如何用 AI 做竞品分析：人机分工、工作流与提示词

竞品分析三部曲 · 第三篇。第一篇讲方法论，第二篇讲 AI 产品怎么分析，本篇讲怎么让 AI 当你的竞品分析助手：它能做什么、不能做什么，每一步具体怎么用。

2024 年 12 月 Google 推出 Gemini Deep Research，2025 年 2 月 OpenAI 和 Perplexity 相继推出各自的深度研究功能[1][2][3]。从此，输入一个问题，几分钟后就能拿到一份带引用、结构完整的竞品报告。很多人以为竞品分析被“一键解决”了。

但这类报告直接拿去用，问题很多。第一，看起来对不等于真的对：OpenAI 在发布时就说明，深度研究可能编造事实、做出错误推断，也可能难以区分权威信息和传言[2]；2026 年一项针对商业大模型和深度研究智能体的研究发现，它们给出的引用链接中约 3%–13% 从未存在过，5%–18% 无法打开，深度研究智能体的引用幻觉率还更高[4]。第二，人人都能拿到同样的报告：对手用同样的工具、问同样的问题，得到的结论也差不多。第三，AI 不知道你的资源约束和业务背景，无法为结论负责。

先说结论： 用 AI 做竞品分析，核心是分工。人负责定义问题、核验事实、下判断；AI 负责收集、整理、结构化、写初稿和“唱反调”。每一条事实都必须能回溯到原文，内部数据一律不喂给公开模型。本文按“分工 → 工具 → 提示词 → 八步工作流 → 风险与核验”展开。正文里有 10 条可以直接复制使用的提示词：⓪ 帮你写提示词，①到⑨ 对应工作流的每一步。

一、有了 AI，竞品分析变了什么、没变什么

竞品分析的工作可以分成两类：一类是收集、整理、归纳、结构化、写初稿，机械、重复、耗时；另一类是定目标、辨事实、做判断、出洞察，依赖业务认知和行业经验。AI 把前一类工作大幅压缩了，后一类基本没变，其中“核验事实”反而要花更多时间。

图 1　用 AI 之后，各环节剩下的人力投入（定性示意）

于是，竞品分析拉开差距的地方变了：过去比谁收集得多，现在比谁问得准、谁有一手数据、谁判断得对。 公开信息谁的 AI 都能找到；你的用户访谈、销售反馈、自建评测集，对手的 AI 找不到。

二、人机分工：两头由人把关，中间交给 AI

把竞品分析拆成七个环节，就能看清每一段该谁上手。

图 2　人机分工泳道图。深色是该环节的主导方，虚线框是辅助方

新手最容易踩的坑是环节错位：让 AI 替你定目标，它只会顺着你模糊的说法套模板；让 AI 替你拍板事实，它会产生幻觉。合理的分工是：粗采、结构化、写初稿这三段交给 AI，它最擅长；定义问题和核验事实这两头，必须由人来做。中间的“选竞品”和“分析洞察”是人机协同：AI 负责扩大视野，人负责取舍。

三、选工具：按产出物分工组合

没有哪一个工具能把竞品分析从头做到尾。 比较稳妥的做法是按产出物分工：事实交给搜索型和深度研究工具，分析文字交给长文档与写作能力强的模型，数据图交给能执行代码的模型，演示交给演示工具。多个智能体可以并行采集，但执笔只能有一个。

（一）工具全貌：八类工具各管一段

做竞品分析能用上的 AI 工具，大致可以分成八类，各管一段。

图 3　AI 竞品分析工具版图（工具迭代极快，以各产品官网为准）

（二）典型工具：各自擅长什么

具体到产品，下面是做竞品调研时最常用的几款，以及它们的长处和短板。

图 4　典型 AI 工具的擅长、短板与适合环节（据公开评测与产品说明整理，能力随版本变化）

三款深度研究工具各有侧重。 ChatGPT 的深度研究报告最完整、推理链最长，适合出深度初稿，代价是耗时更长[3]；Gemini Deep Research 检索面广、速度快，报告可以在 Canvas 里一键转成网页、信息图和音频概览[11]；Perplexity 逐句标注引用，最方便核对，适合做事实核查和每周的动态快搜。但要注意，引用格式整齐，不等于引用正确。2025 年哥伦比亚大学数字新闻研究中心测试了 8 款 AI 搜索工具，在约 1600 次查询中，它们整体答错的比例超过 60%；表现最好的 Perplexity 错误率约 37%，最差的 Grok 3 高达 94%，Gemini 和 Grok 3 给出的编造链接甚至多于正确链接[7]。所以无论用哪一款，关键引用都要抽查。

