SpecQ 攻单情报包 — 电子化学品销售 Skill v1.1
Versão: v1.2 | Atualizado: 2026-06-24 | Novas instruções de instalação multiplataforma (OpenClaw / WorkBuddy)
📦 Instruções de Instalação
OpenClaw
Este Skill já está integrado ao MCP do OpenClaw:
openclaw skills install daizehua-wq/specq-intel-sales
Endereço do Servidor MCP: http://119.91.223.127:8001/mcp (HTTP SSE, configurado com X-API-Key)
WorkBuddy (Agente de Desktop da Tencent)
No painel "Skills" à esquerda do WorkBuddy, pesquise specq-intel-sales e instale este Skill.
Após a instalação, copie e cole o seguinte texto para o WorkBuddy; ele configurará automaticamente a conexão MCP:
Me ajude a configurar o Servidor MCP SpecQ: Baixe specq_mcp_client.py de https://github.com/daizehua-wq/Specq-mcp para o computador local, depois crie ~/.workbuddy/mcp.json com a configuração specq, o comando python specq_mcp_client.py, as variáveis de ambiente SPECQ_MCP_URL=http://119.91.223.127:8001/mcp e SPECQ_MCP_API_KEY=coloque sua chave. Em seguida, execute pip install mcp httpx.
Cenário de Aplicação
Vendas de produtos químicos eletrônicos / Engenheiros pré-venda — obter rapidamente um pacote de inteligência de vendas estruturado antes de visitar um cliente.
Condições de Disparo
O usuário fornece qualquer um dos seguintes grupos de informações para acionar:
| Modo de Disparo | Exemplo |
|---|---|
| Três campos | "Me ajude a fazer um pacote de inteligência para o líquido de galvanoplastia XX, cliente Shennan Circuits, eles se preocupam com a rugosidade" |
| Consultar histórico | "O que foi discutido anteriormente com a Shennan Circuits?" |
| Feedback | "A Shennan Circuits fechou negócio" / "Perdeu, eles acharam o preço caro" |
| Múltiplas tarefas | "Me ajude a fazer três pacotes de inteligência: Shennan + cobre eletrolítico, Jingwang + líquido de gravação, Pengding + cobre imersão" |
Dependências do Servidor MCP (5 Ferramentas)
| Ferramenta | Entrada | Saída | Descrição |
|---|---|---|---|
specq_memory | action, query/content/category... | Resultado da operação de memória | Novo na v1.1: Memória de três camadas |
specq_generate_intel | product, application, scenario | Pacote de inteligência de 8 módulos em Markdown | Geração principal |
specq_extract_insights | customer_id (opcional), limit | Insights estruturados em JSON | Extração de dados ocultos |
specq_log_visit | customer_id, content, visit_date, visit_type | ID do registro de visita | Registrar visitas |
specq_feedback | product, application, outcome, lesson, accuracy_notes | Registro de feedback | Ciclo de fechamento de vendas |
v1.1 Workflow (Com Memória de Três Camadas)
Entrada do usuário
↓
① Verificação da memória de trabalho (specq_memory.get_plan)
├─ Há tarefas não concluídas → Aviso: "A tarefa XX anterior ainda não foi concluída. Deseja continuar?"
└─ Nova tarefa → Continuar
↓
② Recuperação da memória de longo prazo (specq_memory.recall)
→ Pesquisa semântica de visitas anteriores, registros de perda de negócios e preferências para aquele cliente/produto
↓
③ Extração dos três campos (product / application / scenario)
→ Se os três campos estiverem incompletos → Perguntar
↓
④ Injeção de dados ocultos (extract_insights + resultados da recuperação de memória)
├─ Há dados ocultos → Injetar no pacote de inteligência
└─ Sem dados ocultos → Marcar como [Inferência Experta]
↓
⑤ Geração do pacote de inteligência (specq_generate_intel)
↓
⑥ Saída do pacote de inteligência de 8 módulos
【Memória Histórica】(Bloco de contexto independente)
- 2026-06-20 Visita: Foco em rugosidade, concorrente Atotech
- 2026-05-15 Perda de negócio: Preço 20% mais alto
【Pacote de Inteligência Atual】(8 módulos)
... (Com anotação da fonte de dados)...
↓
⑦ Gravação na memória de longo prazo (specq_memory.save)
→ category=intel, content=resumo do pacote de inteligência atual
↓
⑧ Atualização da memória de trabalho (specq_memory.set_plan)
→ Marcar a tarefa atual como concluída
↓
⑨ ⚠️ Lembrete obrigatório: "Após visitar o cliente, me conte o resultado para que eu possa registrar."
