AI 产品竞品分析：技术底座、产品体验与商业生态

竞品分析三部曲 · 第二篇。第一篇讲通用方法论，本篇回答一个它没有覆盖的问题：当分析对象变成 AI 产品（大模型应用、AI Agent、AI 原生工具）时，分析框架要补充什么。第三篇讲如何用 AI 做竞品分析。

先看一个常见的尴尬场景。按传统方法分析两款 AI 写作工具：都有长文生成、改写润色、模板库，界面大同小异，定价也接近。对比表做完，结论是“功能趋同，建议跟进”。

这个结论几乎没有价值。两款功能列表相同的工具，一个底层用的是旗舰模型，另一个接的是廉价接口；一个会先追问需求、给出处，另一个错了只能整段重来。生成质量、响应速度、成本结构和用户留存天差地别，而这些差异在功能对比表里一个都看不见。

先说结论： AI 产品竞品分析的底层逻辑没有变，还是“明确自己的问题 → 拆解对手 → 得出对自己有用的结论”；变的是拆解对象。功能清单要换成三层：技术底座决定能力上限，产品体验决定用户感知，商业生态决定能打多久。落到操作上，有三件事最不一样：能力要测出来，成本要算到单次任务，结论要标注日期并持续更新。

一、为什么传统竞品分析方法不够用

传统产品分析和 AI 产品分析的差异，可以汇总成一张对照表。

图 1　传统互联网产品与 AI 产品，竞品分析的关注点对照

这些差异背后，是 AI 产品四个特殊的性质。

第一，模型是黑盒。 中国信通院的魏凯有个很直白的说法：神经网络训练叫“涌现”，结果不确定，因为它本质是黑盒子，只有通过测试，才知道能力有没有达到[1]。这意味着你不能像分析传统软件那样，靠看介绍、看接口去推断能力，评测几乎是唯一的窗口。

第二，输出不确定。 同一个问题问两次，答案可能不同。同样叫“智能客服”，解决率可能是 80%，也可能是 30%。传统“走一遍、截个图”的方法不可复现，必须多次采样、统计通过率。

第三，周级迭代，还会静默升级。 换基座模型、调提示词、上线新能力都在高频发生。同一个产品名、同一个 API 接口背后的模型，可能几周内就换了。今天截图对比出的差距，下个月可能被抹平甚至反转。

第四，效果由四层共同决定。 模型底座（自研、开源微调或调用 API），提示词与系统设计，接入的数据（检索增强、联网搜索、专有知识库），以及工程层（延迟、并发、限流），缺任何一层都会误判。看到竞品“接了某个模型”，就以为大家能力相同，是产品侧最常见的误判。

二、AI 产品竞品分析的框架：三层结构

在第一篇“公司 · 产品 · 用户”的基础上，AI 产品需要向下多拆一层技术底座，向外多看一层成本与生态。整理成三层框架：

图 2　AI 产品竞品分析的三层框架。持续监测贯穿始终，换底座测试用来检验结论

三层的关系是：技术底座决定能做到多好，产品体验决定用户感受到多好，商业生态决定这种好能持续多久。框架底部那个检验问题，是整篇文章最重要的一句话，第六节会展开。

三、第一层 技术底座：决定能力上限

这是 AI 产品特有、也最容易被产品经理跳过的一层。不了解这一层，分析 AI 竞品时只能看到皮相。

（一）模型策略：自研、开源微调，还是调用 API

评估一个 AI 竞品，先弄清它的模型从哪来。三种策略各有代价，决定了它的能力天花板、成本结构和最大风险。

图 3　模型策略三派的对比与识别方法

识别方法有三种，可信度依次降低。最可靠的是读公开材料：技术报告、模型卡、隐私政策里列出的数据处理方、国内的生成式 AI 备案信息、招聘 JD。其次是横向比对：把同一提示词同时喂给竞品和各家主流模型，看输出风格和错误模式的相似度。最后是探测提问，问它的训练细节、知识截止时间。要注意，模型对“你是谁”的回答并不可靠，经常张冠李戴，只能作为旁证。

