AI正在彻底重构产品经理的竞品分析工作流。本文通过实战案例揭秘如何用3小时搭建AI Skill，实现情报自动收集、智能去重与深度洞察，节省70%重复劳动时间。从Python脚本预处理到LLM语义分析，带你掌握从"数据泥潭"到"战略决策"的关键跃迁。

在日常工作中，“竞品分析”往往是一场漫长的拉锯战。传统的流程是：

这种工作模式不仅效率极低，更让我们陷入了“低水平重复劳动”的怪圈。然而，AI 时代的到来打破了这一僵局。

我的实战初体验： “从梳理逻辑框架到确定分析方向，再从调试 Prompt 到最终完成 AI Skill 的搭建，我仅仅用了短短三个小时。这套 Skill 不仅自动完成了海量数据的搜集，还贴心地附带了原链和深度总结。最直观的感受是——它为我节约了 70% 的重复性工作时间。”

这意味着，我们终于可以从繁杂的数据收集泥潭中抽身，将精力真正投入到更具价值的战略思考与产品决策中。

实战拆解：从“业务直觉”到“自动化工具”的深度博弈

逻辑博弈：从“视觉幻想”回归“工程落地”

在最初的构思中，我准备的是“全栈式可视化”方案：通过Canvas渲染表格看板，设置交互按钮。然而，在与 AI 深度对齐需求后，进行了一次的 MVP降级。

1. 放弃 Canvas 按钮，拥抱自然语言交互

• 痛点发现： AI 提示 Skill并非独立 App，自定义 UI 的维护成本高且响应存在随机性 。
• 决策转变： 对于我们而言，自然语言才是最天然的“按钮”。直接对 AI 说“把第 3 条生成周报”或“对比这几家的融资规模”，效率远高于在一个固定 UI 中寻找按钮。
• 价值升华： 更符合移动办公场景下的交互直觉。

2. 脚本过滤（Python）vs LLM 语义过滤

• 技术博弈： 很多同行习惯将所有逻辑交给大模型，但大模型对“日期”的敏感度存在幻觉
• 决策转变： 我坚持使用 Python 脚本进行预处理 。
• 为什么这么做？数据确定性： 脚本能严格解析 date 字段，确保剔除 7 天前的情报。以获取最新的资讯 。
• 协议标准化： 脚本生成的标准 JSON 格式 ，让我后续可以将数据一键导出/同步至其他自动化办公软件（如飞书多维表格），实现了数据链路的彻底打通。

{{

我现在准备搭建一个“竞品/行业情报分析”的skill。 我的搭建框架是：“输入关键词、并行搜索插件、python逻辑:清洗&去重、LLM分类&摘要、代码块：转化UI所需JSon、前端Canvas：表格渲染、用户交互按钮” 我会一步一步的和你去对需求，你需要在得到我的认可后，才可以开始行动，你可以给我一些做的建议，最终执行以我给你的命令为主。

}}

PM 笔记：架构审计师的自觉

“一个好的 AI 助手不应是盲从的‘复读机’。它基于平台规范（Skill 规范）给出的‘劝退建议’，实际上是在帮我避开 2 小时的无效开发坑位 。作为 PM，我关注的是数据的准确性与洞察的深度，而不是表格的像素边框。”

为什么 AI “唱反调”反而是好事？

作为 PM，我立刻意识到这次“改动”带来的三大优势：

1. 极致的交付速度（MVP 逻辑）： 放弃自定义 Canvas 意味着无需调试复杂的样式代码。利用原生的 Markdown 渲染，可以确保情报以最快速度、最稳的格式输出到任何平台（扣子、企业微信或网页）。
2. 确定性 vs. 随机性： UI 按钮在 Skill 中往往存在响应不确定性。将逻辑下沉到 Python 脚本中进行“格式化 JSON”处理，把显示交给原生系统，极大地降低了出错率，保证了数据链路的确定性。
3. 解耦思维： AI 提醒我“脚本只负责数据处理，交互发生于对话中”。这迫使我回归本质——PM 应该关注数据的准确性与洞察的深度，而不是纠结于一个表格的像素边框。

