company-research

Company Research

挖掘并深度调研目标销售客户。使用 Browserbase Search API 进行客户发现，并结合“规划→调研→整合”模式进行深度信息补全与富化，最终输出带评分的调研报告和 CSV 表格。

必备条件：环境变量 BROWSERBASE_API_KEY 以及已安装 browse CLI。

首次运行配置：首次运行阶段，系统会提示你授权 browse cloud fetch、browse cloud search、cat、mkdir、sed 等命令。请为每项选择 "Yes, and don't ask again for: browse cloud fetch:*"（或同等选项）以自动批准当前会话。如需永久授权，请将以下内容添加到 ~/.claude/settings.json 的 permissions.allow 字段中：

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

路径规范：所有 Bash 命令中必须始终使用完整的绝对路径，切勿使用 ~ 或 $HOME（两者都会触发“shell expansion syntax”授权提示）。在开头解析一次家目录，之后全盘使用字面绝对路径。在构建 Subagent prompt 时，将 {SKILL_DIR} 替换为完整的绝对路径。

输出目录：所有调研结果统一保存至 ~/Desktop/{company_slug}_research_{YYYY-MM-DD}/。该目录包含每家被调研公司对应的独立 .md 文件，以及一份最终的 .csv 表格。用户将在桌面直接获取评分表格与完整的调研文档。

关键限制 —— 工具使用规范（同时适用于主 Agent 及所有 Subagent）：

• 所有网页搜索：必须使用 browse cloud search。严禁使用 WebSearch。
• 所有网页内容提取：必须使用 node {SKILL_DIR}/scripts/extract_page.mjs "<url>"。该脚本通过 browse cloud fetch --output 获取网页，解析标题（Title）、Meta 标签以及可见的正文文本；当抓取失败或返回稀疏的 JS 渲染内容时，会自动降级退回 browse get markdown。严禁手动拼装 browse cloud fetch | sed 管道——这会剥离 Meta 标签且无法解析 stdout 的 JSON 外壳。严禁使用 WebFetch。
• 所有调研输出：Subagent 必须使用 Bash heredoc 将每家公司单独写成一个 Markdown 文件，路径为 {OUTPUT_DIR}/{company-slug}.md。严禁使用 Write 工具或 python3 -c。文件格式参考 references/example-research.md。
• 报告与 CSV 编译：使用 node {SKILL_DIR}/scripts/compile_report.mjs {OUTPUT_DIR} --open ——一步生成 HTML 报告和 CSV 表格，并在浏览器中自动打开概览页面。
• URL 去重：搜索完成后，使用 node {SKILL_DIR}/scripts/list_urls.mjs /tmp 进行去重。
• Subagent 必须仅使用 Bash 工具。严禁使用任何其他工具。
• 主 Agent 严禁直接读取原始的发现阶段 JSON 批次文件。 统一使用 list_urls.mjs 进行去重过滤。

关键限制 —— 防幻觉规则（同时适用于主 Agent 及所有 Subagent）：

• 严禁根据网站的字体、框架（Framer/Next.js/React）、设计系统或排版风格推断 product_description（产品描述）、industry（行业）或 target_audience（目标受众）。这些只是视觉表象，无法反应公司实际销售的内容。
• 严禁将用户自身的 ICP 泄露或强加给目标公司的描述。如果无法确定目标公司具体业务，直接填写 Unknown ——切勿将其硬套到用户的 ICP 上。
• product_description 必须直接引用或复述 extract_page.mjs 输出内容中的具体短语（包含 TITLE、META_DESCRIPTION、OG_DESCRIPTION、HEADINGS 或 BODY）。如果这些字段均未能提供可识别的产品说明，填写 Unknown — homepage content not accessible。
• 若 product_description 为 Unknown，则 icp_fit_score 上限封顶为 3 分，并将 icp_fit_reasoning 设置为 Insufficient evidence — homepage returned no readable content。

关键限制 —— 尽量减少权限弹窗：

• Subagent 必须将所有文件写入合并到单次 Bash 调用中（使用 heredoc 链式写入）。一次 Bash 调用 = 一次权限弹窗。
• 使用 && 串联将所有搜索和抓取请求合并为单次 Bash 调用。

