贝壳找房小区研究工具 v2.2

I/O 契约（输入 / 输出 / 错误）

Agent 调用此 Skill 前必读，确保参数与返回结构符合预期。

模式 A：单小区深度研究

输入参数（环境变量 / 脚本参数）

成功输出（OUTDIR 下生成以下文件）

{
  "status": "ok",
  "mode": "single_xiaoqu",
  "xiaoqu_name": "东方花园三期",
  "xiaoqu_id": "5011102207315",
  "files": {
    "xiaoqu_json": "{OUTDIR}/东方花园三期_xiaoqu.json",
    "ershou_json": "{OUTDIR}/东方花园三期_ershou.json",
    "chengjiao_json": "{OUTDIR}/东方花园三期_chengjiao.json"
  }
}

*_xiaoqu.json 字段 Schema：

{
  "avg_price": 78000,
  "building_type": "板楼",
  "total_units": "320户",
  "total_buildings": "8栋",
  "green_rate": "35%",
  "far": "1.8",
  "ownership": "商品房",
  "built_year": "2008-2012",
  "mgmt_fee": "2.5元/月/㎡",
  "mgmt_company": "绿城物业",
  "developer": "绿城集团",
  "followers": "125",
  "on_sale": "5",
  "sold_90d": "2",
  "views_30d": "38",
  "metros": ["🚇9号线 七宝站 688m"],
  "_parse_source": "css+innerText"
}

模式 B：区域批量发现

输入参数

成功输出

{
  "status": "ok",
  "mode": "region_discover",
  "city": "sh",
  "district": "minhang",
  "boards": ["qibao", "gumei"],
  "total_candidates": 8,
  "candidates": [
    {
      "name": "好世鹿鸣苑",
      "board": "qibao",
      "price": 68000,
      "year": "2010-2012",
      "on_sale": 5,
      "sold_90d": 2,
      "metro": "1号线 莘庄站 688m",
      "xiaoqu_id": "5011000015858"
    }
  ],
  "csv_file": "{OUTDIR}/candidates_2026-03-23.csv"
}

错误状态码

两种工作模式

两种模式最终都可接 PAL MCP Consensus 评估（consensus_analyze.py）。

前置检查

1. mcp-chrome 连接

curl -s http://127.0.0.1:12306/mcp -X POST \
  -H "Content-Type: application/json" \
  -H "Accept: application/json, text/event-stream" \
  -d '{"jsonrpc":"2.0","id":1,"method":"initialize","params":{"protocolVersion":"2024-11-05","capabilities":{},"clientInfo":{"name":"agent","version":"1.0"}}}' \
  | grep -o '"name":"ChromeMcpServer"' && echo "✅ 已连接" || echo "❌ 请检查插件"

获取 SESSION_ID（动态获取，不要写死）：

SESSION_ID=$(curl -s -i -X POST "http://127.0.0.1:12306/mcp" \
  -H "Content-Type: application/json" \
  -H "Accept: application/json, text/event-stream" \
  -d '{"jsonrpc":"2.0","id":1,"method":"initialize","params":{"protocolVersion":"2024-11-05","capabilities":{},"clientInfo":{"name":"agent","version":"1.0"}}}' \
  | grep -i "mcp-session-id:" | awk '{print $2}' | tr -d '\r\
 ')

2. PAL MCP 可用性（Consensus 模式需要）

mcporter list pal 2>&1 | grep -q "chat" && echo "✅ PAL MCP 正常" || echo "❌ 请检查 ~/.mcporter/mcporter.json"

贝壳 URL 规则

# 城市前缀：sh=上海 bj=北京 sz=深圳 gz=广州

# 区域列表（发现小区）
按板块：   https://{city}.ke.com/xiaoqu/minhang/{板块拼音}/
全区：     https://{city}.ke.com/xiaoqu/{区拼音}/

# 常用上海板块
七宝=qibao  古美=gumei  金汇=jinhui  龙柏=longbai
莘庄=xinzhuang  漕河泾=caoheqing  虹桥=hongqiao

# 单小区操作
详情页：   https://{city}.ke.com/xiaoqu/{小区ID}/
在售：     https://{city}.ke.com/ershoufang/rs{小区名}/
成交：     https://{city}.ke.com/chengjiao/rs{小区名}/

模式 A：单小区深度研究（四步）

Step 1 – 查小区 ID

navigate → ershoufang/rs{小区名}/
wait 7s
JS: return Array.from(document.querySelectorAll('a'))
      .find(a => a.href.includes('/xiaoqu/') && /\/\d+\//.test(a.href))?.href || ''
# 取 URL 中的数字部分即为小区 ID

Step 2 – 小区详情页

navigate → xiaoqu/{小区ID}/
wait 7s
JS: return document.body.innerText
→ parse_beike.py xiaoqu

关键解析注意：

• 贝壳使用 \xa0（非断行空格），正则需用 [\s\xa0]* 代替普通空格
• 字段格式：字段名\ 值（换行分隔，非同行）
• 在售套数：格式为 N套\ 在售二手房

Step 3 – 在售二手房

navigate → ershoufang/rs{小区名}/
wait 7s
JS: return document.body.innerText
→ parse_beike.py ershou

Step 4 – 成交记录

navigate → chengjiao/rs{小区名}/
wait 7s  # 此页最易触发验证码，建议在 Step 2/3 之间 sleep 10s
JS: return document.body.innerText
→ parse_beike.py chengjiao

模式 B：区域批量发现

B1 – 读取板块小区列表

navigate → https://sh.ke.com/xiaoqu/minhang/{板块拼音}/
wait 7s
JS: return document.body.innerText
→ parse_beike.py region_list  # 输出符合条件的小区列表 JSON

列表页格式（已验证）：

小区名                     ← 行 i-1
 90天成交X套               ← 行 i（标志行）
 闵行\xa0板块\xa0 /\xa0年份 ← 行 i+1
近地铁XX站（可选）
均价元/m2
月份参考均价
N套
在售二手房

筛选条件（可通过参数调整）：

• 建成年份最新年 ≥ 2005（次新）
• 均价 40,000–110,000 元/㎡
• 在售套数 ≥ 2
• 排除：别墅、公寓、大厦、写字楼

B2 – 批量抓取详情

对筛选出的候选小区，循环执行步骤 A1–A2（详情页），每个小区间 sleep 10s 降低验证码风险。

一键脚本：

bash scripts/region_discover.sh qibao,gumei,jinhui sh /tmp/result/
# 参数: 板块列表(逗号分隔)  城市  输出目录

验证码处理协议

检测：grep -q "请在下图\|请按语序" page.txt

触发后：
1. 立即停止 → 告知用户 "⚠️ Chrome 有验证码，请手动完成点选"
2. 等待用户确认
3. 直接重读当前页（不重新 navigate）
4. 验证通过后继续

PAL MCP Consensus 评估（可选最终步骤）

收集好各小区 JSON 数据后，调用 consensus_analyze.py 让多个 AI 模型从不同维度评分：

python3 scripts/consensus_analyze.py \
  --data-dir /tmp/result/ \
  --requirements "三房120㎡以上, 预算1300万以内, 有产权车位, 地铁1km以内, 2005年后" \
  --models "gemini-3-pro-preview,auto" \
  --output /tmp/result/consensus_report.md

Consensus 流程：

1. 汇总所有小区数据为结构化摘要
2. 构造统一评估 prompt（含需求条件）
3. 模型1（偏保守/价格导向）评分 + 理由
4. 模型2（偏流动性/投资导向）评分 + 理由
5. 综合两个视角输出最终排名推荐

分析维度参考