精读和写作交给另一类工具。 Claude 擅长拆解长文档、综合互相矛盾的信息，写作也更细腻，适合读财报、写分析和做反方挑刺；NotebookLM 只基于你上传的资料回答并标出出处，适合把筛好的核心资料交给它精读，或者分享给团队。

国内赛道和海外赛道，信源差别很大。 研究国内赛道时，政策文件、本土公司、应用商店评论、公众号和社交平台内容，国内工具（豆包、Kimi、秘塔 AI 搜索等）覆盖更全；研究海外赛道，海外工具更好。两边都涉及时，各用一个，再交叉比对。

图表要分两类处理。 数据图（份额、价格、趋势）交给能执行代码的模型，把核验过的数据给它，让它写代码画图，脚本留存，数字可追溯、可复现；框架图和流程图交给文本转图示或画图工具，再由人调整结构。Kimi 的 OK Computer 等智能体模式可以直接产出网页和 PPT[12]，很方便，但其中出现的每个数字同样要回到事实表核对。不要用文生图模型画带数字的图表，它会画出“看起来很对”的错误数字。

（三）单智能体，还是多智能体

用 AI 做调研，常有人问该用一个智能体还是多个。业界有两种看起来相反的观点，放在一起看，答案就清楚了。

Anthropic 公开过它的深度研究系统：一个主智能体负责拆解问题，再派出多个子智能体并行检索，最后汇总。在其内部的研究评测中，这种多智能体系统比单智能体的表现高出 90.2%，尤其擅长需要同时朝多个独立方向展开的“广度型”问题；代价是消耗的 token 约为普通对话的 15 倍[8]。另一边，AI 编程公司 Cognition 发表过《Don’t Build Multi-Agents》，指出并行的子智能体看不到彼此的上下文，会做出互相冲突的隐含决定，拼起来的结果前后矛盾[9]；它在 2026 年的跟进文章里仍然认为，让多个智能体并行“写”同一份产出的做法不可靠[10]。

两者并不矛盾：多智能体适合并行“读”，不适合并行“写”。 落到竞品分析上，就是下面三种组织方式。

图 5　三种组织方式：单智能体、一主多辅、多工具交叉

怎么选：竞品不超过 3 家、问题单一的快速扫描，一个工具从头做到尾就够了；竞品多、维度多的广度调研，用一主多辅的方式并行采集，每个子任务查一家或一个维度，但汇总和成文交给一个智能体（或者你自己）；会写进结论页的关键事实和高风险判断，用两个不同厂商的工具查同一个问题，比对差异，由人来裁决。最常见的错误，是让几个智能体分头写报告的不同章节再拼起来，结果口径不一、前后矛盾。

（四）文字和图表：分别交给谁

一份竞品报告由四类产出组成：事实、分析文字、图表、演示。它们最好按顺序交给不同的工具完成，而且都从同一份核验过的事实表出发。

图 6　从事实表到演示文稿的分工流水线

顺序很重要：先有核验过的事实表，再写文字，再画图，最后才做演示。很多人倒过来，先让演示工具“一键生成”整套 PPT，再去补证据，结果是演示里出现了大量无法溯源的数字。