PM笔记： 一个好的 AI 助手不应该是“复读机”，而应该是“架构审计师”。它基于平台规范（Skill 规范）给出的调整建议，帮我绕过了2 小时的无效开发坑位。

根据反馈提供信息

{{

收到，我采纳了你的建议框架，针对你提出的技术细节，我确认如下方案：

搜索方式： 利用智能体原生搜索能力（插件方式），无需脚本，请配置 Google Search 或相似搜索工具。

LLM 方案： 使用扣子平台自带的默认 LLM。

输出格式：

>

– 需要生成结构化 JSON，包含：title（标题）、source（来源）、date（日期）、category（分类：融资/更新/动态）、insight（核心洞察）、url（链接）。 同时输出一份 Markdown 格式的聚合摘要。

数据源：

>

– 支持多关键词组合搜索。 限定搜索最近 7 天内的情报。 优先抓取主流科技媒体和竞品官网信息。

方案对齐完毕，请据此准备执行逻辑，但在开始搭建前，请先向我展示你设计的逻辑流图。

}}

深度算法设计：如何实现“零噪音”的情报流？

在海量信息抓取中，最怕的就是“融资通稿”满天飞。为了解决这个问题，我给 AI 下达了三个维度的去重指令，实现从物理查重到语义查重的进阶。

第一层：强一致性校验（物理层面）

逻辑： 严格匹配 URL。

价值： 直接剔除完全相同的网页链接，这是最基础的过滤，无需 LLM 参与，节省 Token。

第二层：模糊标题匹配（字符串层面）

逻辑： 设置“标题相似度 > 85%”的判定阈值。

价值： 解决“通稿问题”。例如《千问发布 Qwen2.5》和《阿里开源 Qwen2.5，性能大幅提升》，这两者在字符上高度重合，通过模糊算法可以精准识别为同一事件。

第三层：媒体权重路由（业务层面）

逻辑： 如果判定为重复，系统不会随机删除，而是根据预设权重保留链接。

排序规则： 优先保留 主流科技媒体（如 36Kr、IT 桔子）或 竞品官网，因为这类来源通常包含更详细的背景或更准确的参数。

PM 笔记：为什么“去重”是分析的灵魂？

“没有去重的情报流叫‘信息垃圾’。通过 Python 脚本解析 URL + LLM 判定相似度 ，我将原始抓取的 50+ 条数据压缩到了 5 条核心动态。这种‘高信噪比’的输出，才是我敢在周会上展示的底气。”

{{

方案整体非常专业，完全认可你设计的 Skill 目录结构。针对你提出的关键细节，我的确认及要求如下：

1.关于去重规则：完全同意： 采用 “URL 完全相同 + 标题相似度 > 85%” 的方案。 额外要求： 如果是来自不同媒体但内容高度相似的消息，请在去重后保留权重最高（如知名科技媒体）的那个链接。

2.关于分类标准：

基本分类 OK： 融资、更新、动态这三个维度满足 MVP（最小可行性产品）需求。

逻辑微调： 请确保“大模型发布/重大技术路线更迭”被优先归类在“更新”中，并标记为“高优先级”。

3.关于时间过滤：坚定选择方案 B（脚本过滤）： 作为产品，我们需要数据的绝对准确。请在脚本中解析网页发布时间，严格剔除 7 天前的内容。

4.关于数据输出（核心要求）：

路径确认： JSON 存储在 ./intelligence_data.json 没问题，这是为了方便后台调用。

展示形态（重点）： 最终输出给我的内容，必须包含两部分：

文字摘要： 用一段话概括过去 7 天该竞品/行业的最核心变化。

情报列表（表格形式）： 使用 Markdown 表格呈现，表头需包含：日期 | 动态标题 | 分类 | 核心洞察 | 来源链接。

确认完毕，逻辑方案正式通过。请立即开始搭建，并在完成后通知我进行初次运行测试！

}}

完成Skill制定

测试Skill能力

最近千问有哪些更新?

