Andavant Radar CLI

Black-box agent-only skill · GEO visibility audits · LLM mention tracking

Reglas base

1. No inventes comandos: descubre todo con radar --help y radar <cmd> --help.
2. Tratar la salida JSON como contrato: ok, data, warnings, error, meta.
3. Si ok=false, inspecciona error.code, error.message, error.details y error.suggestions antes de continuar.
4. Si error.code=INTERACTION_REQUIRED, pedir aprobación explícita y reintentar con el flag requerido (ej. --approve).
5. En ejecución de runs, mantener secuencia segura: preflight → estimate → launch --approve → progress.
6. En analytics y prompts, usar solo subcomandos y flags visibles en la versión instalada.
7. Mantener comandos agnósticos a marca/proyecto (todo parametrizado).

Principios operativos

1. Discovery primero, ejecución después: no reutilizar memoria de otra máquina/versión.
2. Black-box real: no depender de código interno para decidir comandos.
3. Idempotencia práctica: antes de crear, listar/validar para evitar duplicados y errores de IDs.
4. Trazabilidad: reportar comando exacto, parámetros, resultado y siguiente acción técnica.
5. Escalar por evidencia: cuando falle parsing/HTTP, capturar salida con --debug y cualquier meta disponible.

Conceptos clave

Flujo recomendado

1. Bootstrap de proyecto: entidades, atributos, funnels, product-lines, personas.
2. studies preflight → runs preflight → runs estimate → runs launch --approve → runs progress.
3. Analytics con query / schema / export.

⚠️ Métricas cuantitativas vs verbatims

Escala de sentiment

Queries SQL de referencia

Menciones por marca (negativas / positivas)

radar analytics query --sql "SELECT 
  entity_identifier as brand,
  SUM(CASE WHEN sentiment <= 2 THEN 1 ELSE 0 END) as negative,
  SUM(CASE WHEN sentiment = 3  THEN 1 ELSE 0 END) as neutral,
  SUM(CASE WHEN sentiment >= 4 THEN 1 ELSE 0 END) as positive,
  COUNT(*) as total
FROM entity_mentions 
WHERE project_id = '<PROJECT_ID>'
  AND entity_identifier IN ('marca1','marca2')
GROUP BY brand
ORDER BY total DESC"

Ver aliases detectados por marca

SELECT entity_identifier, entity_name, count() as cnt
FROM entity_mentions
WHERE project_id = '<PROJECT_ID>' AND entity_identifier = 'marca'
GROUP BY entity_identifier, entity_name
ORDER BY cnt DESC

Filtrar por prompt tags

Los prompts tienen tags estructurados:

product:resfriado persona:medico-es funnel:decision funnel:awareness

-- Filtrar por tag específico
SELECT entity_identifier, avg(sentiment) as avg_sent
FROM entity_mentions
WHERE project_id = '<PROJECT_ID>'
  AND has(prompt_tags, 'product:resfriado')
  AND entity_identifier IN ('cinfa','normon')
GROUP BY entity_identifier

-- Extraer valor de un tag
SELECT arrayFilter(x -> x LIKE 'persona:%', prompt_tags)[1] as persona,
       count() as cnt
FROM entity_mentions
WHERE project_id = '<PROJECT_ID>'
GROUP BY persona

Fuentes citadas (response_sources)

-- Top dominios citados (corregido para Gemini)
SELECT 
  CASE 
    WHEN source_domain = 'vertexaisearch.cloud.google.com' THEN source_title
    ELSE source_domain
  END as dominio_real,
  count() as citations
FROM response_sources
WHERE project_id = '<PROJECT_ID>'
GROUP BY dominio_real
ORDER BY citations DESC LIMIT 25

-- Fuentes cuando se menciona la marca
SELECT source_domain, count() as cnt
FROM response_sources
WHERE project_id = '<PROJECT_ID>'
  AND response_id IN (
    SELECT DISTINCT response_id FROM entity_mentions
    WHERE project_id = '<PROJECT_ID>' AND entity_identifier = 'cinfa'
  )
GROUP BY source_domain
ORDER BY cnt DESC

Analytics Pack

Exporta todas las tablas de analytics de un run a CSVs organizados.

radar analytics pack \
  --run-id <uuid> \
  --out ./data \
  --target-brand <slug> \
  --official-domain-like "%<dominio>%"

Estructura generada

output/
├── attributes/       # Atributos por marca
├── cooccurrence/     # Co-apariciones entre marcas
├── destinations/     # Métricas por destino
├── funnels/          # Métricas por etapa del funnel
├── kpis/             # BIS, SOV, sentiment por marca
├── origins/          # Métricas por origen
├── personas/         # Métricas por persona
├── product_lines/    # Métricas por línea de producto
├── sources/          # Fuentes citadas
├── verbatims/        # Respuestas textuales
└── ANALYTICS_REFERENCE.md

Opciones principales

S.A.M. — Semantic Alignment Machine

Comando base

radar prompts recommend \
  --project <project_id> \
  --text "<texto a validar>" \
  --limit 20

Flags disponibles

Métricas S.A.M.

Flujo S.A.M. paso a paso

1. Extraer texto limpio de la pieza (sin HTML/markdown).
2. Ejecutar prompts recommend con --limit 20.
3. Evaluar cobertura: contar prompts bien cubiertos, gaps y ruido.
4. Filtrar por segmento (opcional): --persona, --funnel, --product-line.
5. Optimizar: modificar contenido para cerrar gaps, re-ejecutar, comparar ΔAfinidad.
6. Heatmap (opcional): fragmentar texto en párrafos, pasar cada uno por separado.

Integración con flujo GEO

1. GeoRadar → auditoría (qué dicen los LLMs)
2. Prompt Atlas → dataset (qué preguntan los usuarios)
3. S.A.M. → validación (¿el contenido responde a esos prompts?)
4. Publicar solo contenido con Matching Score > threshold
5. Re-run GeoRadar para medir impacto post-publicación

Referencias (carga recomendada)

Core

Operativo

Analytics

Checklist obligatorio antes de reportar

• Abrir kpis/kpis_by_brand.csv para totales
• Abrir product_lines/kpis_by_product_line.csv para desglose por tema
• Verificar columnas: total_mentions, avg_sentiment_score, responses
• Cruzar con verbatims solo para ejemplos cualitativos
• NUNCA contar líneas de archivos de verbatims como métrica