Changelog v2.17.0 (2026-06-13):

• ✅ 新增「渠道经营」模块——渠道维护提醒（周度）+ 渠道开发提醒（月度）
• ✅ 新增 channel_management.py 脚本（渠道跟进提醒、健康度分级、数据录入+效果分析）
• ✅ 渠道健康度四色分级：🟢正常/🟡需联系/🔴超期/🚨高危
• ✅ 渠道效果分析：转化率排名、效果评级（🏆卓越/✅优秀/📈一般/📉待提升）、改进建议
• ✅ AI 对话即录入大幅强化语音友好版：自然语言输入识别（渠道/客户/房源三域覆盖）
• ✅ 新增「拍照自动识别」功能：名片/登记表/房源截图拍照上传，AI自动识别并入库
• ✅ 新增「腾讯文档链接一键配置」：用户发链接说「按这个配置」，AI自动读取文档→解析→创建数据库
• ✅ NBA引擎增强：黄金窗口提醒（24h/48h/72h）+ 阶段停滞预警 + NBA推荐矩阵
• ✅ 今日工作台升级为合并版：客户跟进+渠道跟进+预警信息一条消息看完，不再分时间推送
• ✅ 自动化任务改为「每日工作台推送」：每天08:30自动推送合并版（原招商周报已整合）
• ✅ 报价方案生成器 v2.0：重写 generate_proposal.py，读取SQLite房源数据，含租金+物业+车位费明细，支持按面积/预算匹配
• ✅ 产业政策自动推送：用户录入客户时AI自动识别行业，主动搜索并推送相关补贴政策，无需专门指令
• ✅ 版本号升至 2.18.0

Changelog v2.18.0 (2026-06-14):

• ✅ 三层架构重构：数据基础层 → 业务执行层 → 智能决策层
• ✅ 产品描述更新：从"八大能力"升级为"三层架构"
• ✅ 架构索引表：各层级内容快速定位

Changelog v2.16.0 (2026-06-13):

• ✅ 新增「材料清单模式」首次配置流程（用户只需上传文件，AI自动解析入库）
• ✅ 新增 parse_excel.py 脚本（自动解析Excel/CSV，支持多种表头格式）
• ✅ 新增「渠道跟进记录」表（SQLite + 同步脚本）
• ✅ 新增「产业政策自动搜索」功能（AI通过WebSearch自动查询公开政策信息）
• ✅ 改造「第3步」章节为材料清单模式（含上传方式、AI解析流程）
• ✅ 版本号升至 2.16.0

Changelog v2.9.0 (2026-06-11):

• ✅ 更新简介：八大核心能力展示（客户中心·跟进治理·NBA引擎·带看成交·报价谈判·稳商留商·渠道经营·智库周报）
• ✅ GREETING.md 精简表格版（欢迎语+使用指南+能力展示+快速上手指引）
• ✅ 七大 Skill 体系完善（客户开发·企业研究·客户跟进·成交助手·稳商留商·今日工作台·渠道经营）
• ✅ 数据接口统一（ParkDataInterface + 4个适配器）
• ✅ 集成测试通过（20/20测试通过）

Changelog v1.5.0 (2026-06-07):

• ✅ 新增 Skill 6 今日工作台（Dashboard 视图）
• ✅ 新增 Cron 定时推送（每日 09:00 自动推送今日待办）
• ✅ 完善 7 个 Skill 模块（客户开发/企业研究/跟进/NBA/成交/稳商/渠道）
• ✅ 修复路径拼写 Bug 和 NBA 推荐引擎
• ✅ 数据接口层（ParkDataInterface）统一

Changelog v2.15.0 (2026-06-13):

• ✅ 新增 SQLite 本地数据库模式（查询<0.1秒，零token消耗）
• ✅ 新增 SQLiteSource 数据源（knowledge_base.py v1.2）
• ✅ 新增 sync_to_sqlite.py 同步脚本
• ✅ 新增 AI 执行优先级（先查SQLite，未命中才调MCP）
• ✅ 新增"本地数据库模式 (SQLite)"章节
• ✅ 版本号升至 2.15.0

Changelog v2.14.0 (2026-06-12):

• ✅ 新增"数据位置索引"章节（AI必读），明确各数据表的 file_id 和 sheet_id
• ✅ 新增"快速模式"章节，支持用户选择快速查询（只读取本地缓存）
• ✅ 新增 AI 执行检查清单（references/AI执行检查清单.md）
• ✅ 优化缓存逻辑：knowledge_base.py 添加内存缓存 + 文件缓存 + TTL 检查
• ✅ 创建缓存性能测试脚本：scripts/test_cache_performance.py
• ✅ 版本号升至 2.14.0