确认了模型来源，还要追问三件事：提示词和知识库是怎么设计的？故障时会切换到哪个备用模型？是否支持多模型路由？这三个答案决定了它真实的能力上限和成本结构。

（二）能力评测：公开榜单定梯队，自建评测做决策

模型能力不能只看厂商宣传。公开评测基准很多，各有测量范围和局限。

图 4　主流公开评测基准：测什么、局限是什么

给产品经理的结论很直接：榜单分数只用于快速定位梯队，不能用于决策。 原因有三。其一，公开题目普遍存在数据污染，训练时可能已经“见过”。其二，厂商会针对榜单优化，指标一旦成为目标就不再可靠。2025 年 4 月 Cohere 等机构的研究者发表《The Leaderboard Illusion》，指出 Chatbot Arena 存在大厂私下测试多个版本、择优公开的问题（LMArena 对部分结论提出了异议）[3]。其三，LMArena 反映的是对话体感，不是你的业务场景通过率[2]。另外，SuperCLUE 等中文榜单已经把数学推理、幻觉控制、指令遵循、Agent 任务规划拆成独立维度打分[4]，这份维度表本身就是一个现成的评测框架参考。

决策要靠自建评测。不写评测代码的产品经理，也可以按下面的闭环做实测：

图 5　从公开榜单到自建评测的闭环。公开榜单只解决“定位”，自建评测加失败归因才解决“决策”

这里最容易被忽略的是“多次采样”：同一个问题跑一次就下结论，在 AI 产品上几乎等于抛硬币。题目数量上，50 题左右是务实的起点，覆盖常见任务、难例和边界情况；评审时隐去产品名，按准确、有用、格式分项打分[5]。用大模型当评委可以提效，但要先和人工评分对齐，并警惕它偏好与自己同源的模型。压力测试要专挑边界：分析 PDF 对话产品，就上传一份含复杂表格和多栏排版的财报，看谁漏读、谁编造；分析 AI 编程工具，就给它一个带历史包袱的真实代码库，看建议是否贴合项目上下文。

速度和价格的横向对比，可以先看 Artificial Analysis 这类第三方网站[6]，但它测的是模型 API，不是竞品产品的完整链路，最终仍以你的实测为准。

（三）数据与飞轮：看不见的壁垒

公开语料已经被各家模型大量使用，未来的壁垒不在数据量，而在数据的独占性和反馈的动态性。用户对 AI 建议“接受、修改、拒绝”的每一次行为，都会成为下一轮对齐训练的燃料。业内一个常见的观察是，Agent 做得最好的团队，往往是把“发版 → 小流量 → 盯表现 → 改进”这个循环转得最快的团队[21]。

图 6　数据飞轮，以及判断竞品数据壁垒的四个公开信号

四个信号中，C 端用户规模最直观：用户量直接等于反馈数据量。据新浪财经援引的月活统计，2026 年 9 月豆包月活约 4.19 亿，居国内 AI 应用首位[23]，这本身就是它最大的数据资产。但也要记住红杉资本 2023 年的提醒：多数应用公司产生的数据并不构成难以逾越的护城河，难以获得的专业领域数据除外[7]。

（四）工程指标：快不快、稳不稳

模型答得再对，如果要等 8 秒才出第一个字，用户依然会流失。工程指标在竞品分析中常被忽略，却直接决定 C 端体验和 B 端成本。

图 7　工程指标的含义、测法与参考值

测法并不复杂：同一网络、同一提示词、同一时段，对每个竞品各发 10 次请求，记录首字延迟和完整回答耗时，取中位数[22]。上下文窗口一定要实测，标称 100 万 token，不代表 100 万 token 内的信息都能被准确找回。

四、第二层 产品体验：决定用户感知

技术底座决定上限，产品体验决定用户实际感知到的价值。同一个模型，做成产品后的体验可以天差地别。

（一）任务完成度：对比单位从功能换成任务

这一层的对比单位不再是功能点，而是任务：同样让它写一份周报，产出能不能直接交差，需要人工修补多少。第一篇介绍的任务评分表在这里同样适用，只是每个任务都要多次采样。

