CommunityPesquisa e Análise de Dadosgithub.com

unfamiliar-city/skill-ai-mindshare-map

Habilidade do Claude Code que mede o quão visível uma empresa ou mercado é para assistentes de IA (ChatGPT) e mapeia quem é recomendado e por quê.

O que é skill-ai-mindshare-map?

Esta habilidade para Claude Code funciona como uma ferramenta de inteligência competitiva baseada em IA: ela descobre seu público, consulta sistemas de IA (como ChatGPT), analisa respostas e constrói rankings competitivos, além de identificar lacunas nas fontes de recomendação. O usuário pode executá-la em dois modos principais: "entity mode", para rastrear uma empresa ou marca específica, ou "market mode", para analisar um mercado inteiro sem um foco definido. A habilidade depende de Playwright MCP e WebFetch para pesquisa de audiência, da API OpenAI (GPT-5.2, GPT-5-mini, GPT-5-nano) para consultas e análises, e do framework "tuff-lil-unit" para execução de pipeline com recuperação de falhas e memoização de etapas. O resultado principal é um arquivo `distillation.json` com um panorama competitivo completo, incluindo entidades encontradas, fontes de autoridade e posicionamento do cliente, além de um banco de dados SQLite (`tuff.db`) para consultas detalhadas.

Funciona com✓Claude Code✓Codex CLI~Cursor
npx skills add unfamiliar-city/skill-ai-mindshare-map

Installed? Explore more Pesquisa e Análise de Dados skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

Mapa de Mindshare de IA

Ferramenta de inteligência competitiva: descubra sua audiência, consulte sistemas de IA, analise respostas, construa rankings competitivos, identifique lacunas de fontes.

Sintaxe do Comando

/mindshare-map --entity <url> [--frame "..."] [--name <slug>] [--skip-validation] [--intents-per-track=N] [--intents=N]
  Modo entidade: rastreia uma empresa/marca específica.

/mindshare-map --market "<descrição>" [--frame "..."] [--name <slug>] [--skip-validation] [--intents-per-track=N] [--intents=N]
  Modo mercado: análise de paisagem sem uma entidade focal.

Opções:

  • --frame "..." Diálogos de intenção/persona — quem está pesquisando e por quê (padrão: compradores pesquisando opções)
  • --name <slug> Nome do diretório de trabalho (padrão: derivado do domínio da URL ou descrição do mercado)
  • --skip-validation Pular confirmação de ICP (usar ICPs inferidos; comprador → tracks padrão, outros → sem tracks)
  • --intents-per-track=N Intenções por track no modo tracked (padrão: 6)
  • --intents=N Intenções por ICP no modo trackless (padrão: 12)

Exemplos:

  • /mindshare-map --entity https://example.com → work/example-com-20260213/
  • /mindshare-map --market "agências criativas" → work/agencias-criativas-20260213/
  • /mindshare-map --entity https://foo.com --name=foo-q1-2026 → work/foo-q1-2026/
  • /mindshare-map --entity https://foo.com --frame "investidores avaliando líderes de categoria"

Dependências

  • Playwright MCP: Pesquisa de descoberta de audiência
  • WebFetch: Pesquisa de descoberta de audiência
  • Bash: Execução do pipeline
  • OpenAI API: GPT-5.2 para consultas, GPT-5-mini para avaliação de fontes de nível completo, GPT-5-nano para extração/análise/avaliação de nível leve
  • tuff-lil-unit: Execução do pipeline — recuperação de falhas, memoização de etapas, concorrência

Diretório de Trabalho

Cada execução gera um diretório com data sob work/:

work/agencias-criativas-20260213/
  audience-profile.json       # ICPs + intenções + target_focus (identidade do projeto)
  subject-context.json        # Conhecimento da pesquisa
  tuff.db                     # SQLite: steps tuff + tabelas de domínio (consultável)
  distillation.json           # Saída completa da paisagem competitiva

Saídas

  1. distillation.json — arquivo único com a paisagem competitiva completa:
    • meta — versão do esquema, ID da execução, modo, timestamp, contagem de consultas, taxa de resposta, tipos de entidade primária
    • landscape — entidades de query_answer agrupadas por tipo (empresa, produto, …), ranqueadas por alcance
    • other_entities — entidades de authority_source/platform agrupadas por tipo
    • by_icp — detalhamento por ICP: { icp_001: { landscape: {…}, other_entities: {…} } }
    • sources.market — por publisher_type, avaliações por domínio (cada uma com source_type, is_competitor, authority, citation_count, citation_count_by_icp)
    • client — posição, posição na categoria, saliência, visibilidade, reputação (apenas modo entidade)
  2. tuff.db — consultável via sqlite3: status das etapas, uso de tokens, tabelas de domínio