（五）按场景选组合

把上面的原则落到三种最常见的场景上：

图 7　三种常见场景的工具组合与人工把关点

起步时不必追求工具多：先固定一个主力组合，把后面的八步工作流跑通，再按需要加工具。在公司里做，优先使用签了数据协议的企业版，公开版只处理公开信息。

四、写提示词：结构、角色与用途

（一）五段结构与四个技巧

好用的竞品分析提示词，大多由五段组成。其中四段是必需的，角色按需添加。

图 8　一条竞品分析提示词的五段结构：四段必需，角色按需

在这个结构之上，还有四个技巧最能提升输出质量：要求结构化输出（表格、固定列名），便于逐行核对；要求每条事实附来源链接和原文引述；明确允许它说“不知道”，查不到就写“未找到”；把事实和推测分开，推测统一放进“待验证假设”。

（二）角色：什么时候需要写

早期的提示词教程几乎都从“你是一位资深专家”开始，现在各家官方文档的重点已经转向：把背景交代清楚，说明为什么要这样做。角色设定仍然是一种有效的技巧，但它本质上是背景信息的简写，并不是必需的。有研究测试了 160 多种角色设定，发现在事实类问答上，加角色并不能稳定提升准确率[13]。

所以要分三种情况看。当角色本身就是任务，比如让 AI 当反方挑刺、扮演竞品负责人、做多角色推演，必须写，而且要写具体的立场，不要只写一个头衔；当你需要它用某种标准来评判（如“按审计的标准检查每个数字”），角色能带出这套标准，但直接把标准写出来效果更好；收集事实、整理信息这类任务，角色可有可无，加了不影响，背景、约束写清楚才是关键。一个简单的判断方法：把角色那一行删掉，看输出会不会变。

（三）用途：写清“为什么”，比多写规则管用

新一代模型会根据你给的目的来判断什么最要紧。比如在事实表的提示词里加一句“这张表会直接给老板看，每个数字都可能被追问来源”，比多写三条规则更能让它认真对待出处。后文每条提示词的“背景”里，都写了这样一句用途说明。

（四）不会写提示词？让 AI 帮你写

写好一条提示词并不容易，大部分人也没必要从零写，可以让 AI 帮你写。要点只有一个：别让它凭空写，先让它采访你。 凭空写出来的，往往是一个看起来完整、却不贴合你业务的通用模板。

图 9　让 AI 帮你写提示词的五步流程

下面这条可以直接复制使用，把第一行换成你要做的事即可：

⓪ 让 AI 帮你写提示词

我想让 AI 帮我完成一件事：【一句话描述，例如“分析三家竞品的定价策略，给老板做汇报”】。
请你当我的提示词顾问，按下面三步来：

1. 先问我问题，不超过 5 个，弄清楚：这件事要支持什么决策、结果给谁看、我手上有哪些材料、哪些内容必须能核对来源、我想要什么样的输出。一次问完，等我回答后再继续。

2. 根据我的回答，写一条可以直接复制使用的提示词，包含：
   - 背景与目的：写明为什么做这件事、结果会被怎么用
   - 具体任务：分几步，每一步交付什么
   - 约束：不许编造；查不到就写“未找到”；事实和推测分开
   - 输出格式：用什么结构，表格有哪些列
   如果任务需要某种特定的立场或评判标准，再加上角色设定，并告诉我为什么加。

3. 写完后告诉我：这条提示词最可能在哪两三个地方失败，我拿到结果时应该重点检查什么。

用的时候有三个技巧。第一，把材料一起给它：竞品资料、以前写过的报告、你觉得写得好的范文，有参照，它写出的提示词会贴合得多。

第二，结果不满意时，把不好的输出贴回去，说清哪里不对，让它修改提示词本身，而不是只重写这一次的答案，这样提示词会越用越好。

第三，好用的提示词存下来，形成团队自己的提示词库，下次直接复用。主流模型的开发者平台（如 Anthropic 控制台、OpenAI Playground）也带有提示词生成和优化功能，原理与此相同。

五、八步工作流：每一步的提示词与检查点

把第一篇的六步流程展开成八步，每一步都有明确的 AI 动作、人工检查点和对应的提示词。

图 10　AI 辅助竞品分析的八步工作流。①到⑨是下文的提示词编号

下面逐步说明。提示词中方括号【】里的内容替换成你自己的信息。

第 1 步　定目标：先写简报，再让 AI 追问

不要丢给 AI 一句“帮我分析一下 X 赛道”。先自己写一页简报（第一篇的 8 个问题），把业务背景、决策问题、边界约束、资源限制写清楚，再让 AI 扮演严格的顾问，找漏洞、拆子问题、搭框架。

