Company Pension Search

What it does

Example prompts

• “/company-pension-search”

Requirements

• A Bash shell
• A credential in TAVILY_API_KEY

Workflow steps

3 steps, taken from the first numbered list in SKILL.md.

1. 1公告标题关键词优先于单位性质推断
2. 2官方文件关键词优先于推测
3. 3多重来源交叉验证

What it can do on your machine

Read from SKILL.md and the folder at commit e5199b5. It shows what the files ask for, not the result of running them.

• Tool permissions

  Pre-approves nothing: there is no allowed-tools line, so your agent's usual permission prompts apply.

  From allowed-tools in the SKILL.md frontmatter.

• Runs code

  Ships 3 files in scripts/ (Shell), which the agent can run.

  From the folder's file list and the shell code blocks in SKILL.md.

• Network

  Links to these hosts (documentation or services it may open):

  • cninfo.com.cn
  • sse.com.cn
  • szse.cn
  • fund.eastmoney.com

  From URLs in SKILL.md, links to its own repository left out.

• Credentials

  Names these keys or tokens, usually read from environment variables:

  • TAVILY_API_KEY

  From names ending in _API_KEY, _TOKEN, _SECRET, _KEY or _PASSWORD in SKILL.md.

Context cost

Company Pension Search loads about 2.8k tokens when it runs, and up to ~10k if it reads all its reference files. Until then it costs about 33 tokens; SKILL.md has 481 words of instructions outside code blocks.

Always · name and description, kept in context so the agent knows when to use it

~33

When it runs · the whole SKILL.md, loaded when a task matches

~2.8k

With references · SKILL.md plus every file in references/, read only if the agent opens them

~10k

Estimates: characters ÷ 4, the usual rule of thumb; real counts depend on the model's tokenizer. Scripts and assets cost tokens only if the agent reads them.

Safety

Automated static check — not a guarantee. Review scripts before installing. It scans the text of SKILL.md for risky patterns (piping downloads into a shell, reading credential files, hidden Unicode, destructive commands); the scripts in this folder are not scanned.

SKILL.md

The full file from LeoYeAI/openclaw-master-skills at commit e5199b5, republished under its MIT licence (© LeoYeAI). 481 words, ~2,796 tokens.

name

company-pension-search

description

企业年金/职业年金智能查询技能 v3.2。自动识别单位性质，精确判断年金类型，关键词分析优先，多重验证防错，查询年金开户银行，输出带来源链接和错误检查的标准化调查报告。支持事业单位、国企、民企、上市公司等各类单位。

version

3.2.0

author

OpenClaw User

triggers

- 企业年金查询 - 职业年金查询 - 有没有企业年金 - 查年金 - 企业福利调查 - 公司年金 - 五险一金查询 - 待遇调查 - 年金开户银行 - 年金受托人 - 年金托管人 - 年金类型判断

metadata

{"openclaw": {"emoji": "🏦", "requires": {"bins": ["curl", "jq"]}, "env": {"TAVILY_API_KEY": "可选，Tavily 搜索 API", "SEARXNG_URL": "可选，SearXNG 本地实例"}}}}

"帮我查一下 [企业名称] 有没有企业年金"
"查询 [企业名称] 的职业年金情况"
"调查 [企业名称] 的福利待遇，包括年金"

"对 [企业名称] 进行全面年金调查，使用所有方法"
"查一下 [企业名称] 的年金、公积金、待遇情况，输出完整报告"

"帮我查一下这几家公司的年金：公司 A、公司 B、公司 C"

1. 搜索企业名称 + 官网
2. 分析工商注册信息
3. 识别单位类型标签

┌─────────────────────────────────────┐
│         输入企业名称                  │
└─────────────┬───────────────────────┘
              ▼
┌─────────────────────────────────────┐
│  搜索：单位性质/工商类型/上市状态    │
└─────────────┬───────────────────────┘
              ▼
┌─────────────────────────────────────┐
│           类型判断                   │
│  ┌─────────────────────────────┐    │
│  │ 财政供养？ → 是 → 事业单位   │    │
│  │ 国资控股？ → 是 → 国企       │    │
│  │ 上市代码？ → 有 → 上市公司   │    │
│  │ 以上皆无？ → 民企/其他       │    │
│  └─────────────────────────────┘    │
└─────────────┬───────────────────────┘
              ▼
┌─────────────────────────────────────┐
│     输出：单位类型 + 置信度          │
└─────────────────────────────────────┘