DB: detalhes por trás dos resumos de destilação

tuff.db mantém todos os detalhes que a destilação resume. Consulte com sqlite3 tuff.db:

DesejaTabela → coluna
Raciocínio de autoridade da fonte + sinaisassessments.result → authority
Formato da fonte + relação concorrenteassessments → source_type, is_competitor
Todas as URLs citadas por domínioassessments.result → urls
Detalhe de menção por resposta (saliência, ICP, consulta)analysed.mentions
Texto completo da resposta GPTqueries.response
Conteúdo da página da fonte obtidasources.content
Extrações brutas de entidades por fonteextractions.entities

Configuração (primeira execução)

Um hook SessionStart instala tuff-lil-unit em ${CLAUDE_PLUGIN_DATA} automaticamente e o reexecuta se package.json mudar. Confirme que OPENAI_API_KEY está definida via shell (recomendado com suporte a Keychain, exportada de ~/.zshenv — veja o README). Playwright MCP é opcional (a pesquisa de site no modo entidade usa WebFetch como fallback sem ele).

Se uma fase do pipeline falhar com Could not locate the bindings file (um erro de bindings nativos do better-sqlite3), a instalação pulou sua etapa de compilação nativa. Corrija com: cd ${CLAUDE_PLUGIN_DATA} && npm rebuild better-sqlite3 e repita a fase.


Fase 0: Configuração do Diretório de Trabalho

Antes de qualquer outra coisa, resolva o diretório de trabalho:

  1. Derivar slug da entrada:
    • --entity: extrair domínio, slugify → exemplo-com
    • --market: slugify descrição → agencias-criativas
    • A flag --name= sobrescreve (sem sufixo de data)
  2. Adicionar sufixo de data: ${slug}-${AAAAMMDD} (ex.: agencias-criativas-20260213)
    • Pular se --name= foi fornecido (usuário controla o nome completo)
  3. Definir WORK_DIR = work/${slug}-${AAAAMMDD}/
  4. Verificar se existe: se WORK_DIR já contiver dados, perguntar ao usuário:

    work/agencias-criativas-20260213/ já existe. Sobrescrever ou usar um nome diferente?

  5. Criar diretório: mkdir -p ${WORK_DIR}

Todas as fases subsequentes usam --work-dir=${WORK_DIR}.


Fase 1: Descoberta de Audiência

Pesquisa orientada por subagentes + validação do usuário. Produz audience-profile.json.

Passo 1.0: Enquadramento

Capturar a flag --frame (padrão: quadro de comprador).

Passo 1.1: Gerar ICPs

Task({
  subagent_type: 'general-purpose',
  prompt: `Execute: references/${'entity' in subject
    ? 'entity-mode-instructions' : 'market-mode-instructions'}.md\n\n${
    'entity' in subject ? `Entity URL: ${subject.entity}` : `Market: "${subject.market}"`}\n\nWORK_DIR: ${WORK_DIR} — write subject-context.json into this directory, not a hardcoded work/ path.`
})

Passo 1.2: Validar ICPs

Apresentar os ICPs propostos ao usuário. Coletar feedback, refinar se necessário. Pular se --skip-validation.

Se a descoberta retornou research_limited (modo entidade, site renderizado com JS que o WebFetch não conseguiu ler), informe o usuário — mesmo com --skip-validation:

{entidade} parece ser renderizado com JS, então esses ICPs dependem mais de pesquisa geral na web do que do site. Instalar o Playwright MCP permitiria ler o site completo — adicione-o e execute a descoberta novamente, ou prossiga com estes?

Passo 1.2a: Seleção de Tracks

Após os ICPs serem confirmados, decidir os tracks de mapeamento de mercado:

QuadroCom --skip-validationInterativo
CompradorTracks padrão (4)Oferecer tracks padrão ou trackless
PersonalizadoTracklessPropor tracks personalizados ou trackless

Tracks padrão: landscape, recommendation, specialization, scenario. Todos os tracks devem gerar entidades. Veja references/intent-query-generation-instructions.md para orientação de redação.

