipeline (nicht-interaktiv): NODE_PATH=${CLAUDE_PLUGIN_DATA}/node_modules npm run --prefix ${CLAUDE_PLUGIN_ROOT} pipeline -- --work-dir=${WORK_DIR} führt alle 6 Phasen sequenziell aus.
Phase 3: Auslieferung
Sobald die Pipeline abgeschlossen ist, präsentiere die Ausgaben dem Benutzer:
**AI-Mindshare-Map abgeschlossen** → `${WORK_DIR}/`
**Ausgaben:**
- `${WORK_DIR}/distillation.json` — Wettbewerbslandschaftsdaten
- `${WORK_DIR}/audience-profile.json` — ICPs + Intents
**Wichtige Erkenntnisse:**
- Entdeckte Entities: {{entities_discovered}}
- Quellengestützt: {{source_backed_count}}
- Ziel-Rang: #{{rank}} von {{rank_of}} *(nur Entity-Modus)*