company-research

公司研究

发现并深入研究潜在销售对象公司。使用 Browserbase Search API 进行发现，并采用 Plan→Research→Synthesize 模式深入补充信息，最终输出带评分的研究报告和 CSV。

必需项：BROWSERBASE_API_KEY 环境变量和已安装的 browse CLI。

首次运行设置：首次运行时，系统会提示你批准 browse cloud fetch、browse cloud search、cat、mkdir、sed 等命令。对每项命令选择 “Yes, and don't ask again for: browse cloud fetch:*”（或等效选项），即可在本次会话中自动批准。若要永久批准，请将以下内容添加到 ~/.claude/settings.json 的 permissions.allow 下：

"Bash(browse:*)", "Bash(bunx:*)", "Bash(bun:*)", "Bash(node:*)",
"Bash(cat:*)", "Bash(mkdir:*)", "Bash(sed:*)", "Bash(head:*)", "Bash(tr:*)", "Bash(rm:*)"

路径规则：所有 Bash 命令中始终使用完整的字面路径，不要使用 ~ 或 $HOME（两者都会触发“shell expansion syntax”批准提示）。解析一次主目录，并在所有地方使用该路径。构造子 Agent 提示词时，将 {SKILL_DIR} 替换为完整的字面路径。

输出目录：所有研究输出都写入 ~/Desktop/{company_slug}_research_{YYYY-MM-DD}/。该目录包含每家受研究公司的一个 .md 文件，以及最终的 .csv 文件。用户的桌面上会同时保存带评分的电子表格和完整的研究文件。

重要 — 工具限制（适用于主 Agent 和所有子 Agent）：

• 所有网页搜索：使用 browse cloud search。绝不能使用 WebSearch。
• 所有页面内容提取：使用 node {SKILL_DIR}/scripts/extract_page.mjs "<url>"。该脚本通过 browse cloud fetch --output 获取内容，解析标题、meta 标签和可见正文文本；如果获取失败或返回的 JavaScript 渲染内容过少，则会自动回退到 browse get markdown。绝不能手动拼接 browse cloud fetch | sed 管道——它会剥除 meta 标签，且不会解析 stdout JSON 信封。绝不能使用 WebFetch。
• 所有研究输出：子 Agent 必须使用 bash heredoc，将每家公司一个 Markdown 文件写入 {OUTPUT_DIR}/{company-slug}.md。绝不能使用 Write 工具或 python3 -c。文件格式参见 references/example-research.md。
• 报告和 CSV 编译：使用 node {SKILL_DIR}/scripts/compile_report.mjs {OUTPUT_DIR} --open — 一步生成 HTML 报告和 CSV，并在浏览器中打开概览。
• URL 去重：发现后使用 node {SKILL_DIR}/scripts/list_urls.mjs /tmp。
• 子 Agent 只能使用 Bash 工具。不得使用其他工具。
• 主 Agent 绝不能读取原始发现 JSON 批处理文件。 使用 list_urls.mjs 进行去重。

重要 — 防止幻觉的规则（适用于主 Agent 和所有子 Agent）：

• 绝不能根据网站的字体、框架（Framer/Next.js/React）、设计系统或排版推断 product_description、industry 或 target_audience。这些只是外观元素，不能说明公司销售什么。
• 绝不能让用户自己的 ICP 影响目标公司的描述。如果不清楚目标公司的业务，就写 Unknown — 不要将其套用到 ICP。
• product_description 必须引用或转述 extract_page.mjs 输出（TITLE、META_DESCRIPTION、OG_DESCRIPTION、HEADINGS 或 BODY）中的具体短语。如果这些字段都没有提供可识别的产品描述，就写 Unknown — homepage content not accessible。
• 如果 product_description 为 Unknown，则 icp_fit_score 最高设为 3，并将 icp_fit_reasoning 设为 Insufficient evidence — homepage returned no readable content。

