Canghe Tianyancha

canghe-tianyancha

天眼查企业洞察看板 Skill —— 输入企业名称，自动生成包含企业概况、在招岗位分析、数据分析、司法风险、融资历史、股东结构、知识产权、对外投资、主要人员的单文件 HTML 看板。

导出说明：本 Skill 已从原 Kimi 环境导出，适配其他 Kimi Work 用户使用。kimi_search_v2 和 PythonRun 均为 Kimi Work 内置工具，无需修改。

触发条件

当用户提到以下关键词时触发：

• 天眼查、查企业、企业信息、企业看板、公司查询
• 招聘查询、在招岗位、岗位列表、岗位分析、招聘分析
• 司法风险、法律诉讼、开庭公告
• 融资情况、融资历史、股东信息
• 工商信息、主要人员、企业洞察
• 知识产权、专利、商标、软件著作权
• 对外投资、成立时间、参保人数
• 岗位数据分析、招聘数据分析、招聘趋势
• 企业健康度、求职建议、公司评价、企业分析
• 招聘预测、薪资分析、求职参考
• 行业分析、行业洞察、头部企业、行业排名、大厂对比
• AI大模型、互联网、电商、金融科技、新能源等行业名 + 看板/分析/洞察

Preferences (EXTEND.md)

Use Bash to check EXTEND.md existence (priority order):

# Check project-level first
test -f .canghe-skills/canghe-tianyancha/EXTEND.md && echo "project"

# Then user-level (cross-platform: $HOME works on macOS/Linux/WSL)
test -f "$HOME/.canghe-skills/canghe-tianyancha/EXTEND.md" && echo "user"

EXTEND.md Supports: default output directory, recent job analysis window, industry company count, preferred data sources, report language, and whether to include dashboard disclaimers.

Schema: references/config/preferences-schema.md

Usage

执行流程

模式 1 — 单企业查询（输入企业名称）

1. 从用户输入中提取企业名称
2. 使用 kimi_search_v2 并行搜索企业数据：
   • {企业名} 天眼查 在招岗位 招聘 岗位分析
   • {企业名} 天眼查 司法风险 法律诉讼
   • {企业名} 天眼查 融资历史 股东信息
   • {企业名} 天眼查 工商信息 主要人员 成立时间 参保人数
   • {企业名} 天眼查 知识产权 专利 商标 软件著作权
   • {企业名} 天眼查 对外投资
3. 结构化提取后调用 generate_dashboard() 生成单企业看板

模式 2 — 行业查询（输入行业名称）

1. 从用户输入中提取行业名称（如"AI大模型"、"互联网"、"电商"）
2. 使用 kimi_search_v2 搜索该行业头部企业名单：
   • {行业名} 头部企业 排名 大厂 天眼查
   • {行业名} 公司 融资 在招岗位 天眼查
3. 提取 TOP 5-10 家头部企业的核心数据（名称、在招岗位、成立时间、注册资本、融资轮次、参保人数、总部城市、核心产品）
4. 为每个头部企业收集完整数据（工商信息、在招岗位、司法风险、融资历史、股东结构、知识产权、对外投资、主要人员）
5. 调用 generate_industry_with_companies() 批量生成：
   • 每个企业的独立「企业洞察看板」
   • 行业洞察看板（企业卡片可点击跳转至对应企业看板）

Script Directory

Important: All scripts are located in the scripts/ subdirectory of this skill.

Agent Execution Instructions:

1. Determine this SKILL.md file's directory path as SKILL_DIR
2. Script path = ${SKILL_DIR}/scripts/<script-name>.py
3. Replace all ${SKILL_DIR} in this document with the actual path

Script Reference:

行业看板数据结构

industry_data 字段：

• industry_name: 行业名称
• industry_desc: 行业简介（可选）
• companies: 头部企业列表，每项包含：
  • name: 企业名称
  • jobs_total: 在招岗位总数
  • established_date: 成立时间
  • registered_capital: 注册资本
  • status: 经营状态
  • scale: 企业规模
  • funding_rounds: 融资轮次数
  • tianyancha_url: 天眼查详情页链接
  • key_products: 核心产品/业务
  • employees: 员工规模/参保人数
  • city: 总部城市
  • industry_segment: 细分赛道

行业看板内容

行业洞察看板包含：

1. 行业概览 — 头部企业数量、在招岗位总数、参保人数汇总、融资轮次汇总
2. 头部企业卡片 — 每家企业展示：在招岗位、融资轮次、参保人数、成立年份、总部城市、注册资本、企业规模、核心产品。卡片可点击跳转至该企业独立的「企业洞察看板」，同时保留「天眼查详情」外部链接
3. 在招岗位对比 — TOP10 企业横向柱状图
4. 融资活跃度对比 — TOP10 企业融资轮次对比
5. 成立时间分布 — 按年份统计企业成立数量
6. 企业规模分布 — 饼图展示规模分布
7. 总部城市分布 — 柱状图展示城市集中度
8. 免责声明 — 数据仅供参考，不构成投资建议