（二）交互范式：对话、嵌入，还是自动执行

主流的交互范式有三种，AI 的自主程度依次升高。

图 8　三种交互范式，以及每种范式分析时要看什么

范式的选择本身就是竞品的战略判断。同样做编程，独立对话入口、编辑器内嵌补全、后台自动执行任务的智能体，面对的用户、打断成本和天花板完全不同。行业的主线正在从 Copilot 走向 Agent，越往右，对可信和容错的要求越高。

（三）可信与容错：留存差距的主要来源

AI 一定会犯错，产品功力体现在怎么兜底。分析竞品时，逐项检查这五件事：

图 9　可信与容错五项检查。底座相同的两款产品，差距常常就在这一层

系统提示词决定了产品的“人格”和能力边界：开场白是什么，会不会主动澄清需求，格式约束能力如何，不会时会不会硬编。这些细节不出现在功能列表里，却直接决定用户愿不愿意继续用。一个没有任何容错设计的 AI 产品，要么团队不成熟，要么场景无关紧要。

（四）工作流深度：从聊天工具到干活工具

单轮问答谁都能做，能跑完整条业务链路的产品才有壁垒。同样是 AI 面试工具，“聊几句给点反馈”和“导入 JD → 生成题库 → 视频面试 → 多维评估 → 输出报告 → 写入招聘系统”是两个物种。分析时把竞品覆盖的链路画出来，看它在哪一步断掉、断掉之后用户要切到哪个工具，断点往往就是机会。多端覆盖也属于这一层：App、网页、桌面客户端、浏览器插件、IDE 插件，长在用户已有工作流里的入口越多，切换成本越高。

五、第三层 商业生态：决定能打多久

（一）成本与定价：换算成单次任务成本

传统 SaaS 的分析框架是“卖席位 → 人均收入 → 毛利”，AI 产品的成本结构完全不同：训练是一次性的巨额投入，推理成本随调用量线性增长。a16z 在 2020 年就观察到，AI 公司毛利常在 50%–60%，低于同类 SaaS 的 60%–80% 以上，主要原因是算力成本和人工介入[8]。

图 10　先把价格拆成 token 三档，再看收费方式；最终都换算成单次任务成本比较

大模型 API 普遍按输入、输出、缓存命中三档计价，输出价通常是输入价的数倍，缓存命中价远低于未命中价，具体以各家官方定价页为准[12][13][14]。分析竞品时要把它的定价换算成“完成一次典型任务要花多少钱”，口径才一致，也才能判断它能不能撑住价格战。

价格格局变化极快。2025 年 1 月，DeepSeek 发布 R1 推理模型，API 价格远低于同期 OpenAI o1；1 月 27 日，DeepSeek 应用登上美国 App Store 免费榜第一，英伟达股价当天下跌约 17%[15]。到 2026 年，市场又出现了两极分化：轻量模型持续降价，部分旗舰模型和编程订阅套餐反而涨价[25]。所以单位经济要定期重算，竞品突然降价时，要追问它是拿到了更便宜的算力，还是换成了更小的模型。

把今天几家主流厂商的官方标价放在一起看（查询于 2026 年 11 月 5 日，统一换算成人民币）：

图 11　主流大模型 API 标价对比：DeepSeek、Kimi、千问、智谱与 OpenAI、Anthropic（元 / 百万 token；美元按 1 : 6.75 粗略换算；Kimi 为第三方汇总价，待核实）

这张表能读出四点。第一，旗舰档里，国产模型的标价普遍只有海外模型的几分之一：DeepSeek V4 Pro 高峰时段的输出价是每百万 token 27 元，智谱 GLM-5.3 是 28 元，而 Claude Opus 5.5 约 135 元，GPT-6 Astra 和 Claude Fable 5.1 约 338 元。但档位只是大致对应，能力并不等价，价格一定要和第三节的评测结果放在一起看。

第二，轻量档的价格已经非常接近，甚至出现倒挂：DeepSeek Flash 高峰时段的输出价是 8 元，反而高于 GPT-6 Luna 和 Claude Haiku 5.5 的约 3.4 元。“国产一定更便宜”的印象，在轻量档已经不成立。

