面对信息过载的行业研究痛点，一个基于腾讯元器平台的AI虚拟分析师正在改变游戏规则。通过单工作流模式复刻资深分析师思维，从查询优化到PEST/SWOT双重过滤，最后用金字塔原理提炼结论，这款工具将原本数小时的桌面研究压缩至3分钟，实现了碎片信息到结构化洞察的蜕变。
作为一名经常需要快速了解陌生行业的从业者（无论是产品经理、市场策划还是创业者），我们每天都在经历一种“信息过载”的痛苦：
真实的痛点是：我们缺的不是信息，而是将碎片信息结构化为深度洞察的能力。为了解决这个问题，我利用腾讯元器平台搭建了深度行业研究智能体。它不是简单的搜索工具，而是一个拥有标准SOP（标准作业程序）的AI虚拟分析师。通过“智能体+单工作流”模式，将原本需要4-6小时的桌面研究工作，压缩到了3分钟以内。
在元器平台搭建之初，我面临两个选择：多智能体协作还是单工作流？考虑到行业研究需要极高的逻辑严密性——必须先有广度搜索，再有维度分析，最后才是总结——我果断选择了单工作流（Workflow）模式。我将资深分析师的思考路径拆解为六个核心节点，像生产流水线一样处理信息：
很多用户只会输入“低空经济”四个字。如果直接搜索，结果会很泛。我在工作流首端部署了一个查询优化大模型节点。它的职责是“扩充”。
Prompt设计核心：我要求它不仅提取核心词，还要补充同义词、关联词。
效果：它会自动将“低空经济”扩充为“低空经济 政策支持”、“eVTOL 市场规模 2024”、“无人机物流 商业模式”等组合查询语句，极大地提升了后续搜索的召回率。
使用元器自带的“利用搜索引擎获取信息”插件。这步的关键在于“量”。通过上一步优化后的查询语句，智能体能抓取到更丰富、更实时的行业报告和新闻资讯。
这是智能体的“灵魂”。普通的AI只会总结网页，而我的智能体懂得“分析”。我串联了两个大模型节点，分别执行PEST（宏观环境）和SWOT（态势分析）。
Prompt实战心得：
为了保证输出的专业性，我没有使用通用的“请分析一下”，而是通过Markdown格式严格定义了输出结构。
在SWOT节点，我更是要求它输出具体的SO（优势-机会）策略和WT（劣势-风险）策略，而不仅仅是列出优缺点。这种结构化约束，确保了每次输出都具备咨询报告的颗粒度。
最后，通过一个总结提炼节点收口。我赋予了它“金字塔原理”的思维模型，要求它“结论先行，以上统下”。它会将前面几千字的分析素材，提炼成“一句话核心结论”和“结构化摘要”，让用户在30秒内抓住行业本质。
流程控制的艺术在节点编排上，我利用了元器的流式输出能力。
这种显性化的进度提示极大地缓解了用户的等待焦虑，让用户感觉对面坐着一位正在忙碌的真人助手。
来源溯源的严谨性我在工作流中专门加入了一个来源排版节点，要求保留所有搜索到的URL。Prompt：[网页链接地址] 网页标题。对于行业研究场景，”信源可追溯”是底线。这一步让智能体的输出不再是黑盒，而是有据可查的严谨报告。
进入腾讯元器平台，点击“我的智能体“-”新建智能体”-”对话式智能体“-填写智能体信息
智能体名称：行业深度研究
描述：当用户输入行业名称后，根据用户输入的行业关键字扩充后，执行联网搜索相关行业报告和书籍，将搜索到的信息结合PEST分析、SWOT分析等分析后，输出行业洞察。
头像：可以自定义上传或AI生成头像
进入智能体人配置界面，”切换模型“是一个关键设置，如果智能体需要工作流配合工作，需要切换到”单工作流模式”（默认是”标准模式“）。
点击添加工作流。
点击进入工作流管理。
点击`新建按钮`后，选择手动录入。
输入工作流名称和工作流描述，工作流描述可以AI一键优化。填写完成后点击确定即可。
节点一：查询优化。使用大模型节点，大模型选择的DeepSeek-V3.1-Terminus。在输入变量中添加变量名称为qury引入输入系统变量中的SYS.UserQuery。
提示词设计：
你是一位专业的问题查询关键词挖掘专家，你的主要职责是帮助用户优化他们的问题查询，通过关键词扩充和语义补充来提高后续检索的准确性和全面性。
## 核心能力
1. 关键词识别与扩充：从用户的原始问题中提取核心关键词，并进行同义词、相关词和领域专业术语的扩充。
2. 语义理解与补充：理解用户问题的潜在意图，补充可能被省略但对检索结果至关重要的上下文信息。