① 追问简报并生成研究框架

# 角色
你是一位有 10 年经验的产品战略顾问，擅长把模糊的业务问题拆成可执行的研究框架。

# 背景
我是【公司】的产品经理，我们在做【产品 / 赛道】。
本次竞品分析的决策问题是：【一句话，例如“我们下季度要不要做 X 功能”】。
听众是：【CEO / 业务负责人】。以下是我的分析简报：【粘贴简报】
这份框架决定了接下来收集什么信息，方向错了后面全白做，所以宁可多追问，也不要替我做假设。

# 任务
1. 先逐条追问：找出简报里模糊、缺失或自相矛盾的地方，每条附一句“为什么这会影响结论”；
2. 把决策问题改写成 3–5 个可以被回答的子问题；
3. 列出需要收集的信息维度，标注每个维度对本次决策的重要性（高 / 中 / 低）；
4. 给出竞品分层标准（直接 / 间接 / 替代 / 潜在），每层 2–3 条判断标准，不要直接替我点名公司。

# 约束
不要给通用模板，要紧扣上面的决策问题；不确定的地方标【需你确认】，不要自行编造公司名。

# 输出格式
Markdown：## 追问清单 / ## 研究子问题 / ## 信息维度表 / ## 竞品分层标准

使用要点：第一遍可以先不填竞品真名，避免 AI 顺着名字套出现成的“分析模板”。

第 2 步　选竞品：AI 出长名单，人砍到 3–6 家

② 竞品长名单

# 角色
你是赛道研究员。

# 背景
这份名单用来决定深入分析哪几家。漏掉替代方案或新进入者，后面的结论就会出偏差；名单上的每一家我都会打开官网逐个核实。

# 任务
围绕【赛道关键词，例如“面向中小企业的智能客服”】生成竞品长名单：
1. 列出 15–20 家候选，覆盖国内头部、海外头部、新锐公司、平台型玩家和替代方案；
2. 每家一行：名称、官网链接、一句话定位、目标客群、近 6 个月最重要的一次动态；
3. 分类：直接竞品 / 间接竞品 / 替代方案 / 潜在进入者，并写明归类理由；
4. 每条“近期动态”标注【已核实】或【待核实】。

# 约束
不要写“行业内主要玩家包括……”这类空话；融资额、用户数、收入不确定就写“未公开 / 待核实”，不许估算；不确定是否存在或已停止运营的，标“待核实”。

# 输出格式
Markdown 表格：| 名称 | 官网 | 定位 | 客群 | 分类 | 近 6 个月动态 | 核实状态 |

使用要点：放在带联网能力的深度研究或 AI 搜索里跑。这一步是第一个人工检查点：AI 容易编造不存在的产品，或者推荐已经停服的产品。逐个打开官网核实，再按第一篇的“四圈 + 角色”砍到 3–6 家。

第 3 步　收信息：深度研究出“事实表”

这是最核心的一条提示词。目标不是让 AI 写一篇漂亮的报告，而是产出一张每行一条事实、每条都能回溯的事实表。

③ 事实表

# 背景
这张表会直接用在给【老板 / 决策人】的报告里，每个数字都可能被追问来源。所以宁可写“未找到”，也不要给出无法核对的内容。

# 任务
请就以下竞品收集事实：【竞品 A / B / C】。
维度：定价与套餐、目标客户、核心功能、最近 6 个月的重要更新、公开的用户规模或营收数据。

# 约束
1. 优先使用一手来源：官方文档、功能发布公告、定价页、财报；不要依赖第三方对产品功能的解读；
2. 只写有来源支持的内容，查不到就写“未找到”，不要推测；
3. 事实和观点分开：推测性内容统一放到最后的“待验证假设”；
4. 优先采用近 6 个月的信息；发布日期在 12 个月以前的，标注“可能过时”，并确认该情况至今是否仍然成立。

