shadow-company-intel-scout（影子公司英特尔侦察兵）

SKILL.md - 公司情报侦察

名称： 公司情报侦察 v2.0 触发： 用户提供公司 URL、公司名、或批量 JSON，要求建档/背调/找联系人/查邮箱 执行： SHADOW Agent 直接调用工具完成全流程 输出： 本地档案 + OKKI 建档 + 有效邮箱列表 + 推理分析

📋 完整工作流（SHADOW 亲自执行）

Phase 1: 网站背调 → Phase 2: 联系人挖掘 → Phase 3: 邮箱验证 → Phase 4: 写入 OKKI → Phase 5: 推理层

批量模式： 用户提供 companies.json 数组 → 逐个处理 → 输出汇总报告 summary.md

Phase 0: 红线检测（新增 · P0）

在开始任何工作前，先运行红线检测。触发任一项 → 立即跳过。

输出格式：

### Phase 0 红线检测
- [✅ 通过] 无红线
- 或 [🚫 触发] 具体红线 + 原因

Phase 1: 网站背调

工具： web_fetch + web_search

1. web_fetch 目标 URL（contact-us / about / 首页）
2. web_fetch 补充页面（/about/, /career/, /team/, /products/）
3. web_search 公司名（获取 LinkedIn / ZoomInfo / Moneyhouse / Glassdoor 等外部来源）
4. 交叉验证：至少 2 个独立来源确认同一信息

提取字段：

• 公司全称、简称、国家、地址
• 电话、邮箱、网站
• 成立时间、营业额、员工规模
• 业务类型、产品线、代理品牌
• 核心团队（官网 + LinkedIn 列出的）
• Farreach 相关性信号： 是否卖 HDMI/DP/USB/Ethernet 线材、是否有 OEM 需求

Phase 2: 联系人挖掘（增强 · P1）

工具： web_search

Step 1: 找 LinkedIn 员工

1. site:linkedin.com/in "{公司名}" — 找员工 LinkedIn
2. "{公司名}" "CEO" OR "Founder" OR "Director"
3. "{公司名}" "buyer" OR "purchasing" OR "category manager"
4. "{公司名}" "sales director" OR "head of sales" — 卖电子产品的人很可能也卖线

Step 2: 推导邮箱格式

1. 从 RocketReach / Hunter.io / Apollo.io snippet 找已知邮箱
2. "{公司名}" "{人名}" email — 验证已知人名
3. 分析已确认的邮箱，推导格式：
   - first@domain.com（最常见）
   - first.last@domain.com
   - f.last@domain.com
   - first@domain.com（小公司常见）
4. 基于推导的格式，为每个目标联系人生成邮箱候选

Step 3: 关键角色优先级

Phase 3: SMTP 邮箱验证（零风险）

工具： exec 运行 Python 脚本

import socket
import time

emails = ['artur@domain.com', 'info@domain.com', ...]
mx = 'mail.domain.com'  # 从 dig MX 获取

for email in emails:
    s = socket.create_connection((mx, 25), timeout=15)
    s.settimeout(15)
    s.recv(1024)
    s.send(b"EHLO gmail.com\
\
")
    time.sleep(2)
    s.recv(4096)
    s.send(b"MAIL FROM:<test@gmail.com>\
\
")
    time.sleep(2)
    s.recv(512)
    s.send(f"RCPT TO:<{email}>\
\
".encode())
    time.sleep(2)
    resp = s.recv(512).decode()
    code = resp[:3]  # 250 = 有效，550 = 不存在
    s.send(b"QUIT\
\
")
    s.close()
    time.sleep(3)  # 每个邮箱间隔 3 秒

⚠️ 关键：

• 必须 time.sleep(2~3)，否则超时
• 只到 RCPT TO，绝不发 DATA
• 每个邮箱之间间隔 3 秒

Phase 4: 写入 OKKI

工具： exec 调 OKKI CLI

4a. 本地存档：

intelligence/clients/{Company_Name}.md

4b. OKKI 新建客户：

data = {
    'name': '公司全称',
    'short_name': '简称',
    'country': 'ISO两位码',
    'address': '详细地址',
    'homepage': 'https://...',
    'user_id': 56785529,  # Jordan
    'group_id': 0,
    'pool_id': 0,
    'is_public': 0,
    'remark': '关键信息摘要',
    'customers': [
        {'first_name': '名', 'last_name': '姓', 'position': '职位', 'email': '已验证邮箱'}
    ]
}