Cenários de Ramificação
Cenário A: Novo Cliente (Sem dados históricos)
- Recuperação da memória de longo prazo vazia → Chamar generate_intel diretamente
- Módulos 4/5/6 marcados como
[Inferência Experta, sem dados de vendas para suporte]
Cenário B: Cliente Recorrente (Com dados de memória)
- Primeiro, fazer recall → Recuperar visitas históricas + registros de perda de negócio
- Injetar no bloco de contexto independente 【Memória Histórica】
- Módulos 4/5/6 do pacote de inteligência têm anotação de fonte de dados real
Cenário C: Apenas Consultar Histórico
- recall → Exibir memória histórica estruturada
- Após a exibição, perguntar: "Deseja gerar um pacote de inteligência com base nessas informações?"
Cenário D: Feedback de Fechamento
- feedback → Registrar o ciclo fechado
- Ao mesmo tempo, save(category="feedback") escreve na memória de longo prazo
- outcome: won (fechado) / lost (perdeu) / follow_up (em acompanhamento)
Cenário E: Múltiplas Tarefas (Novo na v1.1)
- get_plan verifica o progresso → Sabe onde parou
- set_plan define/atualiza a lista de tarefas
- Recuperação após interrupção: Usuário diz "continuar" → get_plan → Sabe por onde começar
Sistema de Classificação de Memória
| category | Momento de Disparo | Exemplo de Conteúdo | Política de Retenção |
|---|---|---|---|
visit | Escrita automática após log_visit | "Visitou o cliente XX, foco no indicador YY" | Permanente |
feedback | Escrita automática após feedback | "Perda de negócio do produto XX, motivo: preço 20% mais alto" | Permanente |
intel | Escrita automática após generate_intel | "Gerou pacote de inteligência YY para o cliente XX" | 180 dias |
insight | Descoberta estruturada do extract_insights | "Sensibilidade da Shennan Circuits à rugosidade: Alta" | 180 dias |
preference | Preferência explícita do usuário | "David prefere ver comparação com concorrentes primeiro" | Permanente |
Especificação de Saída
Pacote de Inteligência (Oito Módulos)
| Módulo | Conteúdo | Fonte de Dados |
|---|---|---|
| 1. Visão Geral do Produto | Definição do produto, funcionalidade principal, etapas de processo aplicáveis | Materiais públicos + knowledge.db |
| 2. Comparação de Indicadores Técnicos | Parâmetros chave vs concorrentes/padrões da indústria | Materiais públicos + dados ocultos |
| 3. Cenário Concorrente | Principais concorrentes, participação de mercado, diferenciação | Materiais públicos |
| 4. Indicadores de Interesse do Cliente | Indicadores técnicos chave para aquele cliente/indústria | Dados ocultos / [Inferência Experta] |
| 5. Oportunidades de Entrada | Janela de entrada atual para aquele cliente | Dados ocultos / [Inferência Experta] |
| 6. Barreiras de Adoção | Motivos históricos de perda de negócio, barreiras técnicas | Dados ocultos / [Inferência Experta] |
| 7. Recomendações de Ação | Roteiro de visita, foco da demonstração, estratégia de preço | Gerado sinteticamente pelo LLM |
| 8. Referências | Fontes de dados de cada módulo + nível de confiança | Anotado automaticamente |
Memória Histórica (Bloco de Contexto Independente)
Cada vez que um pacote de inteligência é gerado, um bloco de memória histórica é anexado no início da saída:
【Memória Histórica】
- 2026-06-20 Visita à Shennan Circuits: Foco em rugosidade (Ra<0,3μm), concorrente Atotech
- 2026-05-15 Perda de negócio: Preço 20% mais alto, sugerir concessão no próximo orçamento
Regras Importantes
- Memória primeiro: No início de cada conversa, sempre chamar recall; nunca pular se houver memória.
- Transparência de fonte: Cada módulo anota a fonte de dados; dados ocultos anotam a fonte; inferências marcam como
[Inferência Experta]. - Lembrete obrigatório de feedback: Sempre lembrar o feedback após a saída de cada pacote de inteligência.
- Perguntar quando parâmetros insuficientes: Se os três campos estiverem incompletos, perguntar; não adivinhar.
- Confidencialidade: O pacote de inteligência não contém nomes reais de clientes; eles são anonimizados como rótulos do setor.
- Memória de trabalho não se perde: Em múltiplas tarefas, registrar o progresso; o usuário pode dizer "continuar" para retomar.
Limites do MVP
Faz:
- Abrange completamente os Cenários A/B/C/D/E
- Leitura e escrita automática da memória de três camadas
- Saída puramente em Markdown
Não faz:
- Aprofundamento em múltiplas rodadas de diálogo (prioriza rodada única)
- Envio automático de pacotes de inteligência para Feishu/e-mail
- Preço em tempo real de concorrentes
- Mesclagem/deduplicação de memória