# 输出格式
表格，每行一条事实：| 竞品 | 维度 | 事实 | 来源链接 | 原文引述 | 发布日期 | 来源类型（官方 / 媒体 / 第三方数据 / 用户评论）|

用深度研究工具时，还有四个技巧值得掌握：

图 11　深度研究类工具的四个使用技巧

拿到事实表后是第二个人工检查点：关键数字必须回到一手来源核对，其余内容至少抽查一部分。凡是会出现在给决策人结论页上的事实，都要由人亲自打开原文确认过。

第 4 步　处理素材：评论归类与体验走查

一手素材仍然要人亲自采集：注册竞品的免费和付费账号，跑通核心流程并截图，下载近一年的更新日志，从应用商店或第三方平台导出用户评论。AI 负责批量处理，纪律只有一条：AI 只归纳，不创造。

④ 用户评论归类

# 角色
你是用户研究分析师，擅长从大量应用商店评论里提炼结构化洞察。

# 背景
我们想知道用户真正卡在哪里、为什么离开，用来决定下季度优先改什么。

# 输入
下面是【竞品 A】的【约 300 条】评论，含评分、日期和原文。

# 任务
1. 按“用户想完成什么任务”和“卡在哪里”两条线归类，归纳 6–10 个高频主题；每个主题给出条数、占比、平均评分倾向、2–3 条代表性原文；
2. 把负面主题按“痛点强度 × 出现频次”排序；
3. 区分“功能缺失”的抱怨和“功能有但做得不好”的抱怨，两类对产品的含义不同；
4. 单独列出用户主动提到的其他产品：他们从哪里来、想换到哪里去；
5. 标出最近 3 个月明显变多的抱怨；最后给 3 条对我们的启示，每条都要能追溯到上面某个主题。

# 约束
不许编造评论里没有的观点；某类评论少于 5 条时标注“样本不足，谨慎结论”；不要写“用户总体满意度较高”这类空话。

# 输出格式
## 主题归类表 / ## 痛点优先级 / ## 用户提到的其他产品 / ## 对我们的启示

⑤ 体验走查

# 背景
这份走查用来找出我们同一流程里可以减少或改掉的步骤。

# 输入
附件是【竞品 A】完成【核心任务，例如“新建会议纪要并分享给同事”】的逐步截图。

# 任务
按步骤记录：页面、用户操作、系统反馈、可能的卡点。
最后汇总：总步骤数、必填项数量、最容易流失的一步，以及与我们产品同一流程的差异。

# 约束
只依据截图描述，看不清的地方写“无法判断”，不要补充截图里没有的内容。

使用要点：评论一次控制在几百条以内，放进长上下文能力强的模型；归类结果要人工抽样核对，AI 常会把带讽刺语气的评论归错正负。更新日志也可以用同样的思路交给 AI，让它按时间线提炼对手战略重心的变化。

第 5 步　结构化：功能对比表，“未知”不等于“没有”

AI 在这一步最爱做的事是“脑补”：看到竞品 A 有某个功能，就推测竞品 B 应该也有，然后写进表里；或者把“官网没写”当成“竞品没有”。下面这条提示词专门防这两种错误。

⑥ 功能对比表

# 背景
这张表用来判断我们的差距和优先级。把“没找到”写成“不支持”，会让我们误判对手的短板，所以“未知”必须单独标出来。

# 输入
下面是我从【竞品 A / B / C】官网、帮助文档、更新日志里抓下来的原文，以及我们自家产品的功能清单。

# 任务
1. 生成功能对比表：行 = 按用户任务分组的功能项，列 = 我们 / A / B / C；
2. 单元格只允许写：完整支持 / 部分支持 / 不支持 / 未知；
3. 凡是“未知”，必须在表下注明“原文中未找到，需人工验证”，不许用“不支持”代替“未知”；
4. 表下加一节“口径差异”：哪些功能各家的定义不一样；
5. 标出 3–5 个“我们明显落后”和“我们明显领先”的格子。

