SpecQ 攻单情报包 — 电子化学品销售 Skill v1.1
版本：v1.2 | 更新：2026-06-24 | 新增跨平台安装指引（OpenClaw / WorkBuddy）
📦 安装指引
OpenClaw
本 Skill 已接入 OpenClaw MCP：
openclaw skills install daizehua-wq/specq-intel-sales
MCP Server 地址：http://119.91.223.127:8001/mcp（HTTP SSE，已配置 X-API-Key）
WorkBuddy（腾讯桌面 Agent）
在 WorkBuddy 左侧「技能」面板搜索 specq-intel-sales 安装本 Skill。
安装后，复制下面这段话发给 WorkBuddy，它会自动帮你配置 MCP 连接：
帮我配置 SpecQ MCP 服务器：从 https://github.com/daizehua-wq/Specq-mcp 下载 specq_mcp_client.py 到本地，然后创建 ~/.workbuddy/mcp.json 加上 specq 配置，命令 python specq_mcp_client.py，环境变量 SPECQ_MCP_URL=http://119.91.223.127:8001/mcp，SPECQ_MCP_API_KEY=填入你的密钥。然后 pip install mcp httpx。
适用场景
电子化学品销售 / 售前工程师见客户前，快速获得结构化攻单情报包。
触发条件
用户提供以下任一组信息即可触发：
| 触发模式 | 示例 |
|---|---|
| 三字段 | "帮我做XX电镀液的情报包，客户深南电路，他们关注粗糙度" |
| 查历史 | "深南电路之前聊了什么？" |
| 反馈 | "深南成交了" / "丢了，他们嫌价格贵" |
| 多任务 | "帮我做三个情报包：深南+电镀铜、景旺+蚀刻液、鹏鼎+沉铜" |
依赖 MCP Server（5 个 Tool）
| Tool | 输入 | 输出 | 说明 |
|---|---|---|---|
specq_memory | action, query/content/category... | 记忆操作结果 | v1.1 新增：三层记忆 |
specq_generate_intel | product, application, scenario | 八模块情报包 Markdown | 核心生成 |
specq_extract_insights | customer_id（可选）, limit | 结构化洞察 JSON | 暗数据提取 |
specq_log_visit | customer_id, content, visit_date, visit_type | 拜访记录 ID | 沉淀拜访 |
specq_feedback | product, application, outcome, lesson, accuracy_notes | 反馈记录 | 成交闭环 |
v1.1 工作流（含三层记忆）
用户输入
↓
① 工作记忆检查（specq_memory.get_plan）
├─ 有未完成任务 → 提示："上次 XX 还没完成，继续吗？"
└─ 新任务 → 继续
↓
② 长期记忆召回（specq_memory.recall）
→ 语义搜索该客户/产品的历史拜访、丢单记录、偏好
↓
③ 提取三字段（product / application / scenario）
→ 如果三字段不全 → 追问
↓
④ 暗数据注入（extract_insights + 记忆召回结果）
├─ 有暗数据 → 注入到情报包
└─ 无暗数据 → 标记 [经验推断]
↓
⑤ 生成情报包（specq_generate_intel）
↓
⑥ 输出八模块情报包
【历史记忆】（独立上下文块）
- 2026-06-20 拜访：关注粗糙度，竞品安美特
- 2026-05-15 丢单：嫌价格高 20%
【本次情报包】（八模块）
...（带数据来源标注）...
↓
⑦ 写入长期记忆（specq_memory.save）
→ category=intel, content=本次情报包摘要
↓
⑧ 更新工作记忆（specq_memory.set_plan）
→ 标记当前任务完成
↓
⑨ ⚠️ 必提醒："见完客户后告诉我结果，我帮你记录"
分支场景
场景 A：新客户（无历史数据）
- 长期记忆召回为空 → 直接调 generate_intel
- 模块 4/5/6 标注
[经验推断，暂无销售数据支撑]
场景 B：老客户（有记忆数据）
- 先 recall → 召回历史拜访 + 丢单记录
- 注入到独立上下文块【历史记忆】
- 情报包模块 4/5/6 有真实数据来源标注
场景 C：仅查历史
- recall → 结构化展示历史记忆
- 展示后追问："要基于这些信息生成情报包吗？"
场景 D：成交反馈
- feedback → 记录闭环
- 同时 save(category="feedback") 写入长期记忆
- outcome: won（成交）/ lost（丢单）/ follow_up（跟进中）
场景 E：多任务（v1.1 新增）
- get_plan 检查进度 → 知道做到哪了
- set_plan 设定/更新任务列表
- 中断后恢复：用户说"继续" → get_plan → 知道从哪开始
Memory 分类体系
| category | 触发时机 | 示例内容 | 保留策略 |
|---|---|---|---|
visit | log_visit 后自动写 | "拜访XX客户，关注YY指标" | 永久 |
feedback | feedback 后自动写 | "XX产品丢单，原因：价格高20%" | 永久 |
intel | generate_intel 后自动写 | "为XX客户生成YY情报包" | 180 天 |
insight | extract_insights 结构化发现 | "深南电路对粗糙度敏感度：高" | 180 天 |
preference | 用户显式偏好 | "David 偏好先看竞品对比" | 永久 |
输出规格
情报包（八模块）
| 模块 | 内容 | 数据来源 |
|---|---|---|
| 1. 产品概览 | 产品定义、核心功能、适用工艺段 | 公开资料 + knowledge.db |
| 2. 技术指标对比 | 关键参数 vs 竞品/行业标准 | 公开资料 + 暗数据 |
| 3. 竞品格局 | 主要竞品、市占、差异化 | 公开资料 |
| 4. 客户关注指标 | 该客户/行业重点技术指标 | 暗数据 / [经验推断] |
| 5. 切入机会 | 当前该客户的切入窗口 | 暗数据 / [经验推断] |
| 6. 导入障碍 | 历史丢单原因、技术壁垒 | 暗数据 / [经验推断] |
| 7. 行动建议 | 拜访话术、演示重点、报价策略 | LLM 综合生成 |
| 8. 参考来源 | 各模块数据来源 + 置信度 | 自动标注 |
历史记忆（独立上下文块）
每次情报包生成时，在输出最前面附加历史记忆块：
【历史记忆】
- 2026-06-20 拜访深南电路：关注粗糙度（Ra<0.3μm），竞品安美特
- 2026-05-15 丢单：嫌价格高 20%，建议下次报价让步
重要规则
- 记忆优先：每次对话开始必调 recall，有记忆绝不跳过
- 来源透明：每模块标注数据来源，暗数据标注来源，推测标注
[经验推断] - 反馈必提醒：每次输出情报包后必提醒反馈
- 参数不足追问：三字段提取不全时追问，不猜测
- 保密：情报包不含客户真实名称，脱敏为行业标签
- 工作记忆不丢：多任务时记录进度，用户说"继续"能恢复
MVP 边界
做：
- 场景 A/B/C/D/E 全部覆盖
- 三层记忆自动读写
- 纯 Markdown 输出
不做：
- 多轮对话深挖需求（单轮优先）
- 自动推送情报包到飞书/邮件
- 竞品实时价格
- 记忆合并/去重