看板生成代码

单企业看板

import sys
sys.path.insert(0, '${SKILL_DIR}/scripts')
from generate_dashboard import generate_dashboard

# 请替换 {workspace_path} 为你的实际工作区路径，例如：
# macOS: /Users/<你的用户名>/Documents/kimi/workspace
# Windows: C:\Users\<你的用户名>\Documents\kimi\workspace
filepath = generate_dashboard(company_data, '{workspace_path}')
print(f"看板已生成: {filepath}")

行业看板

import sys
sys.path.insert(0, '${SKILL_DIR}/scripts')
from generate_dashboard import generate_industry_dashboard

filepath = generate_industry_dashboard(industry_data, '{workspace_path}')
print(f"行业看板已生成: {filepath}")

批量生成（行业看板 + 企业看板）

同时生成行业洞察看板 + 所有头部企业的独立洞察看板，企业卡片可点击跳转：

import sys
sys.path.insert(0, '${SKILL_DIR}/scripts')
from generate_dashboard import generate_industry_with_companies

result = generate_industry_with_companies(
    industry_data,           # 行业数据（同 generate_industry_dashboard）
    companies_data_list,     # 企业数据列表（每个元素同 generate_dashboard 的 company_data）
    '{workspace_path}'
)

print(f"行业看板: {result['industry_dashboard']}")
print(f"企业看板: {result['company_dashboards']}")
print(f"所有文件: {result['all_files']}")

批量生成流程：

1. 先为每个企业生成独立的 企业洞察看板_{企业名}.html
2. 再生成行业看板，企业卡片自动链接到对应的企业看板文件
3. 企业卡片提供两个入口：「企业洞察看板」（本地）和「天眼查详情」（外部）

企业概况字段

• established_date: 成立时间 (string, e.g. "1999-09-09")
• registered_capital: 注册资本 (string, e.g. "10000万元")
• paid_in_capital: 实缴资本 (string)
• legal_representative: 法定代表人 (string)
• social_credit_code: 统一社会信用代码 (string)
• company_type: 企业类型 (string, e.g. "有限责任公司")
• insured_count: 参保人数 (int)
• business_scope: 经营范围 (string)

在招岗位字段

• title: 岗位名称
• salary: 薪资范围
• city: 城市
• education: 学历要求
• experience: 经验要求
• source: 招聘平台来源
• date: 发布日期 (YYYY-MM-DD 格式)
• url / webInfoPath: 岗位链接（优先使用 webInfoPath）
• startDate: 时间戳（毫秒，可选）

司法风险字段

• title: 案件名称
• date: 日期
• type: 风险等级（高风险/中风险/低风险）
• status: 案件状态

融资历史字段

• round: 融资轮次
• amount: 融资金额
• date: 融资日期
• investor: 投资方

股东结构字段

• name: 股东名称
• ratio: 持股比例
• amount: 认缴金额

知识产权字段

• type: 类型（专利/商标/软件著作权）
• name: 名称
• date: 申请/注册日期
• status: 状态
• category: 分类

对外投资字段

• company: 被投企业名称
• amount: 投资金额
• ratio: 持股比例
• status: 投资状态
• date: 投资日期
• industry: 被投企业行业

主要人员字段

• name: 姓名
• position: 职位
• education: 学历

Stage 3 — 看板生成

使用 PythonRun 调用 generate_dashboard.py 生成 HTML 看板：

import sys
sys.path.insert(0, '${SKILL_DIR}/scripts')
from generate_dashboard import generate_dashboard

filepath = generate_dashboard(company_data, '{workspace_path}')
print(f"看板已生成: {filepath}")

看板 Tab 结构

看板包含 9 个 Tab，默认显示"企业概况"：

1. 企业概况 — 工商基本信息（成立时间、注册资本、实缴资本、法定代表人、参保人数、企业类型、统一社会信用代码）、经营范围、核心数据汇总
2. 在招岗位分析 — 多维度数据分析视图（不展示岗位列表，纯图表分析）
3. 数据分析 — 企业健康度评估、招聘趋势预测、求职者友好度、薪资竞争力、风险预警、城市扩张分析、岗位类型分布、综合求职建议
4. 司法风险 — 法律诉讼、开庭公告等
5. 融资历史 — 融资轮次、金额、投资方
6. 股东结构 — 股东名称、持股比例、认缴金额
7. 知识产权 — 专利、商标、软件著作权统计与明细
8. 对外投资 — 投资企业、金额、持股比例、行业
9. 主要人员 — 高管列表