重要 — 尽量减少权限提示：

• 子 Agent 必须通过一条 Bash 调用，使用串联的 heredoc 批量完成所有文件写入。一次 Bash 调用 = 一次权限提示。
• 使用 && 链接，在一条 Bash 调用中批量完成所有搜索和所有抓取。

Pipeline 概览

请按顺序完成以下 5 个步骤。不要跳过或调换顺序。

1. 公司调研 — 深入了解用户的公司、产品及其目标客户
2. 深度模式选择 — 根据用户想要的目标公司数量选择调研深度
3. 发现 — 使用多种搜索查询寻找目标公司
4. 深度调研与评分 — 调研每家公司，并评估其与 ICP 的匹配度
5. 报告与 CSV — 呈现调研结果，并汇总评分后的 CSV

---

步骤 0：设置输出目录

开始前，在用户的桌面上创建输出目录：

OUTPUT_DIR=~/Desktop/{company_slug}_research_{YYYY-MM-DD}
mkdir -p "$OUTPUT_DIR"

将 {company_slug} 替换为用户的公司名称（小写，以连字符连接），并将 {YYYY-MM-DD} 替换为今天的日期。将 {OUTPUT_DIR}（完整的字面路径，不带 ~）传递给所有子 Agent 提示词，以便它们将调研文件写入该目录。

另外，清理之前运行时留下的发现批次文件：

rm -f /tmp/company_discovery_batch_*.json

步骤 1：深入调研公司

这是最重要的一步。后续所有工作的质量都取决于是否深入了解用户的公司。

1. 询问用户的公司名称或 URL

2. 检查是否已有档案：

   • 列出 {SKILL_DIR}/profiles/ 中的文件（忽略 example.json）
   • 如果存在匹配的档案 → 加载档案并向用户展示：“我这里有你在 {researched_at} 调研的档案。信息仍然准确吗？”如果是 → 跳至步骤 2。
   • 如果不存在档案 → 继续进行以下深度调研。

3. 按照 Plan→Research→Synthesize 模式，对用户的公司进行全面深度调研。 关于子问题模板和调研方法，请参阅 references/research-patterns.md。

   主要调研步骤：

   • 搜索：browse cloud search "{company name}" --num-results 10
   • 获取主页：node {SKILL_DIR}/scripts/extract_page.mjs "{company website}"
   • 通过站点地图发现网页（不要硬编码 /about 或 /customers 等路径）：
     1. browse cloud fetch --allow-redirects "{company website}/sitemap.xml" — 站点地图文件很小，直接使用原始 browse cloud fetch 即可
     2. 扫描包含以下关键词的 URL：customer、case-stud、pricing、about、use-case、industry、solution
     3. 也可以选择获取 /llms.txt，了解网页描述
     4. 选取最相关的 3-5 个 URL，并使用 extract_page.mjs 获取内容（不要使用原始 browse cloud fetch）
   • 搜索外部背景信息和竞争对手
   • 累积调研发现，并标注置信度

   综合整理为档案： 公司、产品、现有客户、竞争对手、用例。 不要包含 ICP 或细分垂直领域——这些是每次运行时单独决定的内容。

4. 向用户展示档案以供确认。确认前不要继续。

5. 将已确认的档案保存到 {SKILL_DIR}/profiles/{company-slug}.json

6. 使用带复选框的 AskUserQuestion 提出澄清问题：

   • “你要定位哪些细分市场？”选项根据公司调研得出
   • “公司规模阶段？”— 初创公司、中型市场、企业、全部
   • “需要多少家公司／何种深度？”— 快速（约 100 家）、深度（约 50 家）、更深入（约 25 家）
   • 这是唯一一次与用户互动。之后请静默执行，直到结果准备就绪。

步骤 2：深度模式选择

模式	每家公司的调研量	适用场景
quick	主页 + 1-2 次搜索	约 100 家公司，广泛扫描
deep	2-3 个子问题，5-8 次工具调用	约 50 家公司，扎实调研
deeper	4-5 个子问题，10-15 次工具调用	约 25 家公司，全面了解