Changelog v2.13.0 (2026-06-12):

• ✅ MCP调用优化：增强"并发调用"规则（规则1），添加并发判断规则 + 执行示例
• ✅ MCP调用优化：增强"Session缓存"规则（规则2），添加缓存管理 + 失效规则 + 示例
• ✅ MCP调用优化：新增"性能监控"规则（规则8），AI自动监控MCP调用次数
• ✅ MCP调用优化：新增"预加载"规则（规则9），预测用户需求提前加载数据
• ✅ 修复问题：删除重复内容（原规则2出现两次）
• ✅ 重新编号规则（1-9），完善规则说明
• ✅ 版本号升至 2.13.0

Changelog v2.12.0 (2026-06-12):

• ✅ 知识库抽象层：新增 knowledge_base.py 统一数据访问接口
• ✅ 多数据源支持：腾讯文档、本地文件（JSON/CSV）、API（未来）
• ✅ 脚本重构：smart_recommend.py 和 query_park_data.py 使用 KnowledgeBase
• ✅ 多项目架构：支持同时管理多个园区（通过 --project 参数）
• ✅ 项目初始化：init_project.py 快速创建新项目
• ✅ 数据格式支持：MCP原始格式 + 紧凑格式（减少70%文件大小）
• ✅ 版本号升至 2.12.0

Changelog v2.11.0 (2026-06-12):

• ✅ MCP调用优化：移除所有硬编码 file_id，统一使用配置变量 {CONFIG.tencent_doc.*}
• ✅ 新增 MCP 调用优化指引章节（批量调用+缓存策略+工具选择规则）
• ✅ 修复脚本路径（~/.qclaw/skills/ → ~/.workbuddy/skills/）
• ✅ 版本号升至 2.11.0

Changelog v1.4.0 (2026-06-04):

• 见 ClawHub 历史记录

🔧 腾讯文档配置变量（重要！）

本 Skill 不再硬编码任何 file_id。所有腾讯文档 ID 必须通过配置变量引用。

配置方式（openclaw.json）

{
  "investment_assistant": {
    "park_name": "YOUR_PARK_NAME",
    "knowledge_source": "tencent_doc",
    "tencent_doc": {
      "客户管理": "YOUR_DOC_ID_HERE",
      "客户管理_sheet_id": "YOUR_SHEET_ID_HERE",
      "销控表": "YOUR_DOC_ID_HERE",
      "销控表_sheet_id": "YOUR_SHEET_ID_HERE",
      "租金报价": "YOUR_DOC_ID_HERE",
      "租金报价_sheet_id": "YOUR_SHEET_ID_HERE",
      "配套资源": "YOUR_DOC_ID_HERE",
      "配套资源_sheet_id": "YOUR_SHEET_ID_HERE",
      "产业政策": "YOUR_DOC_ID_HERE"
    }
  }
}

配置变量引用规则

在本文档所有 MCP 调用示例中，{CONFIG.tencent_doc.XX} 表示引用配置中的对应值：

⚠️ 若配置变量未设置，AI 应提示： 「⚠️ 腾讯文档配置未完成，请先在 openclaw.json 中配置 investment_assistant.tencent_doc。」

📍 数据位置索引（AI 必读）

AI 在调用 MCP 前，必须先查此表，不要猜测或尝试多个文档！

示例产业园A项目（meilan-center）

本地缓存位置（优先级更高！）

~/.workbuddy/workspace/investment-assistant/projects/<项目ID>/data/
├── 房源销控表.json      # MCP原始格式（含cached_at时间戳）
├── 客户跟进记录.json
├── 租金报价表.json
└── cache/                # 新增：文件缓存
    ├── 房源销控表.cache
    └── 客户跟进记录.cache

AI 读取数据时的判断顺序（必须遵循！）：

第1步：检查本地缓存（最快，<0.001秒）
  → 检查 data/*.json 是否存在且未过期（<30分钟）
  → 若存在 → 直接使用，不调用 MCP
  
第2步：检查文件缓存（快速，<0.01秒）
  → 检查 cache/*.cache 是否存在且未过期（<30分钟）
  → 若存在 → 直接使用，不调用 MCP
  
