company-radar

公司雷达

竞争情报编排器。 输入公司名称，在 8 个以上平台上并行开展研究，按 0–100 的热度量表为每家公司评分，并生成包含 AI 简报的结构化雷达报告。

这是一项编排技能。它将数据收集工作委托给现有的 opendirectory 微技能，并协调它们的输出——而不是取代这些技能。

---

架构

INPUT: Company name(s) / URL(s)
        |
  [1. Profile Phase] -- Web research to build company profiles
        |
  [2. Signal Collection] -- Parallel platform research (8 channels)
       / | | | | | \ \
      GH TW RD HN PH YC WEB MEDIA
        |
  [3. Scoring Engine] -- 4-dimension heat score (0-100)
        |
  [4. AI Synthesis] -- Executive briefing generation
        |
OUTPUT: Radar Report + Per-Company Deep Dives

信号渠道及其 Opendirectory 映射

渠道	Opendirectory 技能	检测内容
GitHub	gh-issue-to-demand-signal + 网络搜索	Stars、fork、提交、发布、交付速度
Twitter/X	twitter-GTM-find-skill	推文、提及、互动、创始人动态
Reddit	reddit-icp-monitor、reddit-post-engine	社区情绪、痛点、热度
Hacker News	hackernews-intel	帖子提及、得分、首页信号
Product Hunt	producthunt-launch-kit	发布、投票、创作者动态
YC Jobs	yc-intent-radar-skill / yc-jobs-scraper	职位列表、招聘部门、增长信号
网络 / 媒体	Tavily 搜索 + competitor-pr-finder	新闻、产品公告、融资
定价	pricing-finder	定价变更、套餐更新、方案结构
市场定位	map-your-market	ICP、竞争格局、信息传达差距

---

常见错误

Agent 会想要……	为什么不对
按顺序运行技能	所有 8 个信号渠道彼此独立，必须并行运行。
臆造 GitHub Star 数或招聘人数	每个数据点都必须能追溯到具体搜索结果或技能输出。不能写“约 500 个 Star”。
跳过热度评分计算	雷达报告必须包含评分结果，不能只是原始数据罗列。热度评分是核心差异化所在。
因某项技能失败而输出不完整报告	一个渠道失败不会阻碍完整报告。根据已有数据评分，并注明缺失项。
使用 AI 训练知识撰写公司简介	每份公司简介都必须基于实时网络研究，而非记忆。
忘记根据热度评分评定活跃度	热度评分有明确阈值：高（60+）、中（30–59）、低（1–29）、休眠（0）。

---

步骤 1：检查设置

检查用户所用平台支持的渠道是否可以访问所需 API 密钥：

if [ -z "$TAVILY_API_KEY" ]; then echo "TAVILY_API_KEY: NOT SET -- required for web enrichment"; else echo "TAVILY_API_KEY: configured"; fi
if [ -z "$GITHUB_TOKEN" ]; then echo "GITHUB_TOKEN: not set -- GitHub API rate limited to 60 req/hr"; else echo "GITHUB_TOKEN: configured"; fi

所编排的具体技能各自有 API 密钥要求。请查看每项技能的 SKILL.md 了解详情。完整运行所需的密钥：

• TAVILY_API_KEY —— 网络搜索和公司信息补充（在 app.tavily.com 获取）
• GITHUB_TOKEN —— GitHub API 访问权限（在 github.com/settings/tokens 获取）

如果缺少 TAVILY_API_KEY：停止并告知用户。没有它，无法进行公司画像和网络信息补充。

---

步骤 2：解析输入

从对话中收集：

• companies：要跟踪的公司名称 / URL 列表（必填，每次运行至少 1 家，最多 10 家）
• output_preference：“完整报告”（默认）、“仅提醒”、“仅简报”或“仅热度评分”（仅排行榜表格和评分，不做深入分析）
• timeframe：“实时”（默认）、“上周”或“上月”