第 3 步：发现

公式：需要 ceil(requested_companies / 35) 个搜索查询。多发现约 2-3 倍的对象，因为筛选通常会淘汰 50-70%。

按以下模式生成搜索查询：

• 行业 + 公司阶段 + 地理位置（“fintech startups series A Bay Area”）
• 技术栈 + 用例（“companies using Selenium for web scraping”）
• 竞争对手关联（“alternatives to {known company in ICP}”）
• 买家角色 + 痛点（“engineering teams struggling with browser automation”）

流程：

1. 一次性启动所有发现子 Agent（每条消息最多约 6 个）。每个子 Agent 在单次 Bash 调用中运行其查询：

   browse cloud search "{query}" --num-results 25 --output /tmp/company_discovery_batch_{N}.json
   

2. 所有轮次完成后，去重：node {SKILL_DIR}/scripts/list_urls.mjs /tmp
3. 筛选 URL 列表——移除：
   • 博客文章、新闻报道（globenewswire.com、techcrunch.com 等）
   • 目录/聚合网站（tracxn.com、crunchbase.com、g2.com）
   • 用户自己的竞争对手和现有客户（来自个人资料） 仅保留公司主页。

有关子 Agent 提示词模板和轮次管理，请参阅 references/workflow.md。

第 4 步：深入研究与评分

启动子 Agent，并行研究各家公司。有关信息补充子 Agent 提示词模板，请参阅 references/workflow.md。有关完整的研究方法，请参阅 references/research-patterns.md。

流程：

1. 将筛选后的 URL 分组分配给各子 Agent（快速：约 10 个，深入：约 5 个，更深入：约 2-3 个）

2. 一次性启动所有信息补充子 Agent（每条消息最多约 6 个）

3. 每个子 Agent 仅使用 Bash——针对每家公司：

   阶段 A — 规划（快速模式下跳过）： 根据 ICP 和信息补充字段，将任务拆分为 2-5 个子问题。

   阶段 B — 研究循环： 搜索并获取页面，提取发现。遵守步骤预算（快速：2-3，深入：5-8，更深入：10-15）。

   阶段 C — 综合： 根据证据评估 ICP 匹配度，评分为 1-10。根据发现填写信息补充字段。

4. 子 Agent 使用单次 Bash 调用，通过串联的 heredoc 将所有 Markdown 文件写入 {OUTPUT_DIR}/

5. 所有子 Agent 完成后，继续第 5 步

重要：在每个子 Agent 提示词中逐字包含已确认的 ICP 描述。将完整的字面 {OUTPUT_DIR} 路径传递给每个子 Agent。

第 5 步：报告与 CSV

1. 生成 HTML 报告 + CSV（自动在浏览器中打开概览）：

   node {SKILL_DIR}/scripts/compile_report.mjs {OUTPUT_DIR} --open
   

   这将生成：

   • {OUTPUT_DIR}/index.html — 带评分表格的概览页面（在浏览器中打开）
   • {OUTPUT_DIR}/companies/*.html — 各公司页面（从概览页面链接）
   • {OUTPUT_DIR}/results.csv — 评分电子表格，可导入表格工具/CRM

2. 同时在聊天中提供摘要：

## Company Research Complete

- **Total companies researched**: {count}
- **Depth mode**: {mode}
- **Score distribution**:
  - Strong fit (8-10): {count}
  - Partial fit (5-7): {count}
  - Weak fit (1-4): {count}
- **Report opened in browser**: ~/Desktop/{company_slug}_research_{date}/index.html

3. 在表格中按 ICP 评分排序，展示排名靠前的公司：

| Company | Score | Product | Industry | Fit Reasoning |
|---------|-------|---------|----------|---------------|
| Acme | 9 | AI inventory management | E-commerce SaaS | Series A, uses Selenium, expanding to EU |

4. 对于排名前 3-5 的公司，提供简要研究摘要——关键发现、适配度高的原因，以及联系他们时可采用的具体切入角度。

可提出进一步深入研究特定公司、调整评分标准，或使用不同查询重新运行发现流程。