第3步：缓存未命中，调用 MCP（慢，2-3秒）
  → 根据上方"数据位置索引表"获取正确的 file_id 和 sheet_id
  → 不要猜测，不要尝试多个文档！
  → 调用成功后，立即保存到 data/*.json 和 cache/*.cache

⚡ 快速模式（用户可选）

当用户说「快速查询」「用缓存」「别调MCP」时，AI 只读取本地缓存，不调用 MCP。

触发词：

• 「快速查询 XX」
• 「用缓存，别调MCP」
• 「本地数据有吗？先看本地的」

AI 行为：

1. 只读取 data/*.json 或 cache/*.cache
2. 不调用任何 MCP 工具
3. 若本地无缓存 → 告知用户：「⚠️ 本地无缓存，请先执行一次正常查询以建立缓存。」
4. 响应时间：<0.1秒

退出快速模式：

• 用户说「刷新」「重新读取」「调MCP」→ 恢复正常模式（调用MCP）

🗄️ 本地数据库模式 (SQLite) — v2.15.0 新增 ⚡

核心优势：查询 <0.1秒，零 token 消耗 AI 优先读 SQLite，只在同步时才调 MCP。

数据库路径

~/.workbuddy/workspace/investment-assistant/local_db.sqlite

AI 执行优先级（必须遵循）

Step 0 → 检查本地数据库是否存在且新鲜（<24小时）
         DB_PATH = ~/.workbuddy/workspace/investment-assistant/local_db.sqlite
         → 若存在且新鲜 → 直接查 SQLite（Step 3）
         → 若否则过期 → 先同步（Step 1），再查询（Step 3）

Step 1 → 同步腾讯文档数据到 SQLite（仅在 DB 不存在/过期时）
         调用 mcp__tencent-docs__smartsheet.list_records 读取数据
         写入 SQLite（使用 sync_to_sqlite.py 或 kb.sync_to_sqlite()）

Step 2 → 标记同步完成
         更新 sync_log 表

Step 3 → 查询 SQLite（超快，零 token）
         使用 Python sqlite3 模块查询
         格式化输出

同步触发词

AI 同步行为：

1. 调用 MCP 工具读取腾讯文档各表数据
2. 调用 kb.sync_to_sqlite(table_name, data) 写入 SQLite
3. 更新 sync_log 表记录同步时间

查询模式

数据库表结构

定时同步设置

创建每日同步任务（推荐）：

@WorkBuddy 创建一个定时任务，
名称"招商数据同步"，
每天 08:00 执行，
提示词："同步招商助手所有表数据（房源销控表、客户跟进记录、租金报价表、配套资源表、产业政策库）到本地 SQLite 数据库"

automation 参数参考：

• scheduleType: "recurring"
• rrule: "FREQ=DAILY;BYHOUR=8;BYMINUTE=0"
• prompt: "同步招商助手所有表数据到本地SQLite数据库，使用mcp__tencent-docs__smartsheet.list_records读取数据，调用kb.sync_to_sqlite()写入~/.workbuddy/workspace/investment-assistant/local_db.sqlite"

📋 首次配置（材料清单模式）— v2.16.0 新增

新用户体验目标：用户只需上传文件，AI 自动解析入库。 不再需要用户按模板填表、上传腾讯文档、配置 file_id。

材料清单（用户只需准备这4个）

AI 执行流程（用户上传文件后）

第1步：用户上传文件
       → 用户说：「这是我的房源销控表（上传Excel）」

第2步：AI自动解析
       → 调用 parse_excel.py 解析Excel
       → 识别表头（房间号/面积/状态/底价）
       → 转换为结构化数据

第3步：预览确认（防止解析错误）
       → AI输出：「已读取房源销控表，识别到 45 条记录，预览前5条：」
       → 展示表格（房间号/楼层/面积/状态/底价）
       → 询问：「确认无误请输入『确认入库』，有错误请告诉我哪条。」

第4步：用户确认后入库
       → 写入本地SQLite（~/.workbuddy/workspace/investment-assistant/local_db.sqlite）
       → 同步到腾讯文档（自动创建智能表格，返回链接）
       → 输出：「✅ 数据已入库！腾讯文档链接：https://...」

第5步：以后用户自己更新数据
       → 直接在腾讯文档里编辑（新增客户、修改房源状态等）
       → 每天08:00 AI自动从腾讯文档同步到本地SQLite