# 基础搜索
./scripts/search.sh "企业名称" all

# 按类型搜索
./scripts/search.sh "企业名称" official      # 官方渠道
./scripts/search.sh "企业名称" recruitment  # 招聘信息
./scripts/search.sh "企业名称" social       # 员工分享
./scripts/search.sh "企业名称" financial    # 财务/年报

# 深度调查（所有方法）
./scripts/search.sh "企业名称" deep

置信度 = Σ(信息来源可靠性 × 信息一致性 × 时效性权重)

信息来源可靠性：
- 官方文件/官网：1.0
- 政府公开信息：0.9
- 上市公司年报：0.95
- 招聘公告：0.8
- 员工分享：0.6
- 匿名爆料：0.4

信息一致性：
- 多个独立来源一致：1.0
- 部分来源一致：0.7
- 单一来源：0.5
- 来源冲突：0.3

时效性权重：
- 1 年内信息：1.0
- 1-2 年信息：0.8
- 2-3 年信息：0.6
- 3 年以上：0.4

# [企业名称] - 企业年金/职业年金调查报告

## 核心结论（TL;DR）
| 项目 | 结论 | 置信度 | 来源 |
|------|------|--------|------|
| 企业年金/职业年金 | 有/无 | ⭐⭐⭐⭐ | [链接](url) |
| 年金开户银行 | XX 银行 | ⭐⭐⭐⭐ | [链接](url) |
| 单位性质 | XXX | ⭐⭐⭐⭐⭐ | [链接](url) |

## 单位性质分析
[详细说明] [来源](url)

## 年金信息
- 年金类型：企业年金/职业年金 [来源](url)
- 缴费比例：单位 X% + 个人 X% [来源](url)
- 开户银行：XX 银行（托管人/受托人） [来源](url)

## 调查结果汇总
| 方法 | 发现 | 可靠性 | 来源链接 |
|------|------|--------|----------|
| 年报查询 | ... | ⭐⭐⭐⭐⭐ | [链接](url) |
| 招聘平台 | ... | ⭐⭐⭐⭐ | [链接](url) |

## 待遇水平估算
[基于公开数据的估算]

## 信息来源（带链接）
1. [来源名称](url) - 内容描述
2. [来源名称](url) - 内容描述

## 建议进一步确认方式
[具体行动建议]

### 错误检查（v3.2 新增）

- [ ] 公告标题关键词是否与结论一致？
- [ ] 单位性质是否有特殊情况？
- [ ] 是否有多个信息来源交叉验证？
- [ ] 是否存在 2014 年前后时间差异？
- [ ] 是否考虑了编外/合同制人员情况？
- [ ] 置信度是否合理标注？
- [ ] 待确认项是否明确标注？

"[企业名称] 年报 应付职工薪酬 企业年金"
"[企业名称] 年报 离职后福利"

"[企业名称] 企业年金 养老金产品 投资管理人 托管人"
"[企业名称] 年金 受托人 托管银行"

## 💰 年金开户银行（v3.1 增强）

| 角色 | 机构名称 | 信息来源 | 置信度 |
|------|----------|----------|--------|
| **受托人** | [机构名称] | [年报/产品报告/官方名单] | ⭐⭐⭐ |
| **托管人** | [银行名称] | [产品报告/官方名单] | ⭐⭐⭐ |
| **投资管理人** | [机构名称] | [产品报告] | ⭐⭐⭐ |
| **账户管理人** | [机构名称] | [产品报告] | ⭐⭐⭐ |

**查询方法**：
- [ ] 上市公司年报查询
- [ ] 年金产品报告查询
- [ ] 官方名单比对
- [ ] 招聘信息确认

#!/bin/bash
# 用法：./search.sh "企业名称" [搜索类型] [输出格式]
# 搜索类型：all / official / recruitment / social / financial / deep
# 输出格式：text / json / markdown

