转载自 LiCode.run

CLI 工具，新时代的查企业范式

最近，企查查上线了一个面向 AI 智能体的数据平台，我第一时间接入了自己的工作场景，用了两周。

作为一个用了快九年的老用户，想分享三件事：CLI是什么，我们应该怎么用，效果是否有颠覆？以及由此引发的一些思考。

---

一、QCC CLI：67 个 API，从api到mcp到cli

大多数人认识其都是一个App——搜索框输入公司名，出来页面，一个模块一个模块翻看，比如要看工商信息，要看专利信息，要看招投标信息，一个企业可能要花好长时间才能完成信息搜集整理。

现在他们把同样的数据能力拆成了 67 个标准化 CLI命令，mcp还需要消耗上下文，但是CLI已经取代了MCP，因为他没有上下文开销：

• • MCP 协议——让 AI 自己判断该调什么接口，适合需要推理的场景

• • CLI 命令行——一条命令直接返回结果，不消耗大模型 Token，适合确定性查询

CLI 全景架构

比如我想查企业，在终端里输入：

qcc company get_company_registration_info "企查查科技股份有限公司"

几秒钟，返回一段结构化数据：注册资本、成立日期、法定代表人、经营范围、统一社会信用代码，干干净净。

67 个 API 分四大类：企业基础（14 个）、风险扫描（34 个）、知识产权（6 个）、经营动态（13 个）。单条命令单独用也行，但更有意思的是——把这 67 个接口交给 AI 来编排。

---

二、实际效果：用 AI 查一遍他们

我的工作场景

我的工作场景经常需要对企业做背调，了解企业全方面信息，找到业务切入点。

以前的流程：打开App → 搜索 → 翻页 → 手动摘录 → 再开百度搜补充信息 → 整理成文档。一套下来至少半小时。

集合我vibe coding开发的 TeamClaw（GitHub已开源）搭了一个 AI 智能体管理平台，把 CLI 接了进去。TeamClaw 是管理 OpenClaw 的企业级平台，可以统一管理多个 gateway实例、AI Agent、 SKILLS 能力、企业级RBAC权限，部署在 Docker 开箱即用。

现在客户经理只需要在对话框里说一句"查一下 XX 公司"，剩下的事 AI 自己做，它会自己调用相关CLI，而且整合出来的报告远超人类自己能做到的上限。

AI 实际执行的过程

Skills自动跑了以下这些命令：

qcc company get_company_registration_info "企查查科技"    → 工商登记
qcc company get_shareholder_info --json "企查查科技"      → 股东结构
qcc company get_actual_controller "企查查科技"            → 实控人
qcc company get_key_personnel "企查查科技"                → 高管团队
qcc company get_external_investments --json "企查查科技"   → 对外投资
qcc company get_annual_reports --json "企查查科技"         → 年报数据
qcc operation get_financing_records --json "企查查科技"    → 融资记录
qcc operation get_news_sentiment --json "企查查科技"       → 新闻舆情
qcc risk get_dishonest_info "企查查科技"                  → 失信记录
qcc risk get_business_exception "企查查科技"              → 经营异常
qcc ipr get_internet_service_info "企查查科技"            → ICP/APP
qcc operation get_qualifications "企查查科技"             → 资质认证

十几个 CLI命令，半分钟跑完。然后 AI 自动整合成一份报告，附带三个图表：

• 股权结构饼图——陈德强、万得信息等持股比例清晰呈现

• 融资历程柱状图——从 A 轮到 IPO 申报的完整时间线

• 对外投资矩形树图——旗下子公司的投资版图

有趣的发现

让AI查一遍，确实翻出了一些我平时不会主动去看的信息：

年报里的参保人数变化——从 2021 年到 2024 年的养老保险参保人数，可以侧面反映公司的扩张还是收缩节奏。这个数据藏在年报的社保信息字段里，App 上要自己找、自己算。AI 一条 get_annual_reports 命令就提取出来了。

数字化资产——get_internet_service_info 返回了ICP 备案网站、APP、小程序和算法备案数量。对于我们做 IT 需求分析的场景，这个维度特别实用：一家企业的数字化程度越高，对云服务、CDN、安全产品的需求就越明确。

