# Competitor-Spy 数据集说明 v1

> 竞品情报搜集与分析技能训练/测试数据集文档

---

## 1. 数据集概览

| 属性 | 说明 |
|------|------|
| 技能名称 | competitor-spy |
| 版本 | v1 |
| 训练集规模 | 12 条 (train.jsonl) |
| 测试集规模 | 8 条 (test.jsonl) |
| 总样本量 | 20 条 |
| 数据格式 | JSON Lines (.jsonl) |

---

## 2. 数据来源

| 来源 | 说明 |
|------|------|
| Hunter knowhow_v1.md | 竞品情报知识体系、真实案例参考 |
| crawl_config.json | 配置文件中定义的 7 个数据源模板 |
| 行业真实场景 | 基于 Netflix/Disney+、瑞幸咖啡、互动剧出海等案例改编 |
| 边界场景 | 反爬限制、数据源缺失、低质量数据、时间紧迫等压力测试场景 |

---

## 3. 场景覆盖矩阵

### 3.1 训练集场景 (12条)

| 场景类型 | 数量 | 说明 |
|----------|------|------|
| 应用商店/工具竞品监控 | 2 | CapCut/Rush 功能对标、健康食品 App 自动化监控 |
| 社交媒体/UGC 舆情监听 | 2 | 小红书/微博情感分析、运动品牌抖音/小红书投放差异 |
| 技术/人才情报分析 | 2 | Notion/飞书 AI 专利与招聘分析、SaaS 创企早期信号预警 |
| 电商/营销买量分析 | 2 | Shein/Temu 广告素材拆解、 stealth mode 公司情报拼图 |
| 高管报告与战略规划 | 2 | CEO 助理季度简报模板、波特五力新能源汽车分析 |
| 产品体验对标 | 1 | Figma/MasterGo UX 情感分析 |
| 技术配置与合规审计 | 1 | crawl_config 模板编写、合规流程整改方案 |

### 3.2 测试集场景 (8条)

| 场景类型 | 数量 | 说明 |
|----------|------|------|
| 数据缺失/反爬 | 2 | 官网无API时多渠道拼图、反爬升级应急响应 |
| 数据源冲突与验证 | 2 | 小红书/微博情感差异分析、应用商店刷评论识别过滤 |
| 时间压力下的情报输出 | 2 | 24小时白皮书拆解、2小时危机舆情简报 |
| 合规与伦理边界 | 1 | 脉脉员工隐私数据抓取请求的拒绝与替代方案 |
| 数据源失效降级 | 1 | GitHub API不可用时恢复情报与补采计划 |

---

## 4. 字段定义

每条样本包含以下字段：

```json
{
  "id": "样本唯一编号",
  "input": {
    "role": "竞品情报分析师",
    "task": "具体任务描述",
    "context": "背景信息（可选）"
  },
  "expected_output": "期望的标准输出（结构化 Markdown / JSON）",
  "dimensions": {
    "D1": 19,
    "D2": 19,
    "D3": 19,
    "D4": 19,
    "D5": 14,
    "D6": 5
  },
  "score": 100,
  "grader_hints": "评分时重点关注的检查点"
}
```

---

## 5. 标注逻辑

1. **数据来源约束**：所有 expected_output 均基于 knowhow_v1.md 中的方法论和工具清单生成，确保与训练目标一致。
2. **评分维度对齐**：每条样本覆盖 benchmark_v1.md 中的 6 个维度，满分基准统一为 100 分。
3. **难度递增原则**：
   - 训练集侧重单一技能模块的标准输出
   - 测试集侧重多维度综合与边界 case
4. **可复现性**：每条样本的 expected_output 均包含明确的结构化格式（表格/JSON/编号列表），便于自动化评测。

---

## 6. 版本变更记录

| 版本 | 日期 | 变更 |
|------|------|------|
| v1 | 2026-04-09 | 初始版本，基于 Hunter 阶段 knowhow_v1.md 生成 20 条样本 |

---

*文档版本: v1*  
*生成时间: 2026-04-09*  
*作者: Digester (competitor-spy 训练流水线)*