3. 查询优化：调整关键词的组合方式，平衡专业性和通用性，以提高检索系统的命中率。
4. 跨领域知识：具备多领域知识背景，能够准确识别不同领域的专业术语并进行适当扩展。
## 工作流程
1. 分析原始问题：仔细分析用户提出的原始问题，识别其中的核心概念、主题和领域。
2. 提取关键词：从原始问题中提取关键词和关键短语。
3. 扩充与优化：
– 添加同义词和相关词
– 包含领域专业术语
– 考虑不同表达方式
– 添加可能的上下文信息
4. 构建优化查询：基于扩充后的关键词，构建一个结构化的优化查询，包含必要的修饰词和关系词。
5. 反馈机制：说明你的优化思路，解释添加或修改的关键原因。
## 原始问题
<qusetion>
qury
</qusetion>
## 输出格式
针对用户的问题，你应提供以下格式的回应（不包含代码块标识符）：
“`
【核心关键词】
– 关键词1
– 关键词2 …
【扩充关键词】
– 原关键词 → 扩充词1, 扩充词2, …
– 原关键词 → 扩充词1, 扩充词2, …
…
【优化后的查询】
{重新构建的查询语句}
“`
**只回复优化后的查询语句,不要回复其他内容。**
节点二：查询优化提示回复，采用回复节点，提示用户正在搜索相关行业的信息，请稍等……。
节点三：搜索。使用的DeepSeek搜索插件中的DeepSeekV3Search，body中的阐述引用查询节点的content。
节点四：搜索结果回复。使用的回复节点，引用搜索节点中的answer。并在回复内容中使用/引用变量。
节点五：来源排版。使用大模型节点，大模型选择的DeepSeek-V3.1-Terminus。在输入变量中引用搜索节点中的referemces。
提示词设计：
你作为编辑角色，对接收到的信息做重新排版工作，不要输出于支持资料无关的内容。支持资料中有一些`url`链接务必要保留。
## 支持资料
“`
{{引用输入变量}}
“`
## 输出示例：
“`
参考来源：
1. [`网页链接地址1`] `网页标题1` `搜索引文需要1`
2. [`网页链接地址2`] `网页标题2` `搜索引文需要2`
3. [`网页链接地址3`] `网页标题3` `搜索引文需要3`
…
“`
节点六：数据来源回复。使用回复节点，在输入变量中引用来源排版中的content。并在回复内容中使用/引用变量。
节点七：PEST分析。使用大模型节点，大模型选择的DeepSeek-V3.1-Terminus。在输入变量中引用系统变量中的SYS.UserQuery，同时引用搜索节点中的Data。
提示词设计：
你是一个市场环境分析专家。请基于资料进行PEST分析（政治、经济、社会、技术）：
## 用户输入的行业：
“`
{{引用用户输入的变量名称}}
“`
## 支持资料：
“`
{{引用搜索节点的变量名称}}
“`
## 输出格式要求：
<requirements>
# PEST分析报告：
## 一、 政治环境 (Political)
1. 政策法规概述
2. 政府支持与监管态势
3. 对行业的影响
## 二、 经济环境 (Economic)
1. 居民消费相关指标分析
2. 市场规模与增长趋势
3. 经济因素对行业的影响
## 三、 社会环境 (Social)
1. 消费观念与习惯变化
2. 人口结构与社会趋势
3. 社会因素对行业的影响
## 四、 技术环境 (Technological)
1. 媒介、网络、内容产业技术创新
2. 数字化与智能化进程
3. 技术因素对行业的影响
## 五、 综合结论
1. 总结PEST四个维度的关键发现
2. 提出行业发展的机遇与挑战
</requirements>
请确保分析具体、数据驱动。
节点八：PEST回复。使用回复节点，在输入变量中引用PEST分析中的content，并在回复内容中使用/引用变量。
节点九：SWOT分析。使用大模型节点，大模型选择的DeepSeek-V3.1-Terminus，在输入变量中引用系统变量中的SYS.UserQuery，同时引用搜索节点中的Data。
提示词设计：
你是一个战略分析专家。根据用户输入的行业和支持资料进行SWOT分析：
## 用户输入行业
“`
useinput2
“`
## 支持资料
“`
input2
“`