COMPANY_NAME="$1"
SEARCH_TYPE="${2:-all}"
OUTPUT_FORMAT="${3:-text}"

# 自动检测可用的搜索工具
if [ -n "$TAVILY_API_KEY" ]; then
    SEARCH_TOOL="tavily"
elif [ -n "$SEARXNG_URL" ]; then
    SEARCH_TOOL="searxng"
else
    SEARCH_TOOL="fallback"
fi

# 执行搜索
case "$SEARCH_TYPE" in
    official)
        search_official "$COMPANY_NAME"
        ;;
    recruitment)
        search_recruitment "$COMPANY_NAME"
        ;;
    # ... 其他类型
esac

#!/bin/bash
# 用法：./generate_report.sh [企业名称] [调查数据 JSON] [输出路径]

COMPANY_NAME="$1"
DATA_FILE="$2"
OUTPUT_PATH="${3:-./reports}"

# 生成 Markdown 报告
generate_markdown_report "$COMPANY_NAME" "$DATA_FILE" "$OUTPUT_PATH"

# 可选：生成 PDF
if command -v pandoc &> /dev/null; then
    generate_pdf_report "$OUTPUT_PATH"
fi

#!/bin/bash
# 用法：./batch_query.sh [公司列表文件] [输出目录]

COMPANY_LIST="$1"
OUTPUT_DIR="${2:-./batch_reports}"

# 读取公司列表
while IFS= read -r company; do
    echo "调查：$company"
    ./search.sh "$company" deep
    ./generate_report.sh "$company"
done < "$COMPANY_LIST"

# 生成汇总报告
generate_summary_report "$OUTPUT_DIR"

{
  "search": {
    "preferred_tool": "tavily",
    "fallback_tool": "searxng",
    "max_results": 20,
    "timeout_seconds": 30
  },
  "report": {
    "format": "markdown",
    "include_raw_data": true,
    "auto_save": true
  },
  "cache": {
    "enabled": true,
    "ttl_seconds": 86400
  }
}

用户：帮我查一下深圳市大数据资源管理中心有没有企业年金

AI 执行流程：
1. 识别单位性质 → 事业单位（置信度 0.95）
2. 选择调查方案 → 事业单位方案
3. 执行调查：
   - 搜索预算/决算公开 ✅ 找到
   - 搜索招聘公告 ✅ 找到
   - 搜索员工分享 ⚠️ 信息少
4. 计算置信度 → 0.88（高）
5. 输出结论 → ✅ 有职业年金（单位 8% + 个人 4%）

用户：腾讯公司有没有企业年金？

AI 执行流程：
1. 识别单位性质 → 民营企业/上市公司（置信度 1.0）
2. 选择调查方案 → 上市公司方案
3. 执行调查：
   - 搜索年报 ✅ 找到，无年金披露
   - 搜索 ESG 报告 ✅ 找到，有股权激励
   - 搜索员工分享 ✅ 找到，确认无年金
4. 计算置信度 → 0.92（极高）
5. 输出结论 → ❌ 无企业年金，有股权激励替代

用户：帮我查一下这几家公司的年金：腾讯、阿里、字节、华为

AI 执行流程：
1. 分别识别各单位性质
2. 为每家公司选择合适方案
3. 并行执行调查
4. 生成对比报告
5. 输出汇总表格

© LeoYeAI, MIT. Rendered from Markdown: HTML in the file is shown as text, images as links, and headings moved down two levels. Raw file

Files

SKILL.md and 13 other files (scripts, references) in skills/company-pension-search of LeoYeAI/openclaw-master-skills.

• SKILL.md
• CHANGELOG_v3.0.md
• CHANGELOG_v3.1.md
• CHANGELOG_v3.2.md
• ERROR_ANALYSIS_v3.2.md
• README.md
• SKILL_v3.2.md
• _meta.json
• config.template.json
• references/advanced-search-channels.md
• references/search-methods.md
• scripts/batch_query.sh
• scripts/generate_report.sh
• scripts/search.sh

Open the folder on GitHubat commit e5199b5