# 约束
只用我给你的原文，不要联网补充；每条结论都能在原文中定位，用 [1][2] 标注出处。

# 输出格式
Markdown 表格 + 表下注 + 口径差异 + 领先 / 落后清单

记住第一篇的提醒：功能对比表只是素材，不构成分析。表格做完后，还要追问每个关键功能“它为什么做、效果如何、我们要不要做”。

第 6 步　推演：同一份事实，让四个角色各说一遍

只从一个视角写出来的竞品分析，很容易“两边都对、等于没说”。让 AI 扮演不同的利益相关方，是拓宽思路成本最低的办法：同一份事实材料，换四个角色各说一遍，再找共识和分歧。

图 12　四角色评审团：同一份事实，四个立场

⑦ 四角色评审团

# 角色
你是一支模拟的评审团，由 4 个角色组成：
(1) 竞品公司的现任 PM；(2) 看过我们和竞品的投资人；(3) 一位真实的付费用户；(4) 行业分析师。

# 背景
我方产品：【一句话定位 + 核心客群 + 定价】；主要竞品：【A】。
这次推演的目的，是找出我们自己没想到的攻击点和机会，所以每个角色都要站稳自己的立场，不要互相迁就。
已掌握的事实（你只能基于这些事实推理，不要补充外部数据）：
- 【事实 1】
- 【事实 2】
- 【事实 3】

# 任务
请分别以 4 个角色的口吻回答：
1. 你认为对方最大的 1 个优点和 1 个致命弱点是什么？
2. 如果你来做对方的下季度路线图，你会先打哪一仗？为什么？
3. 你会怎么攻击我方？
最后由你作为主持人总结：哪些观点是 4 个角色共同认可的（高置信），哪些只有 1 个角色提到（低置信，需要验证）。

# 约束
每个角色发言不超过 150 字，要像真人说话；不要输出“综合来看，双方各有优势”这类空话；明确区分【基于事实】和【合理推测】。

# 输出格式
按 4 个角色分节 + ## 高置信共识 + ## 低置信待验证

举个例子（示意）。在智能客服赛道，给定事实是“A 定价低但能力弱，B 能力强但价格高，我方居中”。竞品 PM 可能会说：“我们不会在模型能力上硬拼 B，会把‘三天上线’做到极致，吃中小客户的迁移预算。”投资人会说：“A 靠低获客成本撑着，一旦渠道收紧，增长会塌。”用户会说：“B 好用，但我要养一个两人团队才能把它用起来，这才是真贵。”分析师会说：“这个赛道的终局不是客服软件，而是工作流 Agent。”四个角色共同指向的“价格与能力错配”是高置信结论；只有分析师提到的“被 Agent 替代”，放进待验证清单，半年后回头检验。

推演结果由人筛选、采信、拍板。AI 不知道你的资源约束，最终判断必须由人来做。

第 7 步　出稿：一页摘要与汇报大纲

⑧ 摘要与 PPT 大纲

# 角色
你是资深战略顾问，擅长把长篇研究改写成高管 10 分钟能听完的汇报。

# 背景
听众是【CEO】，只有 10 分钟，要据此决定【……】。他会追问每一个关键数字，所以结论必须能直接追溯到初稿里的证据。

# 输入
下面是我们已经写完的竞品分析初稿。

# 任务
1. 提炼 1 页摘要：一句话结论 + 3 条支撑论据 + 2 个建议动作；
2. 把初稿改写成 10–12 页 PPT 大纲，每页给出：页面标题、3 个要点、建议的可视化形式；
3. 标出哪些页面的数据“必须在汇报前人工复核”；
4. 删掉“随着市场快速发展”“综上所述”这类套话，换成具体判断。