第三，缓存折扣的差别比标价还大：DeepSeek 的缓存命中价只有输入价的 2%–3%，OpenAI 和 Anthropic 多在 2.5%–10%，智谱在 25% 左右。对于长上下文、提示词前缀大量重复的智能体类产品，缓存命中率往往决定了真实成本，只比标价会严重误判。

第四，定价方式本身也在竞争：DeepSeek 实行峰谷价，空闲时段半价；千问部分模型按输入长度分档，还会推出限时折扣；输出价普遍是输入价的 3–5 倍。

所以比较竞品的成本时，不要直接比标价，而要按自己的真实调用模式（输入多长、输出多长、缓存命中率多少、在什么时段调用），算出完成一次典型任务的成本。表中价格只代表查询当天的标准价，正式决策前请以各家官方定价页为准[12][14][26][27][28][29]。

收费方式也在演化：从按席位订阅，到按用量计费，再到按结果计费。Intercom 的客服智能体 Fin 按成功处理的结果收费，每次 0.99 美元[11]。越往结果计费走，越像在卖“劳动成果”，而不是卖软件，也越考验卖方对效果的把握。

（二）增长与留存：别被尝鲜流量骗了

AI 产品的尝鲜流量特别大，下载量和访问量很容易被投放和热点推高。红杉资本 2023 年的统计显示，生成式 AI 应用的日活 / 月活比中位数约 14%，而成熟消费应用约 51%；首月留存中位数 42%，对比组为 63%[7]。a16z 建议以第 3 个月作为 AI 产品留存的基线，因为前两个月大量“AI 游客”会流失[10]。

图 12　尝鲜型与留下型 AI 产品的留存曲线示意。对比竞品时，比 M3 之后的曲线形状

国内的例子是 2024 年的大模型应用投放战。据 AppGrowing 等第三方平台估算，Kimi 等应用的月投放达到数千万元甚至更高（月之暗面对部分数据表示不实）[16]。投放能迅速拉高访问量，但留不留得住用户，取决于产品本身。分析这类竞品时，访问量只能说明它花了多少钱，留存和使用频次才说明它做得怎么样。

（三）生态与分发：长在谁的入口里

对 AI 产品来说，生态决定了开发者和企业客户的迁移成本，主要看五件事。一是 API 和 SDK 的兼容性：兼容 OpenAI 接口格式已经是事实标准，兼容得越好，开发者迁移成本越低。二是 MCP（Model Context Protocol）：Anthropic 在 2024 年 11 月推出的开放协议，让模型以统一方式连接外部工具和数据[17]，看竞品是否支持、生态里有多少可用的服务。三是 Agent 能力：工具调用、长程任务规划。四是开源还是闭源：开源策略直接影响开发者生态和私有化部署的渗透率。五是私有化部署：政府、国企和金融客户的刚需，要看是否提供本地部署版本和配套算力方案。

分发同样关键。a16z 在 2023 年的分析中认为，长期看，行业的收入和利润会流向拥有终端客户的一方[9]。办公套件、即时通讯、浏览器、操作系统里内置的 AI 能力，随时可能把一个细分应用“顺手”做掉。判断竞品（以及我们自己）是否在平台的下一个功能清单上，是这一层必须回答的问题。

（四）合规与安全：准入门槛，不是加分项

在中国，面向公众提供生成式 AI 服务，需要遵守 2023 年 8 月施行的《生成式人工智能服务管理暂行办法》，完成备案或登记[18]。竞品分析要做的动作很具体：查网信办定期发布的生成式 AI 服务备案公告和算法备案系统[19]，看对手是否合规上线、有没有新进入者；用敏感问题实测它的内容安全边界，看有没有未成年人模式。出海产品则要关注欧盟《人工智能法》：禁止类条款自 2025 年 2 月起适用，通用模型义务自 2025 年 8 月起适用，大部分规则自 2026 年 8 月起适用，而且对进入欧盟市场的产品都有约束力[20]。

