System overview — 两个输入 · 一个核心 · 三个出口;两个循环交汇于一道人工闸门
MBA 把"品牌影响力"这件本来靠感觉的事,拆成可打分、可比较、可复盘的东西。 这一页讲整台机器怎么转 —— 单次打分的细节在 怎么打分那一页。
整个系统只有两个输入源,但它们的节奏完全不同 —— 这是理解 MBA 的关键。
flowchart TB A1["输入 ① · 人物语料
慢变量
43 位评委 · 一手著作 / 访谈 / 决策"] A2["输入 ② · 舆情信号
快变量
24 个品牌 · 每日自动发现 170~180 条"] B1["核心 ① · 编组
10 套 panel,按行业选评委
利益冲突自动回避"] B2["核心 ② · 审计
7 维度 × 5 镜头
N 位评委隔离、独立打分"] R["版本化报告
v1 → v2 → v3 …
每版冻结快照,旧版可回溯"] C["三个出口
网站报告页
JSON API × 11 · MCP 工具 × 16"] A1 --> B1 B1 --> B2 A2 -.->|"累积到阈值 ⇒ 触发重审"| B2 B2 --> R R --> C R -.->|"vN 作为下一次的基线"| B2 style A2 stroke-dasharray: 4 3
虚线 = 反馈回路。舆情只能触发重审,永远不能自己改分。
flowchart TB
subgraph B["循环 B · 舆情循环(机器驱动,每天 02:17 UTC)"]
direction LR
B1["发现候选
170~180 条/天"] --> B2["AI 预分类
维度/严重度/方向"] --> B3["自动开 PR"] --> B4["人审 diff
合并入库"]
end
B4 --> EV["events.yaml
24 个品牌 · 持续累积"]
EV --> TR{"触发规则
30 天滚动窗口"}
TR -->|"未达阈值"| WAIT["继续累积"]
TR -->|"达阈值"| SUG["建议重审
首页亮灯"]
SUG --> L1["L1 预筛
值不值得跑"]
L1 --> A0
subgraph A["循环 A · 审计循环(人驱动,按需)"]
direction LR
A0["/mba 品牌"] --> A1["立 PRD
人确认"] --> A2["N 个子代理
并行取证"] --> A3["Lead 合成
证据包"] --> A4["N 位评委
隔离打分"] --> A5["Lead 合并
+ 版本快照"]
end
A5 --> DONE["新版本 vN+1
事件标记已消费"]
style B4 fill:#fff7ed,stroke:#c1440e,stroke-width:2px
style A4 fill:#fff7ed,stroke:#c1440e,stroke-width:2px
橙色框 = 人在把关的两个环节。其余均可自动化。
| 规则 | 条件 | 含义 |
|---|---|---|
| R1 | P0 ≥ 1 | 出现一条重大信号即可 |
| R2 | P1 ≥ 3 | 三条次重要信号累积 |
| R3 | 4×P0 + 2×P1 + 0.5×P2 ≥ 6 | 加权总量达标 |
三条都只算30 天滚动窗口内、且尚未被任何一次重审消费过的事件 —— 所以旧新闻不会一直把品牌卡片标红,同一件事也不会被重复计价。
把上面两张图串起来,追一条真实信号的完整旅程 —— 注意哪几步是 AI、哪几步是人。
model-judged —— 是编辑判断,不假装客观。consumed_by: vN,不会被下次重复消费。完整重审一个品牌要读全篇报告加全部未消费事件,成本很高;而上面的数据说明, 绝大多数时候结论是"没变化" —— 钱花在了得出"不用改"上。所以加一道只看标题的前置闸门: 筛完全部触发品牌的成本,约等于完整重审一家。
flowchart TB E["每条新闻
只喂标题 + 严重度"] --> M["AI 逐条打类别标签"] M --> W{"是否命中
9 类封闭白名单?"} W -->|"命中"| K["记为硬事实
并引用事件 id"] W -->|"没命中"| D["无实质变化"] K --> AGG["程序汇总:任一命中 ⇒ 值得重审
结论不由 AI 直接给"] D --> AGG AGG --> OUT["建议 + 逐条依据 + 覆盖率
供人复核"] style AGG fill:#f0ece3,stroke:#111,stroke-width:2px
品牌层面的结论由程序汇总,不由 AI 直接给。
财报数字 · 融资完成 · 并购完成 · 监管处罚 · 上市进程 · 大规模裁员 · 重大事故 · 股价异动 · 旗舰发布。挑不出就是"无实质变化"。
| 设计要点 | 为什么这么做 |
|---|---|
| 逐事件打标签,不给品牌级结论 | 让 AI 直接下品牌结论,它会"挑最弱的一条说不" —— 曾把排在第一位的"完成融资、估值超 3500 亿"直接跳过 |
| 类别取自封闭清单,挑不出即无 | "这件事重不重要"是开放判断,能力有限的模型做不稳;分类才稳 |
| 白名单由代码校验 | 模型自创一个类别,程序一律不认 —— 不靠自觉 |
| 每条引用事件编号 + 报出覆盖率 | 可逐条复核;静默漏答比误判更危险 |
| 门禁 | 守什么 |
|---|---|
| 反捏造防火墙 | 评委档案里带署名的逐字引用,必须在本套一手语料里逐字存在;引一句语料里没有的话 = CI 报红 |
| 结构 / 质量检查 | 43 套评委档案的结构与质量,全量必须满分 |
| 利益回避静态拦截 | 每套评委档案都声明"不给自己的品牌打分",不靠自觉;已在微软 / 华为 / 特斯拉 / Palantir 四家真实触发 |
| 舆情数据校验 | 事件 schema + 品牌适用性矩阵对齐发布白名单;判断字段恒标"模型判定" |
| 一致性守卫(12 格) | 版本号、文档索引、评委数、工具数、维度口径、产业分类、首页卡片…… 抓"数据改了、页面没跟上"的漂移 |
| 报告完整性 | 评分矩阵列和必须等于声明总分;网页版与 Markdown 版不得漂移 |
这些检查本地跑的命令与 CI 完全一致 —— 贡献者在推送前就能拿到和 CI 一样的结论。
| 方式 | 要 key 吗 | 能做什么 | 适合谁 |
|---|---|---|---|
| HTTP JSON API 11 个端点 | 不要 | 读已发布的报告 / 评委 / panel,做搜索 | 任何人、任何 AI 助手,curl 即可 |
| MCP server 16 个工具 | 要 | 把 panel 与评委接进自己的 AI 助手 | Claude Desktop / IDE 用户 |
Claude Code skill/mba | 要 | 真跑完整流水线,产出新报告 | 想审新品牌的人 |
完整指南见 API / CLI 页; AI 助手的自我发现入口是 /llms.txt。
Numbers are generated, not hand-written — 以下数字来自构建产物,随每次发布刷新。
| 项 | 数 | 项 | 数 |
|---|---|---|---|
| 已发布审计报告 | 24 | 人物评委 | 43 |
| 可运行 panel | 10 | 维度 / 镜头 | 9 / 5 |
| 创始人档案 | 24 | 创始人晚餐 | 3 |
| 监控品牌 | 24 | 舆情事件库 | 每日累积 → |
| JSON API 端点 | 11 | MCP 工具 | 16 |