Passo 1.3: Gerar Intenções + Consultas

Um subagente por ICP, em paralelo. Construir um brief de roleplay para cada ICP usando três slots neutros interpretados pelo quadro:

SlotCompradorInvestidorJornalista
motivationsobjetivostese de investimentopauta e ângulo
constraintspontos de dorpreocupações de due diligencerestrições editoriais
contextsituação atualcontexto do portfólioatribuições atuais

Registrar o brief construído no bloco brief do ICP em audience-profile.json antes de enviar ao subagente.

Usar template tracked ou trackless de references/intent-query-generation-instructions.md. Tracked: --intents-per-track=N (padrão 6), JSON de intenção inclui track. Trackless: --intents=N (padrão 12), track omitido.

const icpResults = await Promise.all(confirmedICPs.map(icp =>
  Task({
    subagent_type: 'general-purpose',
    model: 'sonnet',
    prompt: buildRoleplayBrief(icp, confirmedTracks, trackless)
  })
))

Passo 1.3b: Revisão de Consultas

Um subagente de revisão único (Sonnet) examina todas as consultas geradas em busca de problemas de metodologia. Retorna consultas sinalizadas com motivos; o orquestrador corrige ou descarta antes de apresentar ao usuário.

Task({
  subagent_type: 'general-purpose',
  model: 'sonnet',
  prompt: `Review these generated queries for research methodology problems...\n${allQueries}`
  // See references/query-review-instructions.md for criteria and output format
})

Passo 1.4: Validar Intenções + Escrever Perfil

Apresentar as intenções ao usuário, coletar feedback. Escrever ${WORK_DIR}/audience-profile.json. Pular validação se --skip-validation.


Fase 2: Pipeline (baseado em tarefas, jobs em segundo plano)

Passo 2.1: Criar Tarefas + Definir Dependências

const query = TaskCreate({
  subject: "Consultar GPT para todos os ICPs",
  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: "Consultando GPT"
})

const fetch = TaskCreate({
  subject: "Buscar URLs citadas",
  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: "Buscando URLs"
})

const extract = TaskCreate({
  subject: "Extrair entidades das fontes",
  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: "Extraindo entidades"
})

const assess = TaskCreate({
  subject: "Avaliar autoridade das fontes",
  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: "Avaliando fontes"
})

const analyse = TaskCreate({
  subject: "Analisar respostas GPT",
  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: "Analisando respostas"
})

const distill = TaskCreate({
  subject: "Destilar paisagem competitiva",
  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}' }). Outputs: distillation.json",
  activeForm: "Destilando paisagem"
})

// Grafo de dependências:
//   Query → Fetch → Extract → Assess ─┐
//     └──→ Analyse ────────────────────┴→ Distill
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] })

Passo 2.2: Executar Grafo de Tarefas

Começar com query. A cada conclusão: marcar tarefa como concluída, iniciar dependentes desbloqueados.

Monitorando progresso — cada fase escreve no DB por item. Verifique o progresso a qualquer momento:

NODE_PATH=${CLAUDE_PLUGIN_DATA}/node_modules npm run --prefix ${CLAUDE_PLUGIN_ROOT} pipeline:progress -- --work-dir=${WORK_DIR} query    # fase única: "query: 24/24"
NODE_PATH=${CLAUDE_PLUGIN_DATA}/node_modules npm run --prefix ${CLAUDE_PLUGIN_ROOT} pipeline:progress -- --work-dir=${WORK_DIR}          # todas as fases

Em caso de falha ou interrupção: execute novamente a fase que falhou — a memoização de etapas do tuff pula itens já concluídos.

Pipeline completo (não interativo): NODE_PATH=${CLAUDE_PLUGIN_DATA}/node_modules npm run --prefix ${CLAUDE_PLUGIN_ROOT} pipeline -- --work-dir=${WORK_DIR} executa todas as 6 fases sequencialmente.


Fase 3: Entrega

Assim que o pipeline for concluído, apresente os resultados ao usuário:

**Mapa de Mindshare de IA completo** → `${WORK_DIR}/`

**Saídas:**
- `${WORK_DIR}/distillation.json` — dados da paisagem competitiva
- `${WORK_DIR}/audience-profile.json` — ICPs + intenções

**Principais descobertas:**
- Entidades descobertas: {{entities_discovered}}
- Com suporte de fontes: {{source_backed_count}}
- Posição alvo: #{{rank}} de {{rank_of}} *(apenas modo entidade)*

Habilidades Relacionadas