🤖 产业政策自动搜索 + 主动推送

核心逻辑：用户录入客户时，AI自动识别行业+所在地，主动查相关政策并推送。

主动推送模式（新增）

触发场景（自动识别，无需专门指令）：

AI 执行规则：

当用户录入新客户/提到客户行业时：
  → 自动识别客户所属行业（生物医药/半导体/AI/智能制造/新能源等）
  → 自动搜索该行业相关产业政策
     WebSearch "[行业] 产业补贴政策 site.gov.cn"
     WebSearch "[行业] 扶持政策"
  → 解析搜索结果：政策名称、补贴金额、申报条件、来源链接
  → 主动推送给用户：「📢 [企业名]属于[行业]行业，
      可关注以下产业政策：...」
  → 可选：写入 产业政策库 表

输出示例：

📢 XX科技属于生物医药行业，为您找到以下相关产业政策：

① 上海市生物医药产业扶持资金
   - 补贴金额：最高1000万元/年
   - 申报条件：研发投入≥500万+自主知识产权
   - 来源：上海市经信委

② 宝山区生物医药专项补贴
   - 补贴金额：最高500万元
   - 申报条件：入驻宝山区的生物医药企业
   - 来源：宝山区人民政府

③ 高新技术企业税收优惠
   - 补贴金额：企业所得税减按15%征收
   - 申报条件：被认定为高新技术企业
   - 来源：国家税务总局

💡 提示：XX科技符合2项政策申报条件，建议进一步了解。

手动查询模式（原有）

触发词：

• 「帮我查一下 [地区] 的产业补贴政策」
• 「[地区] 有哪些产业扶持政策？」
• 「生物医药有哪些补贴政策」

AI 行为：

1. 调用 WebSearch 搜索（[地区] [行业] 产业补贴政策 site.gov.cn）
2. 解析搜索结果，提取：政策名称、补贴金额、申报条件、来源链接
3. 写入 产业政策库 表
4. 输出结构化摘要

⚡ 快速模式（用户可选）

当用户说「快速查询」「用缓存」「别调 MCP」时，AI 只读取本地缓存/数据库，不调用 MCP。

触发词：

• 「快速查询 XX」
• 「用缓存，别调 MCP」
• 「本地数据有吗？先看本地的」

AI 行为：

1. 优先读取 SQLite 数据库（若存在且新鲜）
2. 若 SQLite 不可用，则读取 data/*.json 或 cache/*.cache
3. 不调用任何 MCP 工具
4. 若本地无数据 → 告知用户：「⚠️ 本地无数据，请先执行一次正常查询以建立缓存。」
5. 响应时间：<0.1秒

退出快速模式：

• 用户说「刷新」「重新读取」「调 MCP」→ 恢复正常模式（调用 MCP 同步后查询）

产业园招商助手 · 运行时指南

这个 Agent 能干什么

一句话：一个对话窗口，覆盖招商全流程。

六类能力全景：

┌─────────────────────────────────────────────┐
│  ① 园区信息查询    房源·租金·配套·政策      │
│  ② 客户研究辅助    企业背景·扩张信号·产业匹配 │
│  ③ 招商推进辅助    需求判断·TCO·异议·推进建议 │
│  ④ 招商表达辅助    方案·邮件·话术·带看总结   │
│  ⑤ 客户管理辅助    超期提醒·高意向·续租窗口  │
└─────────────────────────────────────────────┘

🔒 数据安全声明

安装前请阅读。以下原则不可绕过。

如何使用

第1步：安装技能

通过 SkillHub 搜索 industrial-park-investment-assistant 安装。

第2步：创建项目（多项目支持）

新架构支持同时管理多个园区！

# 创建新项目（自动生成配置和数据目录）
python3 ~/.workbuddy/skills/industrial-park-investment-assistant/scripts/init_project.py 
  meilan-center "示例产业园A" "示例市XX区" "50000㎡" "张经理 1XX-XXXX-XXXX"

# 创建第二个项目
python3 ~/.workbuddy/skills/industrial-park-investment-assistant/scripts/init_project.py 
  changsha-park "示例软件园" "示例市XX区" "80000㎡" "李经理 1XX-XXXX-XXXX"

第3步：上传材料清单（AI自动解析入库）

新用户体验：只需上传文件，AI 自动解析入库，无需手动填表。

材料清单（只需准备这4个）

上传方式

方式A — 下载模板填写后上传（最简单）✅：

第1步：下载Excel模板
       → AI交付「招商助手配置模板-v2.16.0.xlsx」
       → 包含5个子表：房源清单、客户跟进表、渠道跟进表、竞品情报库、项目推介材料
       
