SpecQ 攻單情報包 — 電子化學品銷售 Skill v1.1 是做什麼的？
版本：v1.2 | 更新：2026-06-24 | 新增跨平台安裝指引（OpenClaw / WorkBuddy）
📦 安裝指引
OpenClaw
本 Skill 已接入 OpenClaw MCP：
openclaw skills install daizehua-wq/specq-intel-sales
MCP Server 位址：http://119.91.223.127:8001/mcp（HTTP SSE，已配置 X-API-Key）
WorkBuddy（騰訊桌面 Agent）
在 WorkBuddy 左側「技能」面板搜尋 specq-intel-sales 安裝本 Skill。
安裝後，複製下面這段話發送給 WorkBuddy，它會自動幫你配置 MCP 連線：
幫我配置 SpecQ MCP 伺服器：從 https://github.com/daizehua-wq/Specq-mcp 下載 specq_mcp_client.py 到本地，然後建立 ~/.workbuddy/mcp.json 加上 specq 配置，指令 python specq_mcp_client.py，環境變數 SPECQ_MCP_URL=http://119.91.223.127:8001/mcp，SPECQ_MCP_API_KEY=填入你的金鑰。然後 pip install mcp httpx。
適用場景
電子化學品銷售 / 售前工程師見客戶前，快速獲得結構化攻單情報包。
觸發條件
使用者提供以下任一組資訊即可觸發：
| 觸發模式 | 範例 |
|---|---|
| 三欄位 | "幫我做XX電鍍液的情報包，客戶深南電路，他們關注粗糙度" |
| 查歷史 | "深南電路之前聊了什麼？" |
| 回饋 | "深南成交了" / "丟了，他們嫌價格貴" |
| 多任務 | "幫我做三個情報包：深南+電鍍銅、景旺+蝕刻液、鵬鼎+沉銅" |
依賴 MCP Server（5 個 Tool）
| Tool | 輸入 | 輸出 | 說明 |
|---|---|---|---|
specq_memory | action, query/content/category... | 記憶操作結果 | v1.1 新增：三層記憶 |
specq_generate_intel | product, application, scenario | 八模組情報包 Markdown | 核心生成 |
specq_extract_insights | customer_id（可選）, limit | 結構化洞察 JSON | 暗數據提取 |
specq_log_visit | customer_id, content, visit_date, visit_type | 拜訪記錄 ID | 沉澱拜訪 |
specq_feedback | product, application, outcome, lesson, accuracy_notes | 回饋記錄 | 成交閉環 |
v1.1 工作流程（含三層記憶）
使用者輸入
↓
① 工作記憶檢查（specq_memory.get_plan）
├─ 有未完成任務 → 提示："上次 XX 還沒完成，繼續嗎？"
└─ 新任務 → 繼續
↓
② 長期記憶召回（specq_memory.recall）
→ 語意搜尋該客戶/產品的歷史拜訪、丟單記錄、偏好
↓
③ 提取三欄位（product / application / scenario）
→ 如果三欄位不全 → 追問
↓
④ 暗數據注入（extract_insights + 記憶召回結果）
├─ 有暗數據 → 注入到情報包
└─ 無暗數據 → 標記 [經驗推斷]
↓
⑤ 生成情報包（specq_generate_intel）
↓
⑥ 輸出八模組情報包
【歷史記憶】（獨立上下文區塊）
- 2026-06-20 拜訪：關注粗糙度，競品安美特
- 2026-05-15 丟單：嫌價格高 20%
【本次情報包】（八模組）
...（帶資料來源標註）...
↓
⑦ 寫入長期記憶（specq_memory.save）
→ category=intel, content=本次情報包摘要
↓
⑧ 更新工作記憶（specq_memory.set_plan）
→ 標記當前任務完成
↓
⑨ ⚠️ 必提醒："見完客戶後告訴我結果，我幫你記錄"
分支場景
場景 A：新客戶（無歷史資料）
- 長期記憶召回為空 → 直接呼叫 generate_intel
- 模組 4/5/6 標註
[經驗推斷，暫無銷售資料支撐]
場景 B：老客戶（有記憶資料）
- 先 recall → 召回歷史拜訪 + 丟單記錄
- 注入到獨立上下文區塊【歷史記憶】
- 情報包模組 4/5/6 有真實資料來源標註
場景 C：僅查歷史
- recall → 結構化展示歷史記憶
- 展示後追問："要基於這些資訊生成情報包嗎？"
場景 D：成交回饋
- feedback → 記錄閉環
- 同時 save(category="feedback") 寫入長期記憶
- outcome: won（成交）/ lost（丟單）/ follow_up（跟進中）
場景 E：多任務（v1.1 新增）
- get_plan 檢查進度 → 知道做到哪了
- set_plan 設定/更新任務清單
- 中斷後恢復：使用者說"繼續" → get_plan → 知道從哪開始
Memory 分類體系
| category | 觸發時機 | 範例內容 | 保留策略 |
|---|---|---|---|
visit | log_visit 後自動寫 | "拜訪XX客戶，關注YY指標" | 永久 |
feedback | feedback 後自動寫 | "XX產品丟單，原因：價格高20%" | 永久 |
intel | generate_intel 後自動寫 | "為XX客戶生成YY情報包" | 180 天 |
insight | extract_insights 結構化發現 | "深南電路對粗糙度敏感度：高" | 180 天 |
preference | 使用者顯式偏好 | "David 偏好先看競品對比" | 永久 |
輸出規格
情報包（八模組）
| 模組 | 內容 | 資料來源 |
|---|---|---|
| 1. 產品概覽 | 產品定義、核心功能、適用工藝段 | 公開資料 + knowledge.db |
| 2. 技術指標對比 | 關鍵參數 vs 競品/行業標準 | 公開資料 + 暗數據 |
| 3. 競品格局 | 主要競品、市占、差異化 | 公開資料 |
| 4. 客戶關注指標 | 該客戶/行業重點技術指標 | 暗數據 / [經驗推斷] |
| 5. 切入機會 | 目前該客戶的切入窗口 | 暗數據 / [經驗推斷] |
| 6. 導入障礙 | 歷史丟單原因、技術壁壘 | 暗數據 / [經驗推斷] |
| 7. 行動建議 | 拜訪話術、演示重點、報價策略 | LLM 綜合生成 |
| 8. 參考來源 | 各模組資料來源 + 置信度 | 自動標註 |
歷史記憶（獨立上下文區塊）
每次情報包生成時，在輸出最前面附加歷史記憶區塊：
【歷史記憶】
- 2026-06-20 拜訪深南電路：關注粗糙度（Ra<0.3μm），競品安美特
- 2026-05-15 丟單：嫌價格高 20%，建議下次報價讓步
重要規則
- 記憶優先：每次對話開始必調 recall，有記憶絕不跳過
- 來源透明：每模組標註資料來源，暗數據標註來源，推測標註
[經驗推斷] - 回饋必提醒：每次輸出情報包後必提醒回饋
- 參數不足追問：三欄位提取不全時追問，不猜測
- 保密：情報包不含客戶真實名稱，脫敏為行業標籤
- 工作記憶不丟：多任務時記錄進度，使用者說"繼續"能恢復
MVP 邊界
做：
- 場景 A/B/C/D/E 全部覆蓋
- 三層記憶自動讀寫
- 純 Markdown 輸出
不做：
- 多輪對話深挖需求（單輪優先）
- 自動推送情報包到飛書/郵件
- 競品即時價格
- 記憶合併/去重