面向企业的 AI 产品，还要看数据政策（用户数据是否用于训练、存在哪里、有哪些安全认证）和智能体安全（提示词注入防护、权限边界、操作留痕）。这些往往比能力更决定能不能签单。

六、综合判断：用“换底座测试”看护城河

把三层看完，最后要回答：竞品的优势能撑多久？最有效的检验方法，就是框架图底部那个问题。

图 13　AI 应用常见壁垒的相对强弱（定性判断），以及换底座测试

模型能力领先是最弱的壁垒，因为下一代模型会把差距抹平，调用 API 的竞争对手也能随时换上更强的模型。真正难复制的是嵌入用户日常工作的工作流、拥有终端客户的入口、难以获得的专有数据，以及更低的成本结构。

AI 编程工具是一个好例子。GitHub Copilot 的优势在分发：它内置于 VS Code、JetBrains 和 GitHub 这些开发者每天使用的地方。Cursor 则基于 VS Code 做了一个以 AI 为主交互的编辑器，靠重做工作流赢得了开发者口碑。两者比的并不是谁的底座模型更强，而是“入口”和“工作流”两种壁垒的较量。

七、持续监测：让分析结论不过期

AI 产品竞品分析最大的敌人是时间。静默升级意味着，即使 API 模型名没变，背后的模型也可能已经换了。所以任何实测报告都必须标注实测日期和调用的模型端点，否则结论不可复现、不可比较。建议按下面的清单持续监测：

图 14　AI 竞品持续监测清单与频率

其中两条经验值得强调。价格变动常常先于发布新闻出现，盯定价页比盯新闻更早发现对手的动作。自建评测集的月度回归最有价值：它能告诉你，对手换模型之后，我们之间的差距是在缩小还是在扩大。

八、两个案例

（一）国内外通用大模型：能力差距与定位差异

第一个案例用真实的公开数据，看国内外代表性通用大模型的差距在哪里，顺便验证第三节那条原则：榜单只能定梯队，而且换一个榜单，结论的力度就不一样。

图 15　国内外代表性通用大模型的能力对比（Artificial Analysis 智能指数与三个榜单的差距，查询于 2026 年 11 月 5 日）

先看能力。 在 Artificial Analysis 的智能指数上（同一套题，覆盖推理、知识、编程和智能体任务），第一梯队是 Google 的 Gemini 4 Carbon（60）、Anthropic 的 Claude Opus 5.5（59）和 OpenAI 的 GPT-6 Astra（57）；国产模型中最高的是 Kimi K3.1 Pro（46），腾讯混元 Hy4、千问 Qwen3.8 Max、DeepSeek V4.1 Flash 和智谱 GLM-5.3 集中在 32–35 分[31]。但换一个榜单，差距的大小就变了：在偏综合能力的中文榜 SuperCLUE 2026 年 11 月榜上，海外最佳 Gemini 4 Argon 73.62 分，国内最佳 Kimi K3.1 Pro 61.46 分，差约 12 分[32]；在真人盲测、偏对话体感的 LMArena 文本榜上，Gemini 4 Carbon 1528 分，Kimi K3 1488 分，千问 Qwen3.8-Max、智谱 GLM-5.3 也都在 1480 分上下，差距只有几十分[33]。合起来的结论是：国产头部模型在日常对话体验上已经接近第一梯队，但在复杂推理和智能体任务上仍有明显差距。 如果你的产品主打日常问答和内容生成，国产模型的性价比优势很大；如果主打复杂的智能体任务，差距就需要认真评估。

再看定位。 能力差距之外，各家的打法也完全不同。

图 16　国内外通用大模型的定位地图：开源还是闭源，偏 C 端还是偏 B 端（定性示意）

海外三强都是闭源，但重心不同：ChatGPT 是全球 C 端规模最大的 AI 应用，同时也是 API 大户；Gemini 借助搜索、安卓和办公套件分发；Claude 则以企业和开发者为主，编程场景是它的强项。国内则呈现“C 端靠流量、B 端靠开源”的格局：豆包依托抖音的内容和流量，2026 年 9 月月活约 4.19 亿，居国内第一；千问开源和闭源双线并进，月活约 1.58 亿，同时带动阿里云的 B 端业务；DeepSeek 以开源和极致性价比切入，月活约 1.23 亿[23]；Kimi、智谱则以开放权重为主，重心在开发者、长文本、智能体编程和政企市场。

