CaSee 竞争情报分析

解决什么问题

竞品情报工作常见的三个坑：检索散落在几十个媒体源里，人工搜集成本高；AI 直接生成的“情报”没有出处，关键决策不敢用；同一痛点（比如“续航焦虑”）在不同语种、不同措辞下反复出现，关键词搜索根本捞不全。

这个技能把智能体接到 CaSee 情报平台的 MCP 服务器上，让 agent 调用 find_trusted_sources、search_intelligence、analyze_trend 等工具去检索，而不是凭模型记忆回答。

核心能力

• 两阶段关键词检索：先用 find_trusted_sources 按类别（wire / mainstream / tech / market / ai）和 min_tscore 圈定信源，再用 search_intelligence 在信源内检索，查询语法支持 + 与 -、同义词 |、精确短语和分组。
• CVC 语义检索：先用 search_with_cvc 把候选情报归集到 CVC 模型并建立向量索引，再通过 semantic_search_tool 做混合检索（BM25 + 向量 + RRF），可以命中不同措辞、不同语种但语义相同的讨论。
• 趋势与对比分析：analyze_trend 按日聚合情报量、标注峰值，aggregate_by_source 统计各信源报道量与平均可信度，支撑声量对比和格局分析。
• 结构化交付：每条结果都带标题、来源、日期和 T-Score 可信度等级；输出 Markdown 摘要 + 内联 HTML 报告 + Mermaid 图表（折线、柱状、饼图、雷达），高可信（tscore ≥ 0.8）信号置顶高亮。

典型流程

1. 确认实体、时间窗口、可信度下限和分析类型；参数不全先追问，不猜。
2. 按意图走检索路径：明确关键词走两阶段检索，概念级问题走 CVC 语义检索。
3. 对语义命中的关键论断用 search_intelligence 加精确短语复核。
4. 统计关键指标，生成双格式报告与可视化。

适用边界

• 必须可访问 CaSee 的 MCP 服务并配置 MCP_ENDPOINT 与 MCP_API_KEY，否则工具全部不可用。
• T-Score 是信源可信度评分，不是事实真伪保证；涉及关键业务决策仍需独立验证。
• 语义检索适合概念发现，不适合直接作为事实依据；媒体覆盖本身有偏差（例如中文信源对国产品牌天然倾斜）。
• 每分钟调用上限 100 次，仅限 skill.yaml 声明的 6 个 MCP 工具，不会凭空扩展能力。