# SpecQ Skill v2.3

> **半导体产业链销售攻单情报包** — 输入客户+产品，输出结构化攻单策略。

---

## 为什么是 SpecQ

电子化学品销售的核心痛点：**每次拜访都在重复造轮子**。

同一个客户上次聊了什么？哪家竞品报了价？丢单是因为价格还是技术指标？——这些"暗知识"散落在微信、笔记本、脑子里，没有结构化沉淀。

SpecQ 做一件事：**整理暗知识 → 生成攻单情报包 → 提高成交率**。

---

## 产品演进

| 阶段 | 形态 | 定位 |
|------|------|------|
| v1.x | Web + 小程序 + App | 全栈知识引擎 |
| v2.0 | MCP Server | 跨 Agent 情报工具 |
| v2.1-2.2 | AI Agent Skill | 对话即用的销售助手 |
| **v2.3** | **MCP Sampling** | **零配置复用 Agent LLM** |

---

## 核心能力

```
暗知识（拜访记录+丢单复盘+竞品情报）
  ↓
客户画像 + 使用场景 + 竞品动态 + 成交策略
  ↓
攻单情报包（八模块结构化输出）
  ↓
提高成交率
```

---

## v2.3 亮点：零配置

**不再需要单独配置 LLM_API_KEY。** SpecQ 通过 MCP Sampling 协议直接复用 Agent 的 LLM，安装即可使用。

---

## 怎么用

打开 AI Agent（Claude Code / OpenCode / Cursor），说：

> "帮我做 XX 电镀液的情报包，客户深南电路，他们关注粗糙度"

AI 会自动：
1. 召回该客户的历史拜访和丢单记录
2. 搜索在线竞品动态
3. 注入销售暗数据
4. 生成八模块攻单情报包
5. 见完客户后提醒记录成交/丢单反馈

---

## 阶段一：电子化学品

- **输入**：产品名称 + 应用场景 + 销售目标
- **输出**：八模块攻单情报包（Markdown）
- **目标用户**：FAE / 销售工程师

---

## 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 |
| 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、差异化 | 公开资料 |
| 4. 客户关注指标 | 该客户重点技术指标 | 暗数据 |
| 5. 切入机会 | 当前切入窗口 | 暗数据 |
| 6. 导入障碍 | 历史丢单原因、技术壁垒 | 暗数据 |
| 7. 行动建议 | 拜访话术、演示重点、报价策略 | LLM 综合 |
| 8. 参考来源 | 各模块来源 + 置信度 | 自动标注 |

---

## 数据安全与隐私

- 情报包输出中客户真实名称**自动脱敏**为行业标签
- 暗数据存储在本地的 ChromaDB 和 JSON 文件中，**不上传任何第三方服务器**
- 整个 Skill 支持内网部署，LLM 调用通过 MCP Sampling 由 Agent 统一管理
- v2.3 起不再需要单独配置 API Key

---

## 文件结构

```
├── SKILL.md           # Skill 定义（Agent 工作流 + 触发方式）
├── README.md           # 本文件
├── mcp_server.py       # MCP Server 主入口（6 Tool）
├── memory.py           # 三层记忆（ChromaDB + embedding）
├── search.py           # 联网搜索
├── multimodal.py       # 多模态输入
├── output.py           # 多格式输出
├── docs/               # 设计文档
└── requirements.txt
```

---

## 许可证

Apache License 2.0