# 约束
每页标题必须是判断句（例如“A 的定价优势会在 12 个月内被 B 打穿”，而不是“A 定价分析”）；不要新增初稿里没有的数字。

# 输出格式
## 一页摘要 / ## PPT 大纲（逐页）/ ## 汇报前必核清单

大纲生成后，可以交给 Gamma、Canva AI 或办公套件里的 AI 生成演示文稿。导出后同样要检查数字和版式。

第 8 步　终审：让 AI 当反方

定稿前最后一步，换一个新对话（避免 AI 维护自己写过的结论），让它专门挑刺。

⑨ 反方挑刺

# 角色
你是一位以苛刻著称的评审和风控顾问，专门挑报告里的逻辑漏洞。

# 背景
这份报告马上要交给决策人。宁可现在被你推翻，也不要上会后被问倒，所以请尽可能严厉。

# 输入
下面是这份竞品报告的结论与论据。

# 任务
逐条攻击：
1. 每条结论给出“最可能的 1 个反例”或“最可能被数据推翻的假设”；
2. 指出哪些结论是“把相关当因果”“幸存者偏差”“用单个事件推出普遍结论”；
3. 有没有被忽略的对手或替代方案；如果对手下个月做出某个动作，结论还成立吗？
4. 指出哪些句子是套话，给出更具体的改写；
5. 最后给一句诊断：如果这份报告错了，最可能错在哪里，怎样验证。

# 输出格式
## 逐条质疑 / ## 套话清单与改写 / ## 一句话诊断

反方的意见不一定都对，但每一条都要有回应：接受并修改，或者写明不采纳的理由。

六、风险与核验：四条红线

效率上去了，风险也跟着来了。下面四条是红线，任何时候都不能碰。

图 13　用 AI 做竞品分析的四条红线与对策

幻觉是最严重的一条。 它的典型表现有三种：编造不存在的功能、版本号、融资额、用户数；编造看似真实的引用链接；把“行业常识”说成“该公司官方数据”。这不是偶发故障，开头提到的研究已经量化过它出现的比例[4]。报告越长、引用越多，越容易让人放下戒心，这恰恰是最该小心的时候。

泄密同样不能碰。 公司未公开的营收、利润率、路线图、未发布需求、用户个人信息、客户名单、合同，都不要贴进公开版大模型。实操上可以用“四步脱敏”：分层送数据（公开版只喂公开信息，内部数据只走签了不训练条款的企业版或私有部署）；替换实体（公司名换成“我方”“竞品 A”，具体数字换成区间）；最小必要（只给完成任务所需的最小片段）；定期审计授权（定期检查并收回给 AI 工具的企业账号授权，授权给得越多，泄露的口子就越多）。

时效和偏见则要靠提示词里的时间窗、每条动态标日期，以及终审时的反方挑刺来防。第三方数据平台的数字是抽样估算，跨工具口径不一致时，不要直接当结论用。

把这些要求固化成一条核验流水线，AI 初稿才能变成可以上会的报告：

图 14　从 AI 初稿到终审定稿的核验流水线，以及终审前的四张打勾表

事实分级的规则很简单：官方一手 > 权威媒体 > 二手估算 > AI 推测，对外汇报只用前两类；关键数字至少有两个独立信源交叉验证。核验是整条链路里最不该省的一段：工具省下的时间，应该投回核验和洞察。

七、两个实践样本

（一）企业：把竞品分析做成持续运转的流水线

飞书官网发布过一个客户案例《AI 参谋进产品部：舒华体育用飞书实现竞品洞察提效》[6]，思路是用多维表格和 AI 搭建竞品洞察流程，持续扫描友商的公开信息并沉淀为结构化数据。值得借鉴的不是具体用了哪个工具，而是两点：竞品分析从一次性项目变成了持续运转的流程；流程里保留了人工抽查点。

（二）个人：一天完成一次赛道扫描

假设老板临时要一份“中老年社交”赛道的快速扫描，第二天上会。按本文的工作流，可以这样走（示意）：

图 15　一次快速赛道扫描的步骤、工具与提示词（示意），以及被人工检查点拦下的四个错误

这类扫描用传统方式通常要几个工作日，用 AI 辅助可以压缩到一天以内。但图 15 下方拦下的四个错误也说明：人工核验和亲自补一手材料的时间不能省，否则就是拿着幻觉去汇报。

