For AI Agents · Brand Judgment API

给 agent 的
品牌判断接口。

过去 agent 评估一家公司,要去爬官网、扒财报、抓社媒,然后让模型自己拼故事 —— 漂、不稳、不可比。 MBA 把品牌影响力做成了结构化的审计协议: 每个品牌一份带评分、有版本、可比较的报告,挂在 /api/*.json。你的 agent 直接 HTTP GET,CORS 全开,无 token。

/api/index.json manifest /llms.txt 自发现 /api/reports.json 看源码 →

00 ·三种用法,先选一个

MBA 有三条通路:读已有结论(HTTP API)、让 agent 跑新审计(MCP)、人在 Claude Code 里跑(skill)。差别不在功能多少,在你是要「读」还是要「审」。

	① HTTP JSON API	② MCP server	③ Claude Code skill
一句话	读已发布的审计结果	让你的 agent 跑新审计	人在 Claude Code 里交互跑
怎么起	`curl .../api/reports.json`	`npx -y mba-mcp-server@latest`	`/mba <brand>`
要装什么	什么都不用装任何语言能发 HTTP 就行	Node ≥ 20(`npx` 自动拉,无需 clone)	Claude Code + 装 skill
要 key 吗	不要 · 无 token、CORS 全开	要 `ANTHROPIC_API_KEY`	用你的 Claude 订阅
能审新品牌吗	不能 —— 只能读库里已发布的	能	能
延迟 / 成本	毫秒级 · 免费	分钟级 · 首次审计 ~$3、增量重审 ~$0.4/次(变化探针只重跑受影响维度)
典型场景	给 agent 灌事实、DD 前置过滤、供应商筛选、RAG ingest	Claude Desktop / Cursor / 自建 agent 编排;长期订阅 + 自动重审 + 主动推送	你自己在 Claude Code 里做一次调研

怎么选
→ 只想拿已有结论(分数 / 榜单 / 评委 / 舆情信号)——用 ①,零依赖零成本,先读 /llms.txt 就够。
→ 要审库里还没有的品牌——用 ② 或 ③(这是唯一的区别点:只有它们会真的跑流水线)。
→ 已经在 Claude Code 里工作 → ③;在别的客户端 / 自己的 agent 里 → ②。
→ 要长期盯一个品牌(有变化就自动重审并推给你)——② 的 subscribe_brand,配 npm 包自带的第二个可执行 mba-webhook-receiver 收推送。
→ 只是想让自己的 agent 知道 MBA 存在——把 /llms.txt 或 /api/index.json 放进 system prompt,它会自己遍历端点。

①、② 常常一起用:先用 API 判断"这品牌审过没、分数多少、几号审的",没有或太旧再用 MCP 触发一次审计 —— 省钱也省时间。 ② 的完整工具清单与配置见下方 §06。

01 ·30 秒上手

三种调用形态。所有端点 build 时静态生成,Content-Type: application/json,带 Access-Control-Allow-Origin: *。

cURL

# 1. 看站点 manifest
curl -s https://mbabrand.com/api/index.json | jq

# 2. 列出所有已发布的品牌报告
curl -s https://mbabrand.com/api/reports.json \
  | jq '.items[] | {slug, brand_cn, score: .score.total}'

# 3. 拿联想 audit 的元数据
curl -s https://mbabrand.com/api/reports/lenovo.json

Python (agent tool)

import httpx

BASE = "https://mbabrand.com"

def list_reports():
    r = httpx.get(f"{BASE}/api/reports.json")
    return r.json()["items"]

def get_report(slug: str):
    r = httpx.get(f"{BASE}/api/reports/{slug}.json")
    return r.json()

def get_panel(slug: str):
    r = httpx.get(f"{BASE}/api/panels/{slug}.json")
    return r.json()

浏览器端 / agent runtime

// 无 preflight,CORS 全开
const reports = await fetch('https://mbabrand.com/api/reports.json')
  .then(r => r.json());

// search 端点是扁平语料,客户端 substring search 用
const corpus = await fetch('https://mbabrand.com/api/search.json')
  .then(r => r.json());
const hits = corpus.items.filter(i => i.text.includes('AI 时代'));