“情报工具”到“AI 自动化流水线”

它是一套“通用型结构化信息处理引擎”。作为产品经理，一旦你掌握了“数据抓取 + 脚本逻辑清洗 +LLM洞察”的公式，你便拥有了在不同业务场景中手搓自动化工厂的能力。

场景平移：打破业务边界的万能模版

这套底层逻辑可以无缝平移至以下高价值领域，实现业务流程的重塑：

• VOC（用户声音）智能聆听：传统痛点： 面对小红书、知乎、App Store 数以万计的碎片化评论，人工分析往往只能“管中窥豹”。
• AI 方案： 全网爬取 -> Python 脚本语义去重 -> AI 提取核心槽点/需求趋势 -> 自动生成实时需求看板。
• HR/招聘全链路提效：传统痛点： 简历初筛耗费大量人力，且容易受主观偏向影响。
• AI 方案： 简历结构化提取 -> 脚本自动化匹配 JD 核心关键词 -> AI 评估契合度并生成定制化面试建议。
• 私域/社区运营“全能监控”：传统痛点： 社区内容杂乱，水贴横行，人工预警响应慢。
• AI 方案： 关键词监控 -> 逻辑过滤水贴（低代码脚本） -> 自动回复或触发重大舆情预警。
• 前沿技术趋势前哨站：传统痛点： Arxiv 或 Github 信息密度极高，技术门槛大，难以快速吸收。
• AI 方案：动态追踪 -> 自动提取论文核心架构逻辑 -> 生成一分钟技术简报。

PM 的深度思考：为什么我们要亲自“手搓”？

我们需要为我们的PRD负责，这是为我们自己节约时间：

1. 极低的试错成本： 验证一个自动化逻辑不再需要数周的开发周期，只需 3 小时的 Prompt 调优与脚本联调。
2. 绝对的逻辑掌控： 只有 PM 最懂业务的“清洗规则”（比如哪些属于水贴，哪些是关键融资），亲自定义脚本逻辑确保了结果的高信噪比。
3. 从“提需求的人”到“解决问题的人”： 这种能力的跃迁，让你不再受限于技术资源，成为真正意义上的“全栈超级个体”。

提效量化：从“体力搬运”到“秒级响应”

通过对比“传统人工模式”与“Coze 2.0 Skill 模式”，我们可以直观地看到 AI 对产品经理工作流的重塑：

深度洞察：省下的时间去哪了？

以前需要一整个下午（约 4 小时）才能完成的深度行业周报，现在只需输入关键词后等待 3 分钟 。

这节省下来的 70% 重复劳动时间，并不是用来摸鱼的，而是让产品经理能够回归本源：

1. 竞品策略拆解： AI 告诉我对方更新了功能，我去思考对方为什么要在这个时间点更新？
2. 市场预判： 结合融资动态，判断行业是否进入了新的技术整合期。
3. 用户价值回溯： 看看这些动态对我们现有的用户需求会产生什么冲击。

️同行复刻指南：三步走方法论

SOP流程奉上：

第一阶段：定义“数据协议”（Data Schema）

• 核心逻辑： 别急着连线，先想清楚你的输出表格需要哪些字段（标题、链接、评分等）。
• 价值点： 明确了输入和输出，AI 才能精准生成脚本。

第二阶段：善用“人机协作编程”（Low-Code Collaboration）

• 核心逻辑： PM 只需提出“业务判别准则”（如：相似度 85% 就去重），把实现的 Python 代码交给扣子助手。
• 价值点： 实现了“原型即成品”。PM 不再受限于研发排期，自己就是架构师。

第三阶段：UI 交互闭环（Experience Design）

• 核心逻辑： 抛弃纯对话框，使用 Canvas 搭建可视化看板，并加入交互按钮（如“同步到飞书”）。
• 价值点： 提升了工具的“可复用性”和“组织渗透力”。

结语：给同行的一段话

“在 1.0 时代，我们是在和 AI 聊天；在 2.0 时代，我们是在用 AI 组装工厂。低代码模式让产品经理重新夺回了‘定义逻辑’的权力。未来的 PM，不再是写 PRD 催开发的人，而是那个能直接手搓 AI 原生应用解决业务问题的‘全栈超级个体’。”