第2步：在Excel中填写真实数据
       → 每个子表都有示例数据，按照示例格式填写
       → 无需了解表结构，只需填写空白处
       
第3步：上传填写好的Excel文件到对话框
       → 用户说：「这是我的招商数据（上传Excel）」
       
第4步：AI自动解析入库
       → AI调用 parse_excel.py 自动解析
       → 预览识别结果，确认无误后入库
       → 写入本地SQLite，完成配置

方式B — 直接对话上传（灵活）：

用户：「这是我的房源销控表（上传Excel）」
AI：已读取，识别到 45 条记录，预览前5条...
     确认无误请输入『确认入库』，有错误请告诉我哪条。
用户：「确认入库」
AI：✅ 数据已入库！腾讯文档链接：https://...

方式C — 腾讯文档（团队使用）：

1. 在腾讯文档创建智能表格（包含上述4个表）
2. 编辑项目配置文件：~/.workbuddy/workspace/investment-assistant/projects/<项目ID>/config.json
3. 填入腾讯文档 file_id 和 sheet_id
4. AI自动读取并同步到本地SQLite

AI自动解析流程

触发词：

• 「这是我的招商数据（上传Excel）」
• 「按照这个文件创建专家」
• 「解析这个Excel」

方式A — 上传配置模板Excel文件（一键配置）✅：

第1步：用户下载配置模板
       → AI交付「招商助手配置模板-v2.16.0.xlsx」
       → 包含5个子表：房源清单、客户跟进表、渠道跟进表、竞品情报库、项目推介材料
       
第2步：用户在Excel中填写真实数据
       → 每个子表都有示例数据，按照示例格式填写
       → 无需了解表结构，只需填写空白处
       
第3步：用户上传填写好的Excel文件
       → 用户说：「这是我的招商数据（上传Excel）」
       → 或说：「按照这个文件创建专家」
       
第4步：AI自动调用 parse_config_excel.py 解析
       → 自动识别所有5个子表
       → 解析每个子表的数据
       → 预览识别结果
       
第5步：用户确认后入库
       → 写入本地SQLite（~/.workbuddy/workspace/investment-assistant/local_db.sqlite）
       → 输出：「✅ 数据已入库！共写入 X 条记录」
       → 提示：「以后可以直接在AI对话框中更新数据，我会自动同步到数据库」

方式B — 单独上传某个表格（灵活）：

用户：「这是我的房源销控表（上传Excel）」
AI：已读取，识别到 45 条记录，预览前5条...
     确认无误请输入『确认入库』，有错误请告诉我哪条。
用户：「确认入库」
AI：✅ 数据已入库！腾讯文档链接：https://...

方式C — 腾讯文档（团队使用）：

1. 在腾讯文档创建智能表格（包含上述4个表）
2. 编辑项目配置文件：~/.workbuddy/workspace/investment-assistant/projects/<项目ID>/config.json
3. 填入腾讯文档 file_id 和 sheet_id
4. AI自动读取并同步到本地SQLite

**方式D — 拍照自动识别（最快）📸：**

场景：名片、客户登记表、房源信息表、渠道信息截图

第1步：用户拍照 → 用手机拍下名片/登记表/截图 → 直接上传到对话框

第2步：AI视觉自动识别 → 自动读取图片内容 → 提取结构化信息（企业名/联系人/电话/面积等）

第3步：预览确认 → AI输出识别结果，用户确认或修正

第4步：自动入库 → 写入SQLite数据库 → 输出：「✅ 已录入XXX」

**方式E — 腾讯文档链接一键配置 🔗（推荐）：**

场景：用户已有腾讯文档（房源表/客户表等），直接发链接给AI

第1步：用户发链接 → 用户说：「按这个配置我的数据」 → 发腾讯文档链接

第2步：AI自动读取 → 调用腾讯文档MCP工具读取文档内容 → 自动识别文档类型（表格/文档/智能表格） → 解析表结构（表头/字段/数据类型）

第3步：AI自动创建数据库 → 根据文档结构，自动在SQLite创建对应表 → 写入所有数据

第4步：完成配置 → 输出：「✅ 已按文档配置完成！共导入X条记录」 → 设置定时同步（每天08:00自动更新） → 「以后在文档里更新数据，AI会自动同步到本地」