02 ·端点

11 个端点,5 类资源(reports / panels / judges / methodology / meta)。所有路径都返回 JSON,UTF-8。

/api/index.json 站点 manifest — counts + 所有端点 URL + CORS / auth / discovery 元数据

{ "counts": { "reports": 10, "panels": 10, "judges": 43, ... }, "endpoints": {...} }

/api/about.json MBA 是什么:tagline / team / stack / repo / install / disclaimer

{ "name", "tagline", "what_it_is": [...], "team": [...], "repo", "install", "license" }

/api/methodology.json 7 维度 + 5 镜头 + 5 阶段流水线 + panel 解析优先级

{ "framework", "dimensions": [{n,slug,name_en,tier}], "lenses": [...], "pipeline": [...] }

/api/reports.json 已发布的所有品牌 audit 报告

{ "count": 10, "items": [{slug,brand_cn,version,audit_date,panel,score,tl_dr,html_url,pdf_url}] }

/api/reports/{slug}.json 单个品牌 audit 的元数据 + panel_api_url(可跳转到 panel)

{ ...same as list item, "panel_api_url": "/api/panels/{slug}.json" }

/api/panels.json 11 个评委 panel + industries 别名映射(--industry → panel slug)

{ "count": 10, "industries": {"auto":"auto","ev":"auto",...}, "items": [...] }

/api/panels/{slug}.json 单个 panel 的评委组成 + 状态 + 描述

{ "slug", "display_name", "status", "judges": [{slug,display_name_cn,display_name_en,language,weight}] }

/api/judges.json 15 个内置评委人物视角 skill 的索引

{ "count": 15, "items": [{slug,name,summary,skill_url,api_url}] }

/api/judges/{slug}.json 单个评委的 SKILL.md description + 上游源码链接

{ "slug", "name", "description", "skill_url" }

/api/install.json 怎么把 MBA 装进自己的 Claude Code(BotLearn / GitHub)+ quick start 命令

{ "skill_invoke", "quick_start": [...], "platforms": [...], "requirements": [...] }

/api/search.json 扁平语料 — reports + panels + judges + dimensions + lenses,给客户端 substring search

{ "count", "items": [{type,slug,title,text,url,api_url}] }

03 ·三类 agent 用法

Investment Agent · 投研

Brand Influence DD

看 pitch 之前先调 /api/reports/{ticker},拿审计总分 + TL;DR + 评委异议。没有报告就触发 /mba {brand} 现场跑一份。

Sourcing Agent · B2B 采购

供应商品牌过滤

RFP 评估时把 /api/reports.json 当 brand-credibility 数据源。score < 阈值 → 走人工审查 / 排除。

Strategy Agent · 战略

竞品格局监控

定时拉 watchlist 里每个品牌的 /api/reports/{slug}.json,比较版本间的 score / panel,推送结构性变化。

Research Agent · 研究

评委身份复用

不跑全流程,只调 /api/judges/{slug}.json 把人物视角 SKILL.md 灌进自己的 agent 框架做 in-character reasoning。

04 ·报告对象的字段

每条 report item 是这几个字段。score 是评委 × 镜头矩阵的 SUM(满分 = 评委数 × 50),归一化 0-10 在 score.normalized。

slug

URL-safe brand slug,等于 reports/<slug>/ 路径段

brand_cn / brand_en

品牌中英文名;海外品牌可能只有 brand_en

ticker

上市公司股票代码(可选,例 "0992.HK")

version

报告版本号,v1 / v2 …(EVOLUTION 模式每次 bump)

audit_date

最近一次审计落地日(YYYY-MM-DD)

panel

使用的 panel slug;跳到 /api/panels/{panel}.json 看评委构成

score.total

5 镜头 × 评委数总分

score.max

满分(评委数 × 50)

score.normalized

归一化 0-10 分(可选)

tl_dr

一句话审计结论

html_url

人类可读的 HTML 报告 URL(完整版含雷达 / 异议热力 / 影响力图)

pdf_url

PDF 版下载(force-expanded details)

api_url

回到自己的 single-report endpoint(self-link)

为什么 body_md 不在 JSON 里? 报告 HTML 包含交互式雷达图 / 异议热力图 / Mermaid 流程图,纯 Markdown 损失太多。如果 agent 真的需要 full body,直接 GET html_url 然后 strip HTML —— 比把这些图当文字塞进 JSON 更诚实。

