MBA 系统是怎么运作的

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

HACKATHON DEMO 评委头像 / 评分 / verdict 均为 AI 基于公开一手资料的 in-character 模拟,非本人真实意见;本站报告不构成投资建议,也不构成对任何品牌 / 上市公司的实际评价。

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。

目录

  1. 全景:两个输入、一个核心、三个出口
  2. 两个循环:一个慢、一个快
  3. 一条新闻如何最终改变分数
  4. L1 预筛:一道更便宜的闸门
  5. 谁在把关:六道门禁 + 一条铁律
  6. 三种用法
  7. 数字快照

01全景:两个输入、一个核心、三个出口

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。

慢变量 vs 快变量。 人物语料是慢的 —— 深化一位评委要走 6 路一手调研、≥30 条已验证引用。 舆情是快的 —— 每天自动进 170~180 条候选。系统的设计难点就是 让快的那条不要污染慢的那条

02两个循环:一个慢、一个快

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。

触发规则(三选一命中即触发)

规则条件含义
R1P0 ≥ 1出现一条重大信号即可
R2P1 ≥ 3三条次重要信号累积
R34×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。

03一条新闻如何最终改变分数

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

1
发现 · 机器每日定时抓公开新闻源,按品牌聚合候选。标题、日期、链接逐字取自来源,不改写。
2
分类 · AI判维度 / 严重度 / 方向 / 影响镜头,全部显式标注 model-judged —— 是编辑判断,不假装客观。
3
入库 · 人自动开"建议入库"PR,人审 diff 再合并。校验器把关 schema 与适用性矩阵。
4
累积 · 机器触发规则每天重算。未达阈值就继续躺在事件库里等。
5
预筛 · AIL1 只看标题,逐条打类别标签,判断"这家有没有真正落地的硬事实"。不判断分数涨跌。
6
重审 · 人发起评委以上一版为基线 in-character 重新打分。同一件事的多家转载不重复计价;悬而未决的事只给方向价,不改分。
7
发版 · 人合并 PR = 最后一道闸门。新版本落快照,事件标记 consumed_by: vN,不会被下次重复消费。
8
对外 · 机器网站、JSON API、MCP 工具同步刷新,旧版本永久可回溯。
为什么这么克制? 2026-07 一次性重审了 15 个品牌,结果是 8 升 / 1 平 / 6 降,最大只动了 0.16 分。一个月的新闻轰炸下来, 真正改变品牌影响力的东西其实很少 —— 绝大多数是券商观点、传闻、同一件事的多家转载, 它们只有"方向价值",不该改分。

04L1 预筛:一道更便宜的闸门

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。

九类封闭白名单

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
边界:L1 只回答"值不值得请评委重新打分",永远不判断分数涨跌。 目前只能手动触发、默认不写库 —— 判断质量充分验证前不进每日流程。

05谁在把关:六道门禁 + 一条铁律

铁律:审计分数从不自动变。 只在评委 in-character 重新打分时变, 且合并 PR = 人工闸门。AI 做的是分类与搬运,不是打分。
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。

06三种用法

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
把 panel 与评委接进自己的 AI 助手Claude Desktop / IDE 用户
Claude Code skill
/mba
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

07数字快照

Numbers are generated, not hand-written — 以下数字来自构建产物,随每次发布刷新。

已发布审计报告24人物评委43
可运行 panel10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11MCP 工具16

想看真实产物? 打分体系详解 · 全站舆情驾驶舱 · 43 位评委全景 · GitHub 源码