**如果用户只提供一家公司的名称：**仍然运行完整的雷达流程。单公司雷达有效——获取完整画像。

**如果公司超过 10 家：**告诉用户“每次雷达扫描最多支持 10 家公司。我会先处理前 10 家。如果你想替换其中任何一家，请告诉我。”

询问用户是否知道任何公司的具体账号信息：

• GitHub 组织名称（如果与公司名称不同）
• Twitter 账号
• YC 批次（如果是 YC 公司）
• Product Hunt slug

这能节省研究时间。如果用户不知道，画像阶段会负责查找。

---

步骤 3：公司画像阶段

对每家公司，在开展平台研究之前先建立基本画像。

步骤 3a：初步网络信息补充

对每家公司运行 Tavily 搜索，以查找：

[company name] official website twitter github linkedin producthunt yc founders

从搜索结果中提取：

• 域名／网站 URL
• 描述（2-3 句）
• Twitter 账号（从结果中的 twitter.com/X.com URL 获取）
• GitHub 组织（从 github.com URL 获取）
• LinkedIn URL
• Product Hunt 标识
• YC 批次和 URL（如适用）
• 创始人姓名和 Twitter 账号

输出格式： 为每家公司生成一个符合 references/company-profile-format.md 的资料对象。

步骤 3b：向用户确认

显示发现的资料，并请用户确认或更正，然后再继续。

## Discovered Company Profiles

| Company | Domain | Twitter | GitHub | YC Batch | Founders |
|---|---|---|---|---|---|
| ... | ... | ... | ... | ... | ... |

Correct any incorrect handles before I proceed to signal collection?

等待用户确认。不要跳过此步骤——错误的账号会导致信号错误。

---

步骤 4：并行收集信号

现在针对所有已确认的公司，并行开展所有平台的调研。

信号收集图

针对每个平台，使用适当的方法。同时运行所有平台，不要依次运行。

GitHub 信号

使用网络搜索（Tavily）查找 GitHub 组织，然后搜索：

github.com/[org] stars forks commits

提取：

• 仓库总星标数
• 总复刻数
• 最近提交（过去 7 天）
• 最近发布版本（过去 30 天）
• 最近推送日期
• 主要编程语言
• 未解决 Issue 数量

或者调用 gh-issue-to-demand-signal skill，深入分析 GitHub Issues 中的需求信号。

Twitter/X 信号

使用 twitter-GTM-find-skill 或 Tavily 搜索：

twitter.com/[handle] site:twitter.com [company] startup

提取：

• 最近推文数量（过去 24 小时）
• 提及量
• 创始人的推文活跃度
• 关键主题／话题标签

Reddit 信号

使用 reddit-icp-monitor 方法或 Tavily 搜索：

site:reddit.com [company name] [product category]

提取：

• 提及数量
• 帖子得分（赞数）
• 情绪（正面／负面／混合）
• 主要抱怨或赞扬
• 相关 subreddit

Hacker News 信号

使用 hackernews-intel 方法或 HN Algolia API 搜索：

site:news.ycombinator.com [company name]

提取：

• 文章数量
• 总积分
• 首页文章
• 关键主题

Product Hunt 信号

使用 producthunt-launch-kit 方法或 Tavily 搜索：

site:producthunt.com [company name] products

提取：

• 最近发布
• 赞数
• 评论／情绪
• 发布频率

YC 招聘信号

使用 yc-intent-radar-skill／yc-jobs-scraper 方法或 Tavily 搜索：

site:workatastartup.com [company name] OR site:ycombinator.com/companies [company name]

提取：

• 招聘职位数量
• 职位名称／角色
• 部门分布（工程、销售、市场营销等）
• 地点／远程办公状态

网络／媒体报道信号

使用 Tavily 搜索：

[company name] funding announcement product launch news 2026

提取：

• 最近的融资轮次
• 产品发布
• 媒体报道中宣布的关键招聘
• 合作伙伴公告

定价信号（可选，用户需要定价情报时运行）

使用 pricing-finder skill 或 Tavily 搜索：

[company name] pricing plans 2026

提取：

• 定价层级
• 套餐结构变更
• 免费套餐与付费套餐

处理失败情况

• 如果任何渠道返回 0 条结果，在报告中注明“未检测到信号”
• 如果任何 skill 不可用（缺少 API 密钥），注明“渠道不可用”
• 绝不要凭记忆编造数据。若无法找到数据，请标记为未找到。
• 单个渠道没有结果，不会使整份报告失效。

---

步骤 5：热度评分计算

使用随附的 scripts/heat-score-calc.mjs 为每家公司评分。此脚本实现了 references/heat-score-methodology.md 中的四维评分算法。

运行方法

将所有信号数据收集到符合此架构的 JSON 文件中：

{
  "companies": [{
    "name": "CompanyName",
    "signals": {
      "stars": null, "forks": null, "ph_votes": null,
      "commits_week": null, "releases_month": null,
      "active_shipping": false, "last_activity_days": null,
      "tweets_24h": null, "mentions": null,
      "reddit_posts": null, "reddit_score": null,
      "hn_stories": null, "hn_points": null,
      "youtube_videos": null,
      "jobs": null, "dept_count": null,
      "sentiment": null, "traction": null
    }
  }]
}

