genspark ai系统可15分钟内自动完成竞品技术方案对比：支持自然语言指令调度多智能体，并行抓取官网、pdf、github及新闻稿，结构化输出带来源标注的markdown表格。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你需要在三天内完成一份竞品技术方案对比报告，但手动爬取官网、PDF文档、GitHub仓库和新闻稿耗时太长，信息还零散难对齐——Genspark AI自动化信息收集系统能直接接收“收集A/B/C三家公司的API能力、部署方式、最新版本变更日志”这类自然语言指令，自动调度多个智能体并行抓取、去重、结构化，15分钟内输出带来源标注的Markdown表格。
准备运行环境与基础服务
确认本地已安装 Docker 24.0.0 或更高版本，执行 docker --version 验证；若未安装，请先从 Docker 官网下载 Desktop 版本并完成图形化安装，Linux 用户需额外执行 sudo usermod -aG docker $USER 并重启终端。
克隆官方 genspark2api 仓库：git clone https://github.com/deanxv/genspark2api.git && cd genspark2api。
启动服务前，必须在项目根目录创建 .env 文件，写入 OPENAI_API_KEY=sk-... ——【密钥未配置将导致所有信息收集任务静默失败】，且服务不会报错提示。
执行 docker-compose up -d 启动容器；等待约 90 秒后，运行 curl http://localhost:7055/health，返回 {"status":"ok"} 即表示核心服务就绪。
配置专属信息收集智能体
打开 config/config.yaml，定位到 agents: 区块，在其下新增一个名为 web_researcher 的智能体定义：
web_researcher: description: "专注抓取公开技术文档与变更日志" tools: ["http_client", "pdf_parser", "github_scraper"] max_steps: 12
其中 github_scraper 工具依赖 GitHub Token 才能访问私有仓库或绕过速率限制，需在 .env 中追加 GITHUB_TOKEN=ghp_...；没有该 Token 时，对 GitHub 的请求将被限流至每小时 60 次，无法完成批量仓库扫描。
保存文件后，重启服务：docker-compose restart genspark2api。
发起多源并发采集任务
方法一：使用 curl 直接调用 API
构造 JSON 请求体，保存为 task.json：
{ "agent": "web_researcher", "query": "对比公司A（https://a.com/docs）、公司B（https://b.io/api/v3）和公司C（https://github.com/c-org/sdk）的API设计规范、最近三次版本更新说明及部署模型要求"}
执行命令：curl -X POST http://localhost:7055/agent/run -H "Content-Type: application/json" -d @task.json。
PHP中文网提供 Genspark AI 桌面客户端及浏览器的 Windows 官方获取入口与安装教程。作为强大的 AI 智能体搜索引擎与自动化平台，Genspark AI 完美适配 Windows 系统，支持本地文件处理与多模型协同。通过本页面，您可以快速下载并安装 Genspark AI，一键体验超级智能体（Super Agent）、异步代理（Autopilot Agent）以及一键生成 PPT、表格等高效办公功能。立即获取官方安装包，开启 Windows 专属的 AI 智能工作新体验。
方法二：通过 Python 脚本批量提交
新建 batch_collector.py，写入以下代码：
import requeststasks = [ {"agent": "web_researcher", "query": "抓取X公司2026年Q1所有技术博客，提取架构演进关键词"}, {"agent": "web_researcher", "query": "解析Y公司GitHub Releases页面，生成近6个月版本功能矩阵表"}]for t in tasks: requests.post("http://localhost:7055/agent/run", json=t)
运行脚本：python batch_collector.py，无需等待单个响应，任务已进入队列。
获取结构化结果并导出
第一步：查询任务ID
执行 curl "http://localhost:7055/agent/history?limit=5"，从返回的 JSON 数组中复制最新一条记录的 id 字段值，例如 "id": "agt_8a3f9c"。
第二步：轮询结果状态
运行命令：curl "http://localhost:7055/agent/result?id=agt_8a3f9c"，若返回中 "status" 仍为 "running"，等待 10 秒后重试；当 "status" 变为 "completed"，检查 "output_format" 字段值。
第三步：按格式提取内容
若 "output_format" 为 "markdown_table"，直接复制 "content" 字段的原始字符串，粘贴至 Typora 或 VS Code 即可渲染为表格；若为 "json_structured"，则需用 Python 的 json.loads() 解析后再做字段映射。
第四步：导出为本地文件
将最终内容保存为 competitor_analysis.md，执行 echo "$(cat competitor_analysis.md)" | curl -X POST -H "Content-Type: text/markdown" --data-binary @- http://localhost:7055/export/md2pdf > report.pdf，自动生成带目录的 PDF 报告。