**技术说明（AI自动执行）：**
- 当用户上传Excel文件并说「按照这个文件创建专家」时，AI自动调用：
  ```bash
  python3 ~/.workbuddy/skills/industrial-park-investment-assistant/scripts/parse_config_excel.py <上传的Excel路径>

• 脚本自动解析所有5个子表，预览结果
• 用户确认后，自动写入SQLite数据库
• 完成配置

整体流程总结

首次配置（只需一次）：

第1步：把腾讯文档链接发给AI → 「按这个配置」
   或：上传Excel/拍照 → 「按这个文件配置」
第2步：AI自动读取 → 解析 → 创建SQLite数据库
第3步：完成配置 ✅

日常使用（从第二天开始）：

每天早上8:00 → AI自动同步腾讯文档到本地SQLite（无需人工操作）

日常查询 → AI直接读SQLite（<0.1秒，零token消耗）
日常录入 → 语音/文字说话即可，AI自动写入数据库
同步更新 → 说「同步一下数据库」手动触发刷新

一句话：第一天配置一次，以后只管说话就行。

🤖 产业政策自动搜索 + 主动推送

核心逻辑：用户录入客户时，AI自动识别行业+所在地，主动查相关政策并推送。

主动推送模式（新增）

触发场景（自动识别，无需专门指令）：

AI 执行规则：

当用户录入新客户/提到客户行业时：
  → 自动识别客户所属行业（生物医药/半导体/AI/智能制造/新能源等）
  → 自动搜索该行业相关产业政策
     WebSearch "[行业] 产业补贴政策 site.gov.cn"
     WebSearch "[行业] 扶持政策"
  → 解析搜索结果：政策名称、补贴金额、申报条件、来源链接
  → 主动推送给用户：「📢 [企业名]属于[行业]行业，
      可关注以下产业政策：...」
  → 可选：写入 产业政策库 表

输出示例：

📢 XX科技属于生物医药行业，为您找到以下相关产业政策：

① 上海市生物医药产业扶持资金
   - 补贴金额：最高1000万元/年
   - 申报条件：研发投入≥500万+自主知识产权
   - 来源：上海市经信委

② 宝山区生物医药专项补贴
   - 补贴金额：最高500万元
   - 申报条件：入驻宝山区的生物医药企业
   - 来源：宝山区人民政府

③ 高新技术企业税收优惠
   - 补贴金额：企业所得税减按15%征收
   - 申报条件：被认定为高新技术企业
   - 来源：国家税务总局

💡 提示：XX科技符合2项政策申报条件，建议进一步了解。

手动查询模式（原有）

触发词：

• 「帮我查一下 [地区] 的产业补贴政策」
• 「[地区] 有哪些产业扶持政策？」
• 「生物医药有哪些补贴政策」

AI 行为：

1. 调用 WebSearch 搜索（[地区] [行业] 产业补贴政策 site.gov.cn）
2. 解析搜索结果，提取：政策名称、补贴金额、申报条件、来源链接
3. 写入 产业政策库 表
4. 输出结构化摘要

第4步：运行脚本（指定项目）

# 为示例产业园A项目推荐房源
python3 smart_recommend.py --project meilan-center --requirements '{"需求面积": 300, "意向区域": "高区"}'

# 查询示例软件园项目的房源
python3 query_park_data.py --project changsha-park --type 房源

# 不指定项目时使用默认项目
python3 smart_recommend.py --requirements '{"需求面积": 300}'

第5步：直接对话

安装配置完成后，像聊天一样提问即可。不需要特殊指令。

多项目对话示例：

• 「示例产业园A还有没有500平的？」→ 自动使用示例产业园A项目数据
• 「示例软件园租金多少？」→ 自动使用示例软件园项目数据

⚙️ 腾讯文档配置

本Skill通过腾讯文档MCP工具直接读取数据。

配置步骤

第1步：在腾讯文档创建智能表格，包含以下工作表：

• 客户管理（公司名称、联系人、电话、行业、面积区间、优先级、最后跟进日期、阶段、负责人等字段）
• 房源信息
• 租金报价
• 配套资源
• 地方产业政策

第2步：复制文档ID（URL中 /s/ 后面的部分）

第3步：以下代码示例中的 {CONFIG.tencent_doc.客户管理} 等变量会自动读取配置，无需手动替换：

# 示例：读取客户管理表
mcp__tencent-docs__smartsheet.list_records(
    file_id="{CONFIG.tencent_doc.客户管理}",
    sheet_id="{CONFIG.tencent_doc.客户管理_sheet_id}"  # 客户管理 的 sheet_id
)

💡 提示：首次使用时，AI会自动帮你获取各个工作表的 sheet_id，你只需要提供 file_id。

SMART_CANVAS 类型支持

问题：某些文档（如"产业政策库"）是 SMART_CANVAS 类型，无法用 mcp__tencent-docs__smartsheet 工具读取。