在招岗位分析维度

"在招岗位分析"Tab 不展示岗位列表卡片，改为纯数据分析视图，包含 7 个 ECharts 图表：

支持"本季度"（默认，90天）和"全部"两种数据范围切换，切换后所有图表联动刷新。

岗位数据分析时效性规范

核心规则：只显示最近一个季度（90天）的岗位数据分析。

1. 固定筛选：所有图表固定基于最近 90 天内的岗位数据进行分析，不提供"全部"历史数据切换
2. 数量显示：标题显示 (本季度 X 个)
3. 提示条：蓝色提示条说明"当前显示最近90天（一个季度）的岗位数据分析"
4. 免责声明：在提示条下方显示灰色标注"数据仅供参考，以实际情况为准"
5. 图表维度：城市分布、学历要求、薪资分布、经验要求、招聘平台来源、发布时间趋势、TOP热门岗位

岗位数据交互规范

1. 筛选切换："本季度"/"全部"按钮切换数据范围，7个图表联动刷新
2. 图表响应式：所有图表随窗口大小自适应
3. 图表提示：鼠标悬停显示详细数据 tooltip
4. 数据为空处理：当某维度无数据时，图表区域显示"暂无XX数据"提示

数据分析维度

Python 端 analyze_jobs() 函数从岗位列表提取以下分析维度：

• 城市分布：按 city 字段统计，返回 [{name, value}]
• 学历分布：按 education 字段统计，返回 {categories, values}
• 薪资分布：解析 salary 字段（如 "25K-40K"），按区间统计
• 经验分布：按 experience 字段统计
• 来源分布：按 source 字段统计招聘平台
• 时间趋势：按周统计近13周岗位发布数量
• TOP岗位：提取岗位名称核心词（去掉修饰后缀），统计TOP10

数据分析模块

"数据分析"Tab 基于企业全量数据进行深度分析和预测，帮助求职者全面了解企业状况。

企业健康度评估

综合评分（满分100分），从四个维度评估：

评分等级：≥85优秀 / ≥70良好 / ≥50一般 / ≥30较弱 / <30差

招聘趋势预测

基于近13周岗位发布数据，使用简单线性回归预测未来4周招聘量：

• 趋势判断：上升（斜率>0.5）/ 下降（斜率<-0.5）/ 稳定
• 预测图表：历史数据（实线）+ 预测数据（虚线）
• 投递建议：根据趋势给出投递时机建议

求职者友好度（满分100分）

薪资竞争力评级

基于高薪岗位（30K+）占比：

• 强：≥40% 高薪岗位
• 较强：≥20% 高薪岗位
• 一般：<20% 高薪岗位

风险预警

基于司法风险数据：

• 无风险：无司法记录
• 低风险：仅有低风险记录
• 中风险：存在中风险记录
• 高风险：存在高风险记录

城市扩张分析

基于招聘城市分布：

• 多城市扩张：≥5个城市，最大城市占比<60%
• 区域扩张：≥3个城市
• 集中发展：<3个城市

岗位类型分布

自动分类岗位为：技术类/产品类/运营类/销售类/职能类/设计类/其他

综合求职建议

基于以上分析自动生成 3-6 条求职建议，包括：

• 企业整体状况评价
• 投递时机建议
• 求职者友好度评价
• 薪资竞争力评价
• 风险提示
• 其他特色建议（对外投资、知识产权等）

输出

• 单企业看板：{workspace_path}/企业洞察看板_{企业名}.html
• 行业看板：{workspace_path}/行业洞察看板_{行业名}.html
• 批量生成：同时输出行业看板 + N 个企业看板，企业卡片支持点击跳转
• 单文件 HTML，零后端依赖，浏览器直接打开
• 使用 Tailwind CSS + ECharts，响应式布局

注意事项

• 天眼查 API 单次返回岗位数量有限，通常只返回前 20 条，分析结果基于可用数据
• 岗位总数 jobs_total 与分析样本量可能不一致，已通过数量标签说明
• 已下线职位仍可能出现在 API 数据中，通过"本季度"默认筛选缓解
• 天眼查企业数据库无法被代码直接程序化调用，实际通过 kimi_search_v2 获取公开数据
• 知识产权和对外投资数据可能不完整，以天眼查公示为准
• 薪资分布通过解析 salary 字符串（如 "25K-40K"）计算平均值后归类，可能存在误差
• 招聘趋势预测基于简单线性回归，仅供参考，不构成投资建议
• 企业健康度评分为综合评估模型，各维度权重可根据实际情况调整
• 求职建议由算法自动生成，建议结合个人情况综合判断

Extension Support

Custom configurations via EXTEND.md. See Preferences section for paths and supported options.