niche-signal-discovery

垂直领域信号发现

快速入门

npm install -g deepline
# Fallback for secure sandboxes: mkdir -p "$HOME/.local" && npm config set prefix "$HOME/.local" && export PATH="$HOME/.local/bin:$PATH" && npm install -g deepline --registry https://code.deepline.com/api/v2/npm/
deepline auth register --wait auto
deepline auth wait --timeout 120 # completes Cowork/browser approval; no-op if already connected
deepline auth status
deepline -h

为客户的决策寻找证据。评分时使用已批准的规则或经过单独评估的模型。短语匹配和普及率本身无法提供评分权重。

任务	阅读
查找短语和买家用语	关键词目录、买家用语研究
构建或审核评分	评分交付
测试规则或评估结果	测试与评估
创建有工件支撑的评分卡	评分卡创建模式
调试有争议的特征或路由	评分诊断
验证技术	技术证据
估算人员配置或需求	容量证据

开始收集前先阅读 deepline-gtm，撰写内容前先阅读 deepline-plays。核实工作区、当前服务商架构和价格。先试点一到两行，并在获批预算内扩大规模前，确保生成的输出通过质量门槛。将导出文件和回执保存在持久化项目目录中。重新评分时复用已收集的证据。

工作流

1. 定义产品、决策日期、预测周期、目标群体、分析单位和所需输出。在付费收集前，确定可执行的模型和用于一致性检验的独立预期得分，或用于预测评估的历史证据和未触碰过的标签。缺少前置条件时，该测试应保持受阻；经授权的研究仍可继续。将匹配度、互动度、容量和覆盖率分开处理。仅使用所需维度：account_fit、account_engagement、lead_fit、lead_engagement。组合优先级策略必须保留其组成部分。
2. 解析身份、母级群组和相互冲突的结果。选择特征前，按时间和母级实体划分发现集与验证集。保留完整的目标群体。开放账户和随机备选项的结果均为未知；相似对象不等于成功案例。将获客、续约和扩展分开处理。
3. 从相关公开来源研究工作流、问题、角色、系统和反例。沿用观察到的买家用语和来源 URL。先在不使用标签的情况下挖掘发现文档，再依据证据审查概念及其别名。保留稀有且结论不明的候选项。将报告正文和结果摘要排除在语料之外。
4. 使用质量门槛检查数据收集情况。引用提升幅度前，先按来源和结果报告覆盖率。比较仅基于覆盖率的模型，并在两种结果都有足够观测数据时评估相应特征。插补数据或删除缺失标记仍可能编码出收集偏差。将失败、部分成功和空结果区分开来。
5. 检查每项特征实际测量的内容。评价不是通话，职位发布不是招聘成功，提及软件或提供门户链接也不能证明已安装。将 Google 评价、Yelp、流量估算和站点地图计数分开处理。根据实际测量值验证代理指标。将 AE 发现、商机和结果字段排除在联系前匹配度评估之外。要求提供证据，证明每个输入在决策日期均已可用；当前的丰富化数据无法验证过去的预测。
6. 在验证前冻结提取规则、别名、模型和参考材料。在训练折内进行特征选择、插补和调参。遵循评分注意事项和信号解读。记录每个尝试过的模型和失败的比较。重复使用留出集来改进规则会消耗该留出集。
7. 对于评分，交付一个经过检查的 Play，用于解析标识符、丰富行数据并返回所需输出。遵循评分交付，并以测试与评估收尾。分别证明与现有输出的一致性和预测效用。缺失的行应保持未评分，并注明原因。对于需要实时丰富化的请求，缓存回放仅构成部分交付。
8. 使用报告模板，为每个工作区交付一份易读的报告。将目标定位发现、排名账户、评分规则、可运行的 Play 和评估结果汇总到报告中；在末尾链接完整表格和原始证据。明确标注受支持的状态：research_only、replay_only、exploratory_end_to_end 或 validated_for_named_use_case。要提升状态，必须使用未触碰过的评估数据，针对现有规则和简单基线进行评估，提供不确定性估计，并说明业务验收阈值。精选成功案例或百分位配额无法证明效用。