工作流概览

请严格按顺序执行以下 5 个步骤，不得跳过或颠倒顺序：

1. 本企业深度调研 —— 深入理解用户所在公司、核心产品及目标销售受众
2. 调研深度模式选择 —— 根据期望挖掘的目标公司数量选择调研深度
3. 目标客户挖掘（Discovery） —— 构造多维度搜索查询词，批量挖掘潜在客户公司
4. 深度摸底与 ICP 评分 —— 针对每家公司展开深度调研并进行 ICP 匹配度打分
5. 报告生成与 CSV 导出 —— 呈现调研成果，编译并导出带评分的 CSV 表格

---

Step 0：初始化输出目录

开始之前，先在用户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（全小写、连字符分隔），{YYYY-MM-DD} 替换为当天日期。将 {OUTPUT_DIR}（必须为完整的绝对路径，不能带 ~）传入所有 Subagent 的 prompt 中，确保它们将调研文件统一写入该目录。

同时清理此前运行留下的搜索批次临时文件：

rm -f /tmp/company_discovery_batch_*.json

Step 1：本企业深度调研

这是最为关键的一步，后续所有环节的质量完全取决于对用户公司的理解深度。

1. 询问用户的公司名称或官网 URL

2. 检查是否存在已有 Profile：

   • 列出 {SKILL_DIR}/profiles/ 目录下的文件（忽略 example.json）
   • 如果存在匹配的 Profile → 加载并向用户展示：“找到你在 {researched_at} 生成的公司 Profile，信息依然准确吗？” 若确认无误 → 直接跳至 Step 2。
   • 若不存在已有 Profile → 按下述流程展开深度调研。

3. 采用“规划→调研→整合”模式对用户公司展开全面深度调研。
   子问题模板与调研方法论详见 references/research-patterns.md。

   关键调研步骤：

   • 搜索：browse cloud search "{company name}" --num-results 10
   • 抓取主页：node {SKILL_DIR}/scripts/extract_page.mjs "{company website}"
   • 通过 Sitemap 探测网站关键页面（切勿写死 /about 或 /customers 等路径）：
     1. browse cloud fetch --allow-redirects "{company website}/sitemap.xml" —— Sitemap 体积小，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. （可选）抓取 /llms.txt 以获取页面描述
     4. 挑选 3-5 个相关度最高的 URL，使用 extract_page.mjs 进行内容提取（切勿使用原始 browse cloud fetch）
   • 搜索外部背景信息及竞争对手
   • 汇总调研发现，并标明置信度

   整合归纳为公司 Profile：
   包含：公司名称（Company）、产品（Product）、现有客户（Existing Customers）、竞争对手（Competitors）、应用场景（Use Cases）。
   注意：切勿包含 ICP 或细分赛道 —— 这些是每次运行根据目标动态决定的。

4. 将整理好的 Profile 展示给用户确认。在收到用户确认之前，不得进入下一步。

5. 保存确认后的 Profile 至 {SKILL_DIR}/profiles/{company-slug}.json

6. 使用 AskUserQuestion 进行补充提问（带多选框）：

   • “本次计划打哪些细分市场/客群？”（选项基于公司调研结果生成）
   • “目标公司阶段？” —— 初创企业（Startups）、中端市场（Mid-market）、大型企业（Enterprise）、不限（All）
   • “期望挖掘的数量 / 调研深度？” —— 快速模式 Quick（~100家）、深度模式 Deep（~50家）、极深模式 Deeper（~25家）
     这是全流程中唯一一次需要用户人工交互的环节。确认后，Agent 将静默执行后续所有任务，直至最终输出成果。

Step 2：调研深度模式选择

模式	单家公司调研力度	适用场景
quick（快速）	主页抓取 + 1-2 次搜索	~100 家公司，大范围快速扫盲
deep（深度）	2-3 个子问题，5-8 次工具调用	~50 家公司，扎实摸底
deeper（极深）	4-5 个子问题，10-15 次工具调用	~25 家公司，全方位情报侦察

Step 3：目标客户挖掘（Discovery）

计算公式：需要 ceil(requested_companies / 35) 个搜索查询词。考虑到后续过滤通常会淘汰 50-70% 的结果，建议按 2-3 倍进行超额挖掘。