为每个字段填入发现的值。未找到的内容留空为 null——脚本会将 null 视为 0。

然后运行：

node scripts/heat-score-calc.mjs --file signals.json

或通过管道传入：

echo '{"companies":[...]}' | node scripts/heat-score-calc.mjs

返回内容

脚本输出包含各公司结果的 JSON：

{
  "generated_at": "2026-05-29T...",
  "company_count": 3,
  "companies": [
    {
      "name": "Vercel",
      "heat_score": 89,
      "level": "High",
      "dimensions": {
        "authority": { "score": 25, "max": 25, "breakdown": {...} },
        "shipping": { "score": 25, "max": 25, "breakdown": {...} },
        "social": { "score": 17, "max": 25, "breakdown": {...} },
        "growth": { "score": 22, "max": 25, "breakdown": {...} }
      },
      "alerts": [...]
    }
  ]
}

每家公司包含：

• heat_score — 总分 0-100
• level — 高（60+）、中（30-59）、低（1-29）、休眠（0）
• dimensions — 各维度的得分、满分和分项明细
• alerts — 自动检测到的重要信号

评分规则（在脚本中实现）

以下是脚本采用的公式。此处将其记录下来以确保透明：

维度	信号	最高分
权威性	GitHub 星标数（min(15, stars/1000*3)）、分叉数（min(5, forks/200*2)）、PH 投票数（min(5, votes/100*5)）	25
发布情况	每周提交数（min(10, commits*2)）、每月发布数（大于 0 时得 5 分）、活跃标记（5 分）、近期活跃情况（少于 7 天得 5 分，少于 30 天得 3 分）	25
社交影响力	推文（5 分）、提及（5 分）、Reddit 帖子（3 分）+ 得分（2 分）、HN 故事（4 分）+ 点数（3 分）、YouTube（3 分）	25
增长情况	职位（min(10, jobs*3)）、部门多样性（min(5, dept_count*2)）、AI 情绪（5 分）、AI 吸引力（5 分）	25

• 每个维度最高 25 分。缺失的信号计 0 分。切勿估算数据。
• 完整方法和边缘情况见 references/heat-score-methodology.md。

---

第 6 步：生成 AI 高管简报

对于评分高于 0 的每家公司（即检测到任意信号的公司），使用收集到的数据生成 AI 高管简报。

简报必须涵盖：

**Executive Brief: [Company Name]**

**Context:** 1-2 sentences on what they do and their market position
**Heat Score:** [score]/100 — [Activity Level]

**Recent Activity:**
- Product: key product or launch signals found
- Hiring: hiring status, departments, notable roles
- Community: sentiment summary from Reddit/HN/Twitter

**Threat Assessment:**
- Competitive threat level: [Low / Medium / High]
- Rationale: 2-3 sentences on why

**Key Signal (most important takeaway):**
One sentence on the single most important thing happening with this company.

**Data Confidence:**
What channels had good data vs what was missing.

规则：

• 简报中的每项主张都必须有收集到的数据作为依据
• “数据置信度”部分为必填项——如实说明数据缺口
• 威胁评估应与雷达图中的其他公司进行比较，而不是孤立评估
• 每份简报不得超过 250 个词

---

第 7 步：汇总并输出雷达报告

将所有内容整理成结构化的雷达报告。具体输出结构见 references/radar-report-template.md。

报告应包括：

1. 执行摘要 — 核心发现及公司排名
2. 热度评分排行榜 — 所有公司的排名表
3. 逐家公司深入分析 — 每家公司均包含完整档案、信号数据、评分细目和 AI 简报
4. 信号提醒 — 检测到的显著事件（招聘激增、病毒式传播、发布）
5. 数据质量说明 — 哪些渠道有数据，哪些渠道缺失

以 Markdown 格式输出，可直接复制到 Slack、Notion、Google Docs 或电子邮件中。

---

第 8 步：可选 — 设置定期雷达监测

如果用户希望持续监测：

1. 保存公司列表和 API 配置
2. 设置 cron 计划（GitHub Actions 或系统 cron）
3. 每次运行都会生成一份更新后的报告
4. 配置评分变动提醒（例如：“任何公司分数跃升 20 分以上时发出提醒”）

此技能是一个协调器——每次运行都会重新执行完整流程。