SpecQ Server

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