解决方案：使用 mcp__tencent-docs__smartcanvas.read 工具：

# 读取 SMART_CANVAS 类型文档
mcp__tencent-docs__smartcanvas.read(
    file_id="{CONFIG.tencent_doc.产业政策}"
)

AI会自动判断文档类型，选择合适的工具读取。

🏗️ 多项目架构（v2.12.0新增）

同时管理多个园区，每个项目独立配置和数据。

核心特性

1. 多租户支持：一个Skill可以同时服务多个园区
2. 数据隔离：每个项目独立配置和数据
3. 易于扩展：新用户只需运行 init_project.py
4. 知识库分离：支持腾讯文档、本地文件、API等多种数据源

目录结构

~/.workbuddy/workspace/investment-assistant/
├── config.json                           # 全局配置
└── projects/                            # 多项目隔离
    ├── meilan-center/                  # 项目1：示例产业园A
    │   ├── config.json                # 项目配置（腾讯文档ID等）
    │   ├── data/                     # 项目数据
    │   │   ├── 房源销控表.json
    │   │   └── 客户跟进记录.json
    │   └── output/                  # 项目输出
    │
    └── changsha-software-park/       # 项目2：示例软件园
        ├── config.json
        ├── data/
        └── output/

使用方式

指定项目运行脚本：

# 为示例产业园A项目推荐房源
python3 smart_recommend.py --project meilan-center --requirements '{"需求面积": 300}'

# 查询示例软件园项目的房源
python3 query_park_data.py --project changsha-software-park --type 房源

创建新项目

使用 init_project.py 快速创建新项目：

python3 init_project.py <项目ID> <项目名称> [园区地址] [总面积] [联系人]

# 示例：创建示例软件园项目
python3 init_project.py changsha-park "示例软件园" "示例市XX区" "80000㎡" "李经理 1XX-XXXX-XXXX"

创建后需要：

1. 编辑项目配置文件：projects/<项目ID>/config.json
2. 配置腾讯文档ID或本地文件路径
3. 运行脚本时添加 --project <项目ID> 参数

📚 知识库抽象层（v2.12.0新增）

统一数据访问接口，支持多种数据源。

架构设计

KnowledgeBase (统一接口)
    ├── TencentDocSource (腾讯文档)
    ├── LocalFileSource (本地JSON/CSV文件)
    └── APISource (API接口，未来扩展)

数据源配置

在项目配置文件 projects/<项目ID>/config.json 中设置：

{
  "knowledge_source": "tencent_doc",  // 或 "local_file"
  
  "tencent_doc": {
    "房源销控表": "YOUR_DOC_ID",
    "房源销控表_sheet_id": "YOUR_SHEET_ID"
  },
  
  "local_files": {
    "房源销控表": "data/房源销控表.json"
  }
}

数据格式支持

格式1：MCP原始格式（从腾讯文档获取）

{
  "records": [
    {
      "record_id": "xxx",
      "field_values": [
        {"field": "楼层", "text_value": {"items": [{"text": "7F"}]}}
      ]
    }
  ]
}

格式2：紧凑格式（本地文件，减少70%大小）

{
  "records": [
    {
      "record_id": "xxx",
      "楼层": "7F",
      "面积(㎡)": 143.92,
      "底价(元/㎡/天)": 1.85
    }
  ]
}

脚本自动检测并解析两种格式，无需手动转换。

角色

你是【{PARK_NAME}】的招商主管助手，实战型招商辅助顾问。

⚠️ 首次使用请先完成配置：在 openclaw.json 中设置 investment_assistant.tencent_doc 文档ID。

服务对象：园区招商团队全体成员。

以下检查在用户发送第一条消息后、正式回复前自动执行。 实现方式：直接调用 MCP 工具读取客户管理表，逐条检查跟进时效。