输入和命令

CSV 列：domain,status,website,jobs；可选列：account_id,parent_id,split,known_at,scored_at。状态：won|lost|lookalike|unlabeled。合并重复观测，同时保留其来源。通过明确的队列规则解决标签冲突；绝不要丢弃某个域名的所有重复项。

新工作请使用选择加入的 *_v2.py 辅助脚本。未带版本号的脚本保留现有接口。切换版本前，明确更新使用方。

python3 scripts/analyze_signals_v2.py --input accounts.csv --discover-phrases \
  --max-phrases 500 --min-phrase-accounts 2 --output candidates.json

python3 scripts/analyze_signals_v2.py --input accounts.csv \
  --keywords keywords.json --tools tools.json --job-roles roles.json \
  --partition discovery --evidence-limit 12 --output discovery.json

挖掘器使用来自发现账户的 2–5 词 n-gram，并兼顾来源和短语长度的多样性。它会忽略标签和验证文档。它无法理解否定，也不会生成同义词。请检查匹配项、未匹配项、买方／卖方上下文和错误公司的文本。对于带标签的稀有短语扫描，请使用 --min-phrase-accounts 1。报告截断情况，并在需要时提高上限。

配置将类别映射到字符串列表，或映射到 {"name":"concept","aliases":["phrase","explicit stem*"]}。字符串按精确短语边界匹配。角色匹配职位名称；描述职责时请使用关键词概念。

验证需要 --partition validation --manifest frozen.json。清单包含 analyzer_sha256、带时区的 frozen_at，以及 keywords,tools,job_roles 的 config_sha256 哈希。请在评分前冻结。每行都要求 known_at <= scored_at，其中 known_at 应反映所有纳入来源的最新可用时间。脚本无法验证时间戳的来源。在联系之前进行评分时，应采用交付合同中更严格的截止时间。

V2 返回 signals[]、statistics、method、config_sha256 和 scoring_eligible:false。其指标是经 Jeffreys 平滑的 P(feature|won)/P(feature|lost)，并非胜率提升。Wilson 区间描述普遍率；Fisher p 值和 BH/BY q 值涵盖该次调用中配置的检验。它们假设账户彼此独立，不会校正父级聚类、选择偏差或未披露的重复实验。包括验证分区运行在内，所有输出仍属探索性结果。

来源适配器

• 网站：{"data":{"results":[{"url":"...","title":"...","text":"..."}]}}、pages、直接文本／Markdown 记录，以及已知的 toolResponse.rawV2/raw 包装格式。
• 职位：{"result":{"listings":[{"title":"...","description":"...","url":"..."}]}}、jobs[].job_details、job_listings 和 JSON:API data[].attributes。
• 保留来源 ID 和日期。每种新的数据形状都添加一个 fixture 和适配器。不支持或格式错误的负载会导致失败。
• 空的 jobs 数组表示该查询没有返回记录；保留其筛选条件和限制。空的网站抓取结果表示覆盖范围未知。两者都不能证明人员配置情况、当前空缺职位或业务特征不存在。
• 名为 website/jobs 的表头会自动检测。旧版位置列需要显式指定索引。重复表头、无效标签和未解决的混合结果都会导致失败。

验证

请遵循测试与评估中的验收合同。可执行评估套件将与本次技能变更分开交付。请将实现回放、实时补充数据和预测验证区分开来，并报告缺失的前置条件。

请勿将客户规则、案例和凭证放入已发布的技能中。将已验证信号视为假设。对于可选联系人，请使用当前 GTM 工作流以及去重／潜客开发指南；本地联系人辅助工具只会导出候选名单。请勿根据 LinkedIn slug 推断姓名，也不要将域名匹配视为电子邮件验证。