这个案例对做竞品分析有两点启示。第一，比能力一定要看清榜单测的是什么，单拿一个榜单下结论，很容易被带偏。第二，能力相近的模型，定位可以完全不同：同样分数在 30 多分的几家国产模型，有的靠 C 端流量，有的靠开源生态，有的靠云业务，它们的真正对手和增长逻辑并不一样。

（二）AI 编程助手：用三层框架走一遍

假设你在做一款 AI 编程助手，要分析两个主要竞品。按三层框架推进（示例为示意）。

技术底座层：查官方文档，竞品 A 基于自研模型，竞品 B 接入多家模型、允许用户切换；在公开榜单上确认两者的能力区间和价格带；准备 30 道覆盖代码补全、bug 修复、跨文件重构、文档生成的固定题目，双盲打分、每题多次采样；用一个带复杂依赖的真实项目做压力测试，观察上下文丢失情况。

产品体验层：A 是 IDE 插件加后台 Agent 双形态，复杂任务完成质量高，但响应偏慢；B 主打编辑器内嵌，速度快、上手门槛低，但复杂任务需要频繁人工接管。容错设计上，A 对所有自动修改都提供 diff 预览和一键回滚，B 的确认环节薄弱。

商业生态层：A 按席位订阅，定价偏高，走企业客户路线；B 个人版低价走量，靠规模摊薄成本，近期拿到新一轮融资，正在大力投入开发者社区。

图 17　AI 编程助手三层评分卡与结论（评分为示意）

真实的 AI 编程赛道还提供了一个关于数据口径的教训。据新浪财经报道，IDC 发布过两组口径完全不同的市场份额数据，排名前列的厂商在两组数据里截然不同[24]，这说明赛道格局未定、统计窗口很短，引用任何份额数字都要注明口径。另一个值得拆解的打法是字节的 Trae：它长期以免费策略换取用户规模，后来国际版才转为按 token 计费[24]，这是“成本层 + 生态层”组合打法的典型样本。分析这个赛道，除了看模型跑分，更要看 IDE 插件、独立 IDE、命令行三种形态是否齐全，免费额度策略，与自家云和模型的绑定关系，以及商业化节奏。