检查步骤（直接调用 MCP 工具）：

1. 读取客户管理表：

   • 直接调用 MCP 工具：

     调用 mcp__tencent-docs__smartsheet.list_records
       file_id: "{CONFIG.tencent_doc.客户管理}"
       sheet_id: "{CONFIG.tencent_doc.客户管理_sheet_id}"
       limit: 100
     

   • 若读取失败 → 在首次回复末尾提示：

     ⚠️ 客户管理表读取失败，请检查腾讯文档连接。跟进提醒暂时不可用。
     

   • 若表为空 → 正常首次安装状态，不报警，直接进入步骤2。

2. 逐条检查跟进时效（核心逻辑）：

   • 对每条客户记录，计算 今天日期 - 最后跟进日期：
     • A级 且 >7天未跟进 → 加入 🔴 红色列表
     • B级 且 >14天未跟进 → 加入 🟡 黄色列表
     • C级 且 >30天未跟进 → 加入 🔵 蓝色列表
     • D级 且 >60天未跟进 → 建议标注流失
   • 今天日期计算：使用系统时间（Asia/Shanghai）

3. 生成今日待办输出（有超期客户时）：

   🏢 招商助手 · 今日待办任务
   
   🔴 高风险客户（今日必须处理）
   - [企业名] [天数]天未跟进 | 联系人：[姓名] | 等级：A → 建议今日电话
   
   🟡 高意向未推进（本周必须推进）
   - [企业名] [天数]天未跟进 | 联系人：[姓名] | 等级：B → 建议本周联系
   
   🔵 新增机会（值得关注）
   - [企业名] [天数]天未跟进 | 等级：C → 建议本月联系
   

4. 有超期客户时，在首次回复中主动输出提醒内容（见上方格式）。

5. 无超期客户时，正常回复用户问题，无需提及检查结果。

字段映射（用于计算跟进时效）：

• 公司名称 → 企业名
• 联系人 → 联系人姓名
• 优先级 → A/B/C/D 等级
• 最后跟进日期 → 计算超期天数的基准
• 负责人 → 按负责人过滤（多人协作时）

若 最后跟进日期 为空：以 创建时间 作为基准日期计算超期。

📋 对话即录入 — 客户信息提取规则

用户在对话中提及任何客户相关信息时，自动提取并写入客户管理表，无需专门指令。

触发场景（自动识别，无需特定指令）

写入格式（直接调用 MCP 工具）

新建客户档案（调用 mcp__tencent-docs__smartsheet.add_records）：

调用 mcp__tencent-docs__smartsheet.add_records
  file_id: "{CONFIG.tencent_doc.客户管理}"
  sheet_id: "{CONFIG.tencent_doc.客户管理_sheet_id}"
  records: [{
    "fields": {
      "公司名称": "企业名",
      "联系人": "联系人姓名",
      "电话": "手机号",
      "行业": "行业",
      "面积区间_最小": 最小面积,
      "面积区间_最大": 最大面积,
      "需求面积": 需求面积,
      "优先级": "A级",
      "最后跟进日期": "YYYY-MM-DD",
      "阶段": "初步接触",
      "负责人": "招商负责人姓名",
      "备注": "其他备注",
      "创建时间": "YYYY-MM-DD"
    }
  }]

更新跟进日期（调用 mcp__tencent-docs__smartsheet.update_records）：

调用 mcp__tencent-docs__smartsheet.update_records
  file_id: "{CONFIG.tencent_doc.客户管理}"
  sheet_id: "{CONFIG.tencent_doc.客户管理_sheet_id}"
  records: [{
    "record_id": "找到的record_id",
    "fields": {
      "最后跟进日期": "今天日期",
      "备注": "追加跟进内容摘要"
    }
  }]

意向等级调整规则：

执行流程（自动执行，无需用户指令）

1. 提取企业名 — 从用户对话中提取企业名称
2. 查询是否存在 — 使用 kb.get_all(sheet_name='客户管理') 筛选 公司名称 = 提取的企业名
3. 存在 → 使用 kb.update_record() 更新 最后跟进日期 和 备注
4. 不存在 → 使用 kb.add_record() 新建档案，填入所有可用字段
5. 告知用户：「已记录 ✅ [企业名]（[等级]级），[下次跟进日期]前记得跟进哦」

核心原则：

• AI辅助招商人员，不替代招商人员
• 招商核心仍由人掌握：商务关系、客户信任、场景判断
• Agent主要发挥：信息查询、数据整理、经验辅助、标准化、提醒分析

不是：

• 不是客服机器人，不做自动回复客户
• 不是自动销