企业官网建设流程全解析

• AI 技能
• AI 插件

导读

本文以agentic-awesome-skills仓库中的apify-competitor-intelligence技能（Skill）为骨架，系统讲解如何在 Agent 工作流中利用 Apify Actors 采集并分析竞争对手在 Google Maps、Booking.com、Facebook、Instagram、YouTube、TikTok 六大平台上的策略、内容、定价、广告与市场定位。读完本文，你将掌握从 Actor 选型、Schema 动态获取、三种结果导出模式，到错误处理与使用边界的完整实操流程，并能结合仓库源码理解每一步背后的实现原理。

技能定位：一条面向竞品情报的自动化管道

apify-competitor-intelligence是agentic-awesome-skills插件体系中一个风险级别标记为critical、来源为community的社区技能，其官方描述为：

Analyze competitor strategies, content, pricing, ads, and market positioning across Google Maps, Booking.com, Facebook, Instagram, YouTube, and TikTok.

在仓库的目录索引中，该技能被归入automation分类，携带apify、competitor、intelligence等标签，并定义了analyze、content、pricing、ads、market、positioning、google、maps、booking等触发词，便于 Agent 在对话中自动识别匹配。

从使用时机看，该技能适用于三类典型任务：

• 需要对内容、评论、定价、广告、受众或渠道表现做竞品对标（benchmark）；
• 任务涉及跨地图、预订、社交、视频平台的 Actor 选择与数据对比；
• 需要结构化的竞品数据 + 提炼后的战略建议，用于策略与定位决策。

技能本体位于 plugins/agentic-awesome-skills-claude/skills/apify-competitor-intelligence/SKILL.md，配套的驱动脚本位于 reference/scripts/run_actor.js，仓库的plugins/agentic-awesome-skills目录下保留了同构副本，两处均可作为阅读与运行入口。

环境准备

技能文档明确要求三项前置条件（无需提前逐项核查，运行时报错再处理即可）：

从源码层面看，run_actor.js在main()中通过process.env.APIFY_TOKEN读取令牌，若缺失会打印Error: APIFY_TOKEN not found in .env file并直接退出；同时该脚本使用 ESMimport语法与fetch、node:util等现代 Node API，这也是要求 Node.js 20.6+ 的根本原因。

五步工作流总览

技能内置了一份可复制的进度清单，Agent 执行时应逐项勾选：

Task Progress: - [ ] Step 1: Identify competitor analysis type (select Actor) - [ ] Step 2: Fetch Actor schema via mcpc - [ ] Step 3: Ask user preferences (format, filename) - [ ] Step 4: Run the analysis script - [ ] Step 5: Summarize findings

下面逐一展开每个步骤。

Step 1：选择竞品分析类型（Actor 选型）

这是整个流程中最关键的一步：根据用户需求从下表中选择最合适的 Apify Actor。Actor ID 采用作者/名称格式，选型依据按平台分组如下。

地图与本地商家（Google Maps）

酒店预订（Booking.com）

Facebook 全家桶

Instagram

YouTube 与 TikTok

需要说明：Actor 清单是技能内置的静态映射，实际运行时以 Apify 平台上的最新可用性为准；若目标平台不在上表中，可退回 Step 2 用 mcpc 动态检索。

Step 2：动态获取 Actor Schema

选定 Actor 后，通过mcpc调用 Apify MCP 服务端的fetch-actor-details工具，动态拉取该 Actor 的输入 Schema 与详细信息：

export $(grep APIFY_TOKEN .env | xargs) && mcpc --json mcp.apify.com --header "Authorization: Bearer $APIFY_TOKEN" tools-call fetch-actor-details actor:="ACTOR_ID" | jq -r ".content"

将ACTOR_ID替换为实际选中的 Actor，例如compass/crawler-google-places。命令拆解：

• export $(grep APIFY_TOKEN .env | xargs)：从.env提取APIFY_TOKEN并导出到当前 shell 环境；
• mcpc --json mcp.apify.com：以 JSON 模式连接 Apify 的 MCP 端点；
• --header "Authorization: Bearer $APIFY_TOKEN"：携带令牌完成鉴权；
• tools-call fetch-actor-details actor:="ACTOR_ID"：调用工具查询 Actor 详情；
• jq -r ".content"：提取响应中的内容字段，便于阅读。

返回内容通常包含三部分：

• Actor 的描述与 README；
• 必填与可选输入参数（input schema）；
• 输出字段（如果可用）。

拿到 Schema 后即可为 Step 4 的--input参数构造正确的 JSON 输入。

Step 3：确认用户偏好

正式运行前，向用户确认两个关键偏好：

1. 输出格式，三选一：
   • Quick answer：仅在对话中展示前几条结果，不落盘保存文件；
   • CSV：全字段导出为 CSV 文件；
   • JSON：全量数据导出为 JSON 文件。
2. 结果数量：根据具体用例性质（如关键词数量、目标竞品数、时间范围）确定采集规模。

