data-extractor

name	data-extractor
description	Delegación de investigación a agentes Extractor y Scout. Prompts predefinidos por fase del pipeline y referencia completa al arsenal de herramientas en web-research.

Skill: Data Extractor para Planitor

Descripción

Coordina la extracción de datos reales delegando a Extractor (rápido) y Scout (profundo). No ejecuta scraping directamente — prepara prompts y delega vía sessions_spawn.

Ver skills/web-research/SKILL.md para el arsenal completo de herramientas disponibles.

Arsenal de Investigación (resumen)

Categoría	Herramientas	Qué obtienes
Búsqueda	Tavily, SearXNG, Jina AI	Información general, URLs, artículos
Scraping	Lightpanda, Scrapling, Camoufox	Datos de webs protegidas, reseñas
Empresas ES	registro-empresas-es, company-research	CIF, cuentas, administradores, BORME
Redes	twitter-extract, reddit-readonly, Google Reviews	Actividad competidores, opinión
Tendencias	trends-checker, market-analysis	Demanda Google Trends
OSINT	Sherlock, theHarvester	Perfiles sociales, emails, dominios
Subvenciones	subvencion-watcher	Ayudas disponibles

Fallback chain: curl → Jina AI → SearXNG → Lightpanda → Scrapling stealthy

Extracciones por Fase

Fase 2: Ground Truth

Delegar a Extractor (3 queries rápidas):

1. "INE padrón municipal [ciudad] población hecho derecho"
   → Herramienta: Tavily / SearXNG
   
2. "competidores [tipo negocio] en [ciudad] URLs precios"
   → Herramienta: SearXNG (URLs verificables) + Google Reviews (reseñas)
   → Complementar con: registro-empresas-es (datos societarios)
   
3. "precio alquiler local comercial [m2] [ciudad] idealista fotocasa"
   → Herramienta: Tavily / SearXNG + Jina AI (artículos)

Delegar a Scout (investigación profunda):

"Benchmarks revenue [tipo negocio]: ticket medio, ocupación media, 
 márgenes típicos, costes estándar"
→ Herramientas: SearXNG + web research + fuentes sectoriales

Fase 3: Market Analysis

Delegar a Extractor:

1. SearXNG: "[tipo negocio] [ciudad]" → URLs competidores
2. trends-checker: Google Trends para demanda del sector
3. reddit-readonly: "[sector] [ciudad] opiniones" → insights del sector
4. subvencion-watcher: subvenciones disponibles

Delegar a Scout si competidor clave necesita investigación profunda:

"Investiga [competidor nombre] usando company-research pipeline"
→ 8 fases: BRIEF → IDENTITY → STRUCTURE → OPERATIONS → FINANCIAL → HISTORY → RED FLAGS → SYNTHESIS

Fase 4: Financials

1. Tavily/SearXNG: "tarifas [tipo negocio] [ciudad] precios 2024"
2. registro-empresas-es: Cuentas depositadas de competidores (facturación, rentabilidad)
3. Jina AI: Artículos sectoriales sobre costes y márgenes

Fase 5: Strategy

1. reddit-readonly: Estrategias que funcionan en el sector
2. twitter-extract: Actividad marketing de competidores
3. SearXNG: Canales de captación efectivos

Formato de Salida

Cada extracción genera un JSON en datos/extract-{topic}-{timestamp}.json:

{
  "topic": "...",
  "phase": 2,
  "sources": ["url1", "url2"],
  "data": {},
  "confidence": "high|medium|low",
  "tools_used": ["tavily", "searxng", "google_reviews"],
  "extracted_at": "ISO date"
}

Cómo Delegar

A Extractor (rápido, datos puntuales):

sessions_spawn(agentId="extractor", task:
  "Extrae datos sobre {topic} para un negocio de {sector} en {ubicación}.
   Contexto: Fase {N} del pipeline de plan de negocio.
   Datos específicos necesarios: {lista}
   Herramientas sugeridas: {tavily/searxng/jina/google-reviews}
   Formato: JSON con sources y confidence.
   Archivo de salida: {proyecto}/datos/extract-{topic}-{timestamp}.json")

A Scout (investigación profunda):

sessions_spawn(agentId="scout", task:
  "Investiga a fondo {topic}.
   Contexto: Fase {N} del pipeline de plan de negocio.
   Usa company-research pipeline si es una empresa concreta.
   Herramientas disponibles: ver skills/web-research/SKILL.md
   Formato: JSON + markdown con fuentes.
   Archivo de salida: {proyecto}/research-scout-{topic}.json")

Reglas

• Extractor para datos puntuales (INE, precio, URL, reseña) — modelo rápido
• Scout para investigación compleja (análisis sector, empresa completa) — modelo potente
• Máximo 3 extracciones por fase a Extractor, 1-2 a Scout
• Priorizar fuentes primarias (INE, registro mercantil) sobre secundarias
• Si no se encuentran datos, marcar confidence: low — NUNCA inventar
• Si Extractor falla 2 veces → reportar al orchestrator, no reintentar
• Google Reviews requiere xvfb-run (headless display)

Ver También

• skills/web-research/SKILL.md — Arsenal completo de herramientas con comandos
• skills/data-crosscheck/SKILL.md — Verificación cruzada de datos
• skills/pipeline-orchestrator/SKILL.md — Coordinación de fases