九、AI 竞品分析特有的五个坑

图 18　AI 竞品分析特有的五个坑与对策

第三个坑最隐蔽：免费层和付费层调用的可能是不同档位的模型。实测时如果只用付费账号，就会拿竞品最强配置的表现，去对标它的入门价格。

结语

AI 产品的竞品分析，变的是拆解对象：从功能列表深入到模型、数据、工作流和成本结构；不变的是分析逻辑：带着自己的问题来，用实测代替传闻，让结论落在行动上。

最后附上一张可以直接带走的维度清单，做竞品分析时逐行打勾即可。

图 19　AI 产品竞品分析维度清单：关键指标与信息来源

方法和对象都讲完了，下一篇解决最后一个问题：如何让 AI 成为你的竞品分析助手，同时避开它一本正经编造事实的坑。

---

参考资料

1. 中国经济网，信通院魏凯访谈，2025-07-02，http://www.ce.cn/xwzx/gnsz/gdxw/202507/t20250702_2347159.shtml
2. LMArena，https://lmarena.ai
3. Singh 等，《The Leaderboard Illusion》，arXiv，2025，https://arxiv.org/abs/2504.20879 ；LMArena 的回应，https://news.lmarena.ai/our-response
4. SuperCLUE General Leaderboard，https://www.superclueai.com/generalpage
5. Hugging Face，《LLM Evaluation Guidebook》，https://openevals-evaluation-guidebook.hf.space/the-llm-evaluation-guidebook.pdf
6. Artificial Analysis，https://artificialanalysis.ai
7. Sequoia Capital，《Generative AI’s Act Two》，2023，https://sequoiacap.com/article/generative-ai-act-two
8. a16z，《The New Business of AI (and How It’s Different From Traditional Software)》，2020，https://a16z.com/the-new-business-of-ai-and-how-its-different-from-traditional-software/
9. a16z，《Who Owns the Generative AI Platform?》，2023，https://a16z.com/2023/01/19/who-owns-the-generative-ai-platform/
10. a16z，《AI retention benchmarks》，https://a16z.com/ai-retention-benchmarks/
11. Intercom 定价页，https://www.intercom.com/pricing
12. DeepSeek API 定价，https://api-docs.deepseek.com/zh-cn/quick_start/pricing/
13. 火山引擎模型服务价格，https://www.volcengine.com/docs/82379/1544106
14. OpenAI API 定价，https://developers.openai.com/api/docs/pricing
15. The National，DeepSeek R1 与英伟达股价，2025-01-27，https://www.thenationalnews.com/future/technology/2025/01/27/deepseek-ai-r1-stock/
16. 新浪财经，Kimi 投放相关报道，2024-11-22，https://finance.sina.com.cn/roll/2024-11-22/doc-incwzmiw7048377.shtml
17. Anthropic，《Introducing the Model Context Protocol》，2024-11，https://www.anthropic.com/news/model-context-protocol ；协议文档 https://modelcontextprotocol.io
18. 国家网信办等，《生成式人工智能服务管理暂行办法》，2023，https://www.cac.gov.cn/2023-07/13/c_1690898327029107.htm
19. 网信办生成式 AI 服务备案公告，https://www.cac.gov.cn/2026-09/14/c_1791136833136332.htm ；算法备案系统，https://beian.cac.gov.cn/
20. European Commission，AI Act，https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
21. 人人都是产品经理，AI 竞品分析复盘，http://m.toutiao.com/group/7641800638515413519/
22. 掘金，TTFT 与成本控制，https://juejin.cn/post/7669778081063108662
23. 新浪财经，2026 年 9 月 AI App 月活榜，http://finance.sina.cn/stock/jdts/2026-10-21/detail-inivzcqf6101775.d.shtml
24. 新浪财经，《AI 编程 IDE 四分天下》，https://finance.sina.com.cn/stock/relnews/hk/2026-09-13/doc-inirsuvu7687983.shtml ；界面新闻，Trae 用户规模，https://www.jiemian.com/article/14788309.html
25. 21 世纪经济报道，国产大模型涨价潮，http://m.toutiao.com/group/7676010502560858674/ ；新浪财经，大模型原厂涨价，https://finance.sina.com.cn/wm/2026-09-05/doc-iniqtspw3780984.shtml
26. Anthropic，Pricing，https://platform.claude.com/docs/en/about-claude/pricing
27. 阿里云百炼，模型价格，https://help.aliyun.com/zh/model-studio/model-pricing
28. 智谱开放平台，价格说明，https://docs.bigmodel.cn/cn/guide/start/pricing
29. Kimi 开放平台，模型推理价格说明，https://platform.kimi.com/docs/pricing/chat ；第三方汇总 BenchLM，https://benchlm.ai/moonshot/api-pricing （2026-11-04 更新）
30. 汇率参考：2026 年 9 月 28 日美元兑人民币中间价 6.7399，https://news.10jqka.com.cn/20260928/c680300044.shtml
31. Artificial Analysis，Intelligence Index 排行榜，https://artificialanalysis.ai/leaderboards/models （查询于 2026-11-05）
32. 新浪科技（转载快科技），《最强中文大模型出炉：Gemini 领跑总榜、Kimi 国内第一》，2026-11-05，https://finance.sina.com.cn/tech/roll/2026-11-05/doc-inixrqen6329065.shtml
33. LMArena，Text Arena 排行榜，https://arena.ai/leaderboard/text （页面更新于 2026-10-27）

说明：文中标注“示意”的图表用于说明方法，数据为虚构或定性示例，不代表任何产品的真实表现。价格、份额、月活等数据时效性强，正式决策前请以官方页面为准。所有配图的可编辑 SVG 源文件在 images/svg 目录下。