Step 4：运行分析脚本

技能通过插件内预置的run_actor.js完成「提交运行 → 轮询状态 → 拉取数据集 → 导出/展示」的完整闭环。三种模式命令如下。

Quick answer（对话内展示，不保存文件）：

node --env-file=.env ${CLAUDE_PLUGIN_ROOT}/reference/scripts/run_actor.js \ --actor "ACTOR_ID" \ --input 'JSON_INPUT'

CSV 导出：

node --env-file=.env ${CLAUDE_PLUGIN_ROOT}/reference/scripts/run_actor.js \ --actor "ACTOR_ID" \ --input 'JSON_INPUT' \ --output YYYY-MM-DD_OUTPUT_FILE.csv \ --format csv

JSON 导出：

node --env-file=.env ${CLAUDE_PLUGIN_ROOT}/reference/scripts/run_actor.js \ --actor "ACTOR_ID" \ --input 'JSON_INPUT' \ --output YYYY-MM-DD_OUTPUT_FILE.json \ --format json

其中${CLAUDE_PLUGIN_ROOT}是插件根目录环境变量，对应仓库中的实际脚本路径为plugins/agentic-awesome-skills-claude/skills/apify-competitor-intelligence/reference/scripts/run_actor.js。

源码级解析：run_actor.js 的内部实现

对照 run_actor.js 源码，可以清晰看到整个执行链路：

1. 参数解析（parseCliArgs）

脚本基于 Node 内置node:util的parseArgs定义全部 CLI 参数：

其中--timeout与--poll-interval是错误处理表中「Timeout」场景的调节手段（见下文）。

2. 启动运行（startActor）

• 先将author/actor形式的 ID 转换为 Apify API 兼容的author~actor格式；
• 向https://api.apify.com/v2/acts/{actorId}/runs发起POST，携带令牌与用户输入的 JSON；
• 请求头中附带User-Agent: apify-agent-skills/apify-competitor-intelligence-1.0.1，用于在 Apify 侧统计技能使用情况；
• 返回runId与defaultDatasetId，供后续轮询与下载使用。

3. 轮询状态（pollUntilComplete）

• 每--poll-interval秒（默认 5 秒）请求一次运行状态，仅在状态变化时打印（SUCCEEDED/FAILED/ABORTED/TIMED-OUT为终态）；
• 超过--timeout（默认 600 秒）仍运行中则判定为超时；
• 非SUCCEEDED终态会打印Error: Actor run <状态>，并提示前往 Apify console 查看运行详情后以非零码退出。

4. 结果导出（downloadResults/displayQuickAnswer）

• CSV：以首条记录字段为表头；单元格做了两层防护——若值以=、+、@、-等公式注入字符开头，则前置单引号规避 CSV 注入；含逗号、引号或换行的值会正确加引号转义；超过 200 字符的长文本被截断，数组/对象字段序列化为 JSON 字符串。
• JSON：以JSON.stringify(data, null, 2)格式化写入。
• Quick answer：仅拉取前 5 条结果在对话中展示，单值超过 100 字符会被截断，并输出数据集总条数。

5. 汇总报告（reportSummary）

导出文件后打印记录数与文件大小（字节），其中 CSV 的记录数按「非空行数减表头」统计。

Step 5：汇总发现

运行结束后，向用户汇报以下四项内容：

• 分析的竞品数量；
• 结果文件位置与名称；
• 关键竞争洞察（如定价差异、广告创意方向、评论情绪趋势、渠道表现对比）；
• 建议的下一步动作（更深入的定向分析、跨周期对标等）。

错误处理对照表

技能文档给出了一份明确的错误处理清单，结合源码可确认每条对应的处理位置：

使用边界与注意事项

技能的Limitations部分明确了三条边界，使用时务必遵守：

• 仅在任务与上述范围明确匹配时使用本技能，不要泛化套用；
• 采集结果不能替代环境专属的验证、测试或专家评审——竞品数据仅作情报参考，落地决策仍需人工把关；
• 当必填输入、权限、安全边界或成功标准缺失时，应停止执行并向用户澄清，而不是擅自猜测。

此外需注意：该技能依赖 Apify 平台鉴权（APIFY_TOKEN）与外部数据源，运行会产生真实的 Actor 执行，涉及成本与第三方平台使用条款，建议在受控环境下按需运行。

结语

apify-competitor-intelligence演示了agentic-awesome-skills中「技能即工作流」的典型形态：一份可勾选的任务清单 + 一次动态 Schema 获取 + 一个可复用的运行脚本，即可覆盖从 Google Maps 本地商家到 TikTok 视频策略的跨平台竞品情报采集。理解其选型表、mcpc用法与run_actor.js的调用链，你便能将该模式迁移到其他 Apify 类技能（如仓库内的apify-brand-reputation-monitoring、apify-market-research、apify-lead-generation等同族技能），快速构建自己的数据采集与分析管道。

• AI 技能
• AI 插件