八、从一次性报告到持续情报：三种节奏

过去竞品分析成本高，通常是一次性项目，一个季度甚至半年做一次。AI 把单次成本降下来之后，可以把它变成一套持续运转的机制。

图 16　竞品情报的三种节奏：越高频越自动化，越低频越依赖人的判断

每周的变化监测完全可以交给定时任务和 AI 摘要；每月的评测复测和用户声音整理由人机协作完成；每季度的战略复盘必须由人主导。工具会不停迭代，今天的深度研究明天会有更强的替代品，但“定目标、辨事实、出洞察”这三件事，始终要由人来做。

结语

用 AI 做竞品分析，记住三句话就够了：

AI 干苦力，人做判断。 分工错了，报告就废了。

两条底线： 不喂内部数据，所有事实人工核验。

真正的壁垒是判断力。 AI 让每个人都能写出一份及格的竞品报告，拉开差距的，是问题问得准不准、有没有别人拿不到的一手数据，以及敢不敢下判断。

三篇到这里就讲完了：第一篇讲竞品分析怎么做，第二篇讲分析对象换成 AI 产品时要补什么，这一篇讲怎么用 AI 提效。下一次接到竞品分析任务时，先花十分钟想清楚目的，再决定怎么动手。

---

参考资料

1. Google，《Try Deep Research and our new experimental model in Gemini》，2024-12-11，https://blog.google/products/gemini/google-gemini-deep-research/
2. Computing，《OpenAI announces new AI agent for “deep research”》，2025-02（含 OpenAI 对局限性的说明），https://www.computing.co.uk/news/2025/ai/openai-announces-deep-research
3. TechCrunch，《Perplexity launches its own freemium deep research product》，2025-02-15，https://techcrunch.com/2025/02/15/perplexity-launches-its-own-freemium-deep-research-product/
4. Delip Rao、Eric Wong、Chris Callison-Burch，《Detecting and Correcting Reference Hallucinations in Commercial LLMs and Deep Research Agents》，arXiv:2604.03173，2026，https://arxiv.org/abs/2604.03173
5. Manus，Wide Research 功能页，https://manus.im/zh-cn/features/wide-research
6. 飞书客户案例，《AI 参谋进产品部：舒华体育用飞书实现竞品洞察提效》，https://www.feishu.cn/customers/shuhua_ai_case
7. Columbia Journalism Review，Tow Center，《AI Search Has A Citation Problem》，2025-03，https://www.cjr.org/tow_center/we-compared-eight-ai-search-engines-theyre-all-bad-at-citing-news.php
8. Anthropic，《How we built our multi-agent research system》，2025-06，https://www.anthropic.com/engineering/multi-agent-research-system
9. Cognition，《Don’t Build Multi-Agents》，2025-06，https://cognition.com/blog/dont-build-multi-agents
10. Cognition，《Multi-Agents: What’s Actually Working》，2026，https://cognition.com/blog/multi-agents-working
11. Google，Gemini Canvas 与 Deep Research 功能说明，https://blog.google/products/gemini/gemini-collaboration-features/ ；https://gemini.google/overview/deep-research/
12. Kimi（月之暗面）OK Computer 智能体模式介绍，https://en.wikipedia.org/wiki/Kimi_(AI) ；https://www.analyticsvidhya.com/blog/2025/10/kimi-ok-computer/
13. Mingqian Zheng 等，《When “A Helpful Assistant” Is Not Really Helpful: Personas in System Prompts Do Not Improve Performances of Large Language Models》，Findings of EMNLP 2024，https://arxiv.org/abs/2311.10054

延伸阅读：

• 人人都是产品经理，《用 AI 工具 2 小时搞定竞品分析报告》，https://www.woshipm.com/ai/6206350.html
• 站酷，《用 AI 做竞品分析的真实体验》，https://www.zcool.com.cn/article/ZMTY4NTUyNA==.html
• Klue，《Bring win-loss into compete content》，https://klue.com/blog/bring-win-loss-into-compete-content

说明：文中工具仅作方法示例，不构成推荐，功能、额度与价格以各产品官网为准。标注“示意”的图表与例子用于说明方法，不代表任何产品的真实表现。所有配图的可编辑 SVG 源文件在 images/svg 目录下。