tob-sales-proposal — HTML 提案生成器#

把客户信息变成有知识库案例支撑的 HTML 提案页面。

基于知识库匹配过往相似项目，输出带品牌色/CSS的4模块分页提案——不堆方法论，只讲客户能信的东西。

使用方式#

bash

# 交互模式（推荐）
tob-sales-proposal

# 快速模式
tob-sales-proposal --quick --client "某连锁便利店" --industry "零售" \
  --painpoints "库存不准,会员流失" --budget "150万"

输入：客户名 / 行业 / 痛点（最多5个，逗号分隔）/ 预算 / 决策周期

输出4模块#

输出为 HTML 格式，带品牌色/CSS和分页导航。每模块包含： 客户输入摘要 → 知识库匹配案例引用 → 模块正文。页面底部固定提示：复制内容给 AI 生成 PPT。

示例（痛点对齐模块）：

html

<section class="page" id="page-1">
  <h2>痛点对齐：让客户觉得你懂他</h2>
  <p>客户输入：零售行业，库存不准，会员流失</p>
  <p>匹配案例：某连锁便利店（50家门店）→ 库存准确率65%→93%，6周</p>
</section>

1. 痛点对齐（让客户觉得你懂他）#

• 基于同行业客户的知识库痛点分布（非猜测）
• 把客户说的「痛点」翻译成可解决的技术问题
• 引用案例：「XX零售集团也遇到过同样问题，他们的解法是...」

2. 方案对齐（为什么要选你）#

• 痛点→功能映射表（一句话痛点 → 一个功能）
• 差异化定位：竞品怎么解决 vs 你怎么解决
• 引用案例：「XX客户用了类似方案，6周上线，首月表现...」

3. 实施路径（消除落地恐惧）#

• 分阶段交付：Lite → 爬坡 → 优化（默以3个月基准）
• 客户配合清单（数据、接口、人员）
• 引用案例：「XX同体量客户从签约到上线8周」

4. 承诺型ROI（给数字，不给空话）#

• 基于同行业同体量过往项目的实际数据算收益
• 三档输出：保守/中性/乐观
• 引用案例：「XX客户上线后3个月初见效果，6个月回本周期」

知识库匹配规则#

行业优先collection零售/鞋服knowledge-baisheng金融/银行knowledge-unified-v2政务/央企knowledge-zhongruan零售科技（同行对标）knowledge-retail

找不到高置信案例时输出：「无高置信匹配，建议补充知识库」

实战原则#

1. 痛点对齐 > 方案展示 — 模块1花30%精力，比其他模块重要
2. 案例用真不用编 — 格式：「某[行业]客户（[规模]）→ [效果]」。编的客户一眼看穿
3. ROI给三档 — 客户信保底，你朝着乐观做
4. 预算决定了深度 — 50万以下出Lite版，50-200万标准版，200万+深度版

联用#

• 新提案前跑一遍 tob-win-loss-review（丢单复盘），避开之前踩的坑
• 成功提案交付后跑一遍 tob-win-loss-review 复盘，沉淀到知识库

注意事项#

• 输出 HTML 提案页面，不再输出 Markdown。具体内容仍需人工适配填充
• 案例引用标注来源，不编造。知识库未覆盖时不强推
• 敏感信息自动脱敏