注意：group_id 和 pool_id 必填，不能省略。

Phase 5: 推理层（增强 · P0+P1+P2）

目的： 基于 Phase 0-4 已整理的情报，帮老板判断"为什么值得跟进"以及"怎么开口"。

不需要额外 API，完全基于已有数据推理。

5.1 量化线索评分（Lead Score）

基础分 50 分，按以下规则加减：

评级阈值：

输出格式：

### 🔴 Hot — 评分 85/100

| 信号 | 分值 |
|------|------|
| 有 CEO 已验证邮箱 | +15 |
| 产品线匹配 HDMI/USB | +15 |
| 公司成立 8 年 | +10 |
| 正招聘产品经理 | +10 |
| 官网提到 "premium quality" | +5 |
| **总计** | **85** |

5.2 痛点分析（Pain Point Analysis）

根据公开信号推断客户当前面临的挑战，Farreach 线材能解决什么。

触发信号 → 痛点映射：

⚠️ 约束： 所有推断必须基于公开证据，不得编造。每条推断附信息来源 URL。

5.3 时机判断（Timing Signal）

输出格式：

### 时机：🟢 好 — 2026-04 刚参加完 CES，新品线正在选型

5.4 个性化开场白（Personalized Opener）

生成 2 个版本：一个偏商务，一个偏产品。

Farreach 特色话术库（根据线索类型选角度）：

要求：

• 基于真实情报，不编造
• 提到客户最近的具体动态
• 一句话说明 Farreach 能帮到什么
• ⛔ 禁止出现 "cutting-edge"、"innovative"、"leading"

输出格式：

### 推荐开场白

**版本 1（偏商务）：**
Hi [Name], [个性化开场，基于真实情报]. Farreach 可以 [具体帮助]. 

**版本 2（偏产品）：**
Hi [Name], [产品角度切入]. We manufacture [具体产品线] with [认证/优势].

📝 交付模板

单家公司档案

# {Company Name}

> 建档日期：YYYY-MM-DD | 跟进人：XXX | 线索评分：🔴 Hot / 🟡 Warm / 🟢 Cold

## 基本信息
| 项目 | 内容 |
|------|------|
| 公司全称 | |
| 简称 | |
| 国家 | |
| 地址 | |
| 电话 | |
| 邮箱 | |
| 网站 | |
| 成立时间 | |
| 员工规模 | |
| 业务类型 | |
| 产品线 | |
| Farreach 相关性 | |

## 核心联系人（已验证邮箱）
| 姓名 | 职位 | 邮箱 | 状态 |
|------|------|------|------|

## 关键点
- ...

## Phase 0 红线检测
- [✅ 通过] 无红线

---

## 情报分析

### 线索评分：🔴 Hot — 85/100
| 信号 | 分值 |
|------|------|
| ... | +X |

### 痛点推断
1. [痛点] — [证据] ([来源](URL))

### 时机判断
[时机评级] — [理由]

### 推荐开场白

**版本 1（偏商务）：**
[内容]

**版本 2（偏产品）：**
[内容]

批量汇总报告（summary.md）

# Farreach 线索背调汇总

> 生成日期：YYYY-MM-DD | 总计：X 家

## 概览
| 评级 | 数量 | 占比 |
|------|------|------|
| 🔴 Hot | X | X% |
| 🟡 Warm | X | X% |
| 🟢 Cold | X | X% |
| 🚫 Dead/Skip | X | X% |

## 🔴 Hot（立即跟进）
| 公司 | 国家 | 评分 | CEO/联系人 | 邮箱 | 关键信号 |
|------|------|------|-----------|------|---------|

## 🟡 Warm（正常跟进）
| 公司 | 国家 | 评分 | 联系人 | 邮箱 | 关键信号 |
|------|------|------|--------|------|---------|

## 🟢 Cold（暂存）
| 公司 | 国家 | 评分 | 原因 |
|------|------|------|------|

## 🚫 跳过/排除
| 公司 | 原因 |
|------|------|

🔧 批量模式使用说明

输入： companies.json 数组

[
  {"name": "Company A", "url": "https://...", "country": "US"},
  {"name": "Company B", "url": "https://...", "country": "DE"}
]

执行：

1. 逐个处理，每家公司生成独立档案
2. 每处理完 5 家，更新一次进度报告
3. 全部完成后，生成 summary.md 汇总

输出位置：

• 单家档案：intelligence/clients/{Company_Name}.md
• 汇总报告：intelligence/batch-{YYYY-MM-DD}-summary.md

⚠️ 安全红线

1. 邮箱验证绝不发 DATA — 只到 RCPT TO 阶段
2. Phase 0 红线检测优先 — 触发制裁类直接跳过
3. 公司背调三步法则 — 域名可访问 → 内容匹配 → 交叉验证
4. 不捏造信息 — 不确定时说"不确定"，推断标注不确定性
5. OKKI 建档必填 group_id/pool_id
6. 所有推断附来源 URL — 不得无依据猜测

📊 版本历史