05 ·从你的 agent 触发新 audit

除了消费已发布的报告,agent 也可以触发 MBA 自己跑一份新的。MBA 本身是一个 Claude Code skill,装上之后任何 agent 都能调:

# 全流程 — 默认 5 评委 panel
/mba lenovo

# 用行业 panel
/mba xpeng --panel auto

# 单视角速读 — 不召评委,~3 分钟
/mba openai --quick --no-judges

# EVOLUTION:已有报告,只重跑变了的维度
/mba lenovo --refresh

# 预览计划 — 只打印面板/评委/路径,零副作用
/mba anthropic --dry-run --panel vc-en

# 跨面板对比 — 用新面板重跑,产出 delta 热力图
/mba lenovo --panel vc-en --panel-merge

装法在 /api/install.json(BotLearn 一键 / GitHub 手装两条路)。

06 ·对接其他 agent 框架

Claude Code / Claude API —— 把 /api/index.json 加进 system prompt,agent 自己会遍历端点。或装 /mba skill 直接编排。

OpenAI function calling / Codex —— 把 11 个端点注册成 tool,每个端点 1 个 GET。返回 JSON 直接喂给模型。

Hermes / OpenClaw / 任何支持 HTTP tool 的 framework —— 直接调。

MCP server —— mba-mcp-server v0.2.0（TypeScript，stdio，Node ≥ 20，已发布到 npm，npx 一行接入无需 clone）。包内含两个可执行：mba-mcp-server（MCP stdio 服务）与 mba-webhook-receiver（收订阅推送）。接进 Claude Desktop / Cursor / 任何 MCP 客户端：

// claude_desktop_config.json
{ "mcpServers": { "mba": {
  "command": "npx",
  "args": ["-y", "mba-mcp-server@latest"],
  "env": { "ANTHROPIC_API_KEY": "sk-ant-..." }
}}}

然后说"用 mba 审一下 Anthropic"，agent 走 propose_audit → confirm_audit → get_status → fetch_report。共 16 个工具：

核心审计（8）：propose_audit（生成 PRD）· confirm_audit（启动后台流水线，非阻塞）· get_status（轮询进度）· fetch_report（拉报告 MD/HTML）· list_audits · resume_audit（断点续跑）· list_panels（面板发现）· add_judge（注册自定义评委）
演化追踪（6）：subscribe_brand（订阅品牌自动重审）· trigger_evolution（触发 EVOLUTION 重审）· list_subscriptions · unsubscribe_brand · get_delta_report（两次审计评分对比）· get_brand_trend（跨多次审计轨迹）
舆情监控（2）：get_watch_events（读事件流 + 触发评估）· record_watch_event（录可溯源事件；P0/触发命中经订阅链路下发重审建议，永不改分）

支持品牌订阅 → 定时/事件/舆情触发 → 增量重审 → delta 报告 → webhook/email 主动通知的完整闭环。变化探针只重跑受影响的维度，演化审计成本从 ~$3 降到 ~$0.4/次。内置 5 位评委（傅盛 / Jobs / 李可佳 / 吴俊东 / 张一鸣），可扩展。29 个测试文件 / 215 个 test（含真实 MCP 协议层 e2e）。上手见 docs/13-mcp-quickstart.md；源码 packages/mcp-server/。

RAG ingest —— 直接拉 /api/search.json,扁平 corpus 就是给 client-side substring search 准备的;也适合直接灌 embedding。

07 ·深入

/llms.txt · 自发现入口,给 LLM 一段紧凑的 site overview + 端点清单
/how-it-works.html · 7 × 5 打分体系的人类详解 + Mermaid 流程图
/presentation/ · 21 页编辑式 deck
/pitch.html · 5 分钟现场讲稿
github.com/zhanglunet/mba · 源码 + skill 仓库(perspectives/ 是评委,metric-brand-auditor/ 是主 skill)
scripts/build_agents_api.py · 这套 /api/*.json 的构建脚本

给 agent 的品牌判断接口。

00 ·三种用法,先选一个

01 ·30 秒上手

cURL

Python (agent tool)

浏览器端 / agent runtime

02 ·端点

03 ·三类 agent 用法

Brand Influence DD

供应商品牌过滤

竞品格局监控

评委身份复用

04 ·报告对象的字段

05 ·从你的 agent 触发新 audit

06 ·对接其他 agent 框架

07 ·深入

给 agent 的
品牌判断接口。