按以下模式构造搜索 query：

• 行业 + 公司阶段 + 地理位置（如："fintech startups series A Bay Area"）
• 技术栈 + 应用场景（如："companies using Selenium for web scraping"）
• 竞品对标/衍生（如："alternatives to {known company in ICP}"）
• 买家角色 + 核心痛点（如："engineering teams struggling with browser automation"）

执行流程：

1. 一次性并行启动所有 Discovery Subagent（每批最多 ~6 个）。每个 Subagent 在单次 Bash 调用中完成其分配的搜索：

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

2. 所有批次执行完成后，统一去重：node {SKILL_DIR}/scripts/list_urls.mjs /tmp
3. 过滤 URL 名单 —— 剔除以下内容：
   • 博客文章、新闻报道（globenewswire.com、techcrunch.com 等）
   • 目录/聚合类网站（tracxn.com、crunchbase.com、g2.com 等）
   • 用户自身的竞品与现有客户（对比 Profile）
     仅保留企业官网主页。

Subagent prompt 模板与批次管理详见 references/workflow.md。

Step 4：深度摸底与 ICP 评分

并行启动 Subagent 对目标公司展开深度调研。信息补全 Subagent 的 prompt 模板详见 references/workflow.md。完整调研方法论详见 references/research-patterns.md。

执行流程：

1. 将过滤后的 URL 名单按 Subagent 分组（quick: ~10家/个，deep: ~5家/个，deeper: ~2-3家/个）

2. 一次性并行启动所有信息补全 Subagent（每批最多 ~6 个）

3. 每个 Subagent 仅使用 Bash 工具 —— 针对每家目标公司：

   阶段 A — 规划（Plan）（quick 模式下跳过）：
   根据 ICP 与补全字段要求，拆解出 2-5 个子问题。

   阶段 B — 调研循环（Research Loop）：
   搜索并抓取网页，提取关键发现。严格遵守步骤预算（quick: 2-3步，deep: 5-8步，deeper: 10-15步）。

   阶段 C — 整合归纳（Synthesize）：
   结合事实证据给出 1-10 分的 ICP 匹配度打分。根据调研结果填补各维度字段。

4. Subagent 必须在单次 Bash 调用中，通过 heredoc 链式写入将所有 Markdown 文件保存至 {OUTPUT_DIR}/

5. 待所有 Subagent 执行完成后，进入 Step 5

至关重要：必须在每个 Subagent 的 prompt 中逐字附上确认后的 ICP 描述。必须将完整的绝对路径 {OUTPUT_DIR} 传递给每个 Subagent。

Step 5：报告生成与 CSV 导出

1. 生成 HTML 报告与 CSV 表格（自动在浏览器中打开概览）：

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

   该命令将生成：

   • {OUTPUT_DIR}/index.html —— 包含带评分表格的概览页面（自动在浏览器打开）
   • {OUTPUT_DIR}/companies/*.html —— 单家公司详情页（从概览页跳转链接）
   • {OUTPUT_DIR}/results.csv —— 可直接导入表格/CRM 的带评分数据表

2. 同时在对话框中呈现汇总简报：

## 公司调研已完成

- **已调研公司总数**：{count}
- **调研深度模式**：{mode}
- **评分分布**：
  - 高度匹配 (8-10分)：{count}
  - 部分匹配 (5-7分)：{count}
  - 低匹配度 (1-4分)：{count}
- **报告已在浏览器中打开**：~/Desktop/{company_slug}_research_{date}/index.html

3. 在表格中按 ICP 得分从高到低展示头部推荐公司：

| 公司 | 得分 | 产品/业务 | 所在行业 | 匹配理由 |
|---------|-------|---------|----------|---------------|
| Acme | 9 | AI 进销存/库存管理 | 电商 SaaS | 刚完成 A 轮融资，使用 Selenium 技术栈，正在拓展欧洲市场 |

4. 针对 Top 3-5 的重点公司，附上简短的调研摘要 —— 核心发现、为何匹配、以及推荐从什么切入点/角度进行触达沟通。

提供进一步跟进选项（如深入挖掘特定公司、调整评分标准等）——