OPC Startup Skill

OPC Startup Skill 是一个面向创业孵化园区的轻量级 AI Skill，用于帮助 Agent 基于本地结构化数据完成：

• 政策查询
• 企业下辖园区内的办公空间推荐
• 投资基金推荐

它不是完整 SaaS 系统，也不依赖复杂 RAG、向量数据库或多 Agent 架构。这个仓库本身是一个跨 Agent 的 Skill 包，可用于 Codex、Claude Code、OpenClaw 以及 MCP-compatible agents。

跨 Agent 支持

本项目采用 “Universal Agent Skill” 结构：

skill.yaml   -> 通用元信息
SKILL.md     -> Codex adapter
CLAUDE.md    -> Claude Code adapter
OPENCLAW.md  -> OpenClaw adapter
scripts/     -> 所有 Agent 都能调用的本地工具
references/  -> 可按需读取的工作流、规则和输出规范

核心思想是：不同 Agent 读取自己的 adapter，但最终都调用同一套本地脚本和同一套数据 schema。

核心原则

• 所有事实信息必须来自本地结构化数据。
• 办公空间只能从企业自有或授权管理的园区库存中推荐。
• 不推荐外部园区、公开联合办公空间或竞品空间，除非这些记录被明确加入 space.csv。
• Agent 可以理解用户意图、提取查询条件、排序和总结结果。
• Skill 不应编造政策、补贴金额、办公空间、租金、基金名称或投资金额。
• 如果本地数据没有匹配结果，应明确说明未找到匹配记录。

目录结构

.
├── SKILL.md
├── skill.yaml
├── CLAUDE.md
├── OPENCLAW.md
├── agents/
│   └── openai.yaml
├── references/
│   ├── schema.md
│   ├── workflow.md
│   ├── constraints.md
│   ├── tools.md
│   ├── output-schema.md
│   ├── examples.md
│   ├── evaluation.md
│   └── fallback.md
├── scripts/
│   ├── opc_query.py
│   ├── validate_data.py
│   └── normalize_data.py
└── assets/
    ├── sample-data/
    │   ├── policy.csv
    │   ├── space.csv
    │   └── fund.csv
    └── templates/
        ├── policy.template.csv
        ├── space.template.csv
        └── fund.template.csv

文件说明

• SKILL.md：Skill 的核心说明，包括触发场景、工作流程和安全规则。
• skill.yaml：跨 Agent 通用元信息。
• CLAUDE.md：Claude Code 使用说明。
• OPENCLAW.md：OpenClaw 使用说明。
• agents/openai.yaml：Agent UI 元信息。
• references/：角色、目标、约束、工作流、工具、输出格式、示例和异常处理。
• scripts/opc_query.py：本地结构化查询脚本，支持 CLI 和 JSON stdin。
• scripts/validate_data.py：校验 CSV 数据字段和基础类型。
• scripts/normalize_data.py：把常见中文表头转换成标准字段。
• assets/sample-data/：示例 CSV 数据，可替换为真实园区数据。
• assets/templates/：标准 CSV 模板。

使用方式

1. 作为 Skill 使用

将本仓库作为 Skill 安装或引用后，Agent 会读取 SKILL.md，并根据用户问题判断使用政策查询、空间推荐或基金推荐能力。

示例用户问题：

我想在北京找一个适合 8 个人办公的办公室

Agent 应提取：

{
  "task": "space",
  "team_size": 8,
  "region": "Beijing"
}

然后基于本地数据进行查询。注意：当前示例 space.csv 没有 region 字段，因此北京不会参与空间筛选。

2. 直接运行查询脚本

政策查询：

python scripts/opc_query.py policy --industry AI --stage startup --region Beijing

办公空间推荐：

python scripts/opc_query.py space --owner-org "OPC Group" --city Beijing --team-size 8 --budget 12000 --facility "meeting room" --industry AI

投资基金推荐：

python scripts/opc_query.py fund --industry AI --stage seed

脚本默认读取：

assets/sample-data/

JSON stdin 调用方式：

python scripts/opc_query.py --stdin

输入：

{
  "task": "space",
  "owner_org": "OPC Group",
  "city": "Beijing",
  "team_size": 8,
  "industry": "AI",
  "facilities": ["meeting room"],
  "explain": true
}

如果要使用自己的数据目录：

python scripts/opc_query.py policy --data-dir path/to/your-data --industry AI

你的数据目录需要包含：

policy.csv
space.csv
fund.csv

3. 校验数据

python scripts/validate_data.py --data-dir assets/sample-data

4. 标准化数据

如果你的原始 CSV 使用中文表头，可以尝试：

python scripts/normalize_data.py --input-dir raw-data --output-dir normalized-data

数据结构

policy.csv

id,name,industry,stage,region,subsidy_amount,conditions,application_period,source_url

space.csv

id,owner_org,park_id,park_name,city,district,address,building_name,area,workstation_count,rent_price,facilities,industry_preference,available

fund.csv

id,fund_name,industry_focus,financing_stage,typical_amount,state_owned,website

更详细的 schema 见 references/schema.md。

推荐逻辑

政策查询

根据以下字段做结构化匹配：

• industry
• stage
• region

返回政策名称、补贴金额、申请条件、申请周期和来源链接。

办公空间推荐

优先使用规则匹配：

• available = 1
• 工位数不少于团队人数
• 租金不超过预算
• 所属企业、园区、城市、区县可作为筛选条件
• 行业偏好匹配，或空间为 general
• 设施匹配越多排序越靠前

投资基金推荐

根据以下字段做结构化匹配：

• industry_focus
• financing_stage

返回基金名称、投资偏好、融资阶段、典型投资金额和官网。

不做什么

v1.0 不实现：

• 复杂 RAG
• 向量数据库
• 多 Agent 系统
• 云原生部署
• 多租户系统
• 微信小程序
• 企业画像系统

这些能力可以作为未来扩展，但不属于当前 MVP。

验证

如果你在 Codex Skill 开发环境中，可以运行：

python ~/.codex/skills/.system/skill-creator/scripts/quick_validate.py .

在 Windows 上路径可能类似：

python C:\Users\<你的用户名>\.codex\skills\.system\skill-creator\scripts\quick_validate.py .

期望输出：

Skill is valid!