风险快筛的效率——失信、经营异常、税务异常、行政处罚，四个命令几秒钟全部扫完。以前在 App 上要分别点进去看，现在完全不用自己去查看。

这些不是什么新数据，App 里都有。但差别在于：以前是我自己决定看什么，经常漏掉；现在是 AI 按预设清单全面扫一遍，不会遗漏。

在工作中的实际应用

我们在 SKILL 里预设了一套商机雷达匹配规则。AI 查完企业信息后，会自动做一轮判断：

• 参保人数超过 10 人 → 推荐 团购

• 分支机构 3 家以上 → 推荐组网专线

• 有进出口业务 → 推荐 SD-WAN / 国际专线

• ICP 备案网站多、有 APP 和小程序 → 推荐 云服务、CDN 和云安全

• 专利和软著数量多 → 研发能力强，推荐天翼云和算力服务

这些规则不复杂，是业务经验的编码。但以前客户经理要自己对着数据想"这家公司适合推什么产品"，现在 AI 替他想了。

一个客户经理跟我说，以前走访前紧张的是"我对这家公司了解够不够"。现在的问题反过来了——"报告里的商机太多，不知道先推哪个"。

---

三、一个老用户的思考

企查查IPO 核心数据

从 App 到API到 CLI，用法变了

用了八年企查查，我对这个产品很熟悉。哪些信息在哪个板块下面，我闭着眼睛都能找到。

但接入 CLI 两周后，我发现自己几乎不打开 App 了。

不是 App 不好用。是消费数据的方式变了——从"我去翻"变成了"AI 去取"。数据还是那些数据，但人和数据之间全部自动化了。

数据本身不是壁垒

在他们的IPO 招股书显示：2024 年营收 7.87 亿元，毛利率 91.4%，注册用户 1.5 亿，月活 8000 万，付费用户 105 万。

91% 的毛利率意味着数据获取成本极低。事实上，企查查的大部分数据来源是公开的——国家企业信用信息公示系统、裁判文书网、知识产权局。天眼查、启信宝拿到的是同一份原料。

真正卖的不是数据，是把散落各处的公开信息清洗、整合、结构化的能力，加上十年建立的品牌认知。

但 AI 时代也在重构护城河：

• 数据清洗的成本在降低。AI 本身就擅长处理非结构化信息，新进入者的门槛比十年前低得多。

• 品牌认知的作用在弱化。当用户通过 AI 间接获取数据，他不太在意底层数据来自哪里——就像你打车的时候不在意司机用的是哪个导航。

AI 时代护城河重构

那什么才是？

我觉得有三个方向是有实质意义的。

第一，从卖事实到卖判断。

企查查现在提供的是事实："A 公司注册资本 3000 万，有 3 条被执行记录。"

更有价值的是判断："A 公司信用等级 B+，主要风险在于实控人旗下另外两家公司近期出现经营异常，建议授信额度不超过 500 万。"

事实谁都能查到，判断需要对数据做深度的分析和交叉验证，平台上发布了 17 个行业 SKILL 模板（信用评级、ESG 评估、尽调清单等），这些都是可以给出预判和结论的东西。

但难点也很明显：判断需要持续用真实的业务反馈来校准。一个信用评级模型好不好用，要看它的预测是否准确——这需要时间和大量真实案例的积累。谁先跑起来，谁就先建立起优势。

第二，8000 万月活本身就是护城河。

这一点容易被忽视，他们每月有 8000 万人在搜索企业信息，这些搜索行为本身就是一种极有价值的信号：

• 一家公司突然被大量律师和投资人集中查询——这往往意味着什么事情正在发生，比任何工商变更公示都早。

• 某个行业的搜索量整体上升——可能预示着行业景气度变化。

工商数据是公开的，三家都有。但"谁在查谁"的行为数据是独家的，这种注意力数据如果用好了，比底层的工商数据更有预测价值。类似 Google Trends 预测流感比 CDC 早两周的逻辑。

第三，做企业世界的百科全书。

Karpathy 4 月初提了一个 LLM Wiki 的概念：与其每次都让 AI 从原始数据临时拼装答案，不如先用 AI 把信息编译成一篇结构化的知识页面，后续查询直接读取这个页面，知识持续累积。

他们有 3.65 亿家企业的数据。如果用 AI 为每家企业生成一篇"活的百科页面"——不是字段罗列，而是有上下文的叙述，新数据进来不是覆盖而是修订——那它就不只是一个查询工具，而是一个企业知识库。

Wikipedia 的数据不独家（任何人都可以写百科全书），但它的位置不可替代——因为它最先做到了全面覆盖，所有人都默认引用它。企业信息领域他们就是"默认引用源"，只是之前是碎片化引用，现在可以生成完整的企业图谱。

职场社交也是机会

Bloomberg 终端年费 2 万多美元，年收入 120 亿美金。很多人以为它的优势是金融数据，但 Reuters 有几乎一样全的数据。

Bloomberg 真正不可替代的是 35 万交易员在上面建立的工作习惯和社交关系。数据是标准品，但围绕数据形成的使用关系更有价值。

原始数据也是标准品（来自同一组政府公开数据）。但 8000 万用户的搜索行为、各行业 SKILL 的使用积累、未来可能建成的企业知识库——这些围绕数据产生的东西，才是真正难以复制的。

况且现在国内并没有职场社交的APP（领英已经退出中国了），目前这是一个空白。

---

写在最后

CLI 和Skills 这件事，说明它已经意识到了这个变化。至于能不能从"查数据的工具"变成"AI 时代的企业信息基座"，还得看接下来怎么走。

作为他们的老用户，也希望他越走越强，未来空间还是很大，虽然国内很卷，但很多国家根本没有这样的企业信息库，所以长线看仍有很大增长空间。

---

目前CLI工具公开提供，提供OPC 3个月免费体验，无论你是否付费会员。这点不得不为他们点赞。

引用链接

[1] GitHub: https://github.com/szsip239/teamclaw