## 请按照以下步骤进行分析：
1. 首先，将优势和机会两个维度的信息结合，给出 SO 的分析结论和建议。
2. 第二步，将劣势和机会两个维度的信息结合，给出 WO 的分析结论和建议。
3. 第三步，将优势和风险两个维度的信息结合，给出 ST 的分析结论和建议。
4. 第四步，将劣势和风险两个维度的信息结合，给出 WT 的分析结论和建议。
5. 第五步，汇总以上四步的结论，给出一段整体的战略建议。
## 输出格式要求：
<requirements>
# 一、 优势-机会 (SO) 策略：
1. 市场扩张机会
– 利用品牌优势进入新市场
– 结合技术优势开发新产品线
– 通过合作伙伴关系扩大市场份额
2. 资源整合优化
– 整合内部资源提升运营效率
– 利用现有渠道拓展新业务
**综合建议：** 积极把握市场机遇，将核心优势转化为增长动力。
# 二、 劣势-机会 (WO) 策略：
1. 短板补强措施
– 通过培训提升团队能力
– 引入外部资源弥补技术不足
– 优化流程改善运营效率
2. 机会利用策略
– 借助市场趋势弥补自身不足
– 通过合作获取所需资源
**综合建议：** 在利用外部机会的同时，系统性地改善内部弱点。
# 三、 优势-风险 (ST) 策略：
1. 风险防范措施
– 利用品牌影响力抵御竞争压力
– 通过技术储备应对市场变化
2. 转型发展路径
– 基于优势探索新商业模式
– 提前布局应对潜在威胁
**综合建议：** 发挥优势建立风险屏障，实现稳健发展。
# 四、 劣势-风险 (WT) 策略：
1. 风险规避措施
– 收缩高风险业务领域
– 建立风险预警机制
2. 生存保障策略
– 聚焦核心能力建设
– 控制成本确保现金流
**综合建议：** 采取防御性策略，优先保障生存再求发展。
# 五、 整体战略建议
基于SWOT分析，建议采取“机会导向、优势强化”的主策略，在积极把握市场机遇的同时，系统补强关键短板，建立多层次风险防范体系，实现可持续增长。
</requirements>
请确保每条分析结论具体、可操作，并且基于行业实际情况。
节点十：SWOT回复。使用回复节点，在输入变量中引用SWOT分析变量中的content，并在回复内容中使用/引用变量。
节点十一：提炼总结。使用大模型节点，大模型选择的DeepSeek-V3.1-Terminus，在输入变量中引用搜索节点中Data、SWOT分析节点中的content、PEST分析节点中的content。
提示词设计：
我希望你扮演我的总结助手，你掌握金字塔原理，擅长提炼文字的关键信息，总结成为结构化的摘要。
## 支持资料
<materials>
{{引用搜索结果}}
</materials>
## PEST分析
<pest>
{{引用PEST分析结果}}
</pest>
## SWOT分析
<swot>
{{引用SWOT分析结果}}
</swot>
## 工作流程
– 第一步用一句话概括整个资料最关键的信息或核心结论，确保读者一眼就能抓住核心；
– 按照金字塔原理，将核心结论展开为结构化的摘要。
## 金字塔原理
“`
一、核心原则
– 结论先行 ：先提出中心思想或核心结论，再展开细节。
– 以上统下 ：上层观点是对下层信息的概括，下层信息支撑上层观点。
– 归类分组 ：将同类信息归入同一逻辑范畴（如MECE原则：相互独立，完全穷尽）。
– 逻辑递进 ：每组信息按逻辑顺序组织（如时间顺序、结构顺序、重要性顺序）。
二、金字塔结构
– 塔尖：核心结论或中心思想；
– 中间层：关键论点（支撑结论的要点）；
– 底层：事实、数据、案例等支撑材料；
“`
## 输出格式要求：
<requirements>
# 一、 一句话总结：
这里是总结的内容
# 二、 结构化摘要：
1. 论点一：论点一的内容。
– 支撑事实：
– 事实1
– 事实2
– ……
2. 论点二：论点二的内容。
– 支撑事实：
– 事实1
– 事实2
– ……
……
</requirements>
节点十二：提炼总结回复。使用回复节点，在输入变量中引用提炼总结中的content，并在回复内容中使用/引用变量。
测试通过后，点击”发布”，填写发布版本记录
选择发布渠道：
场景演示：假设用户输入：“人形机器人”
最终：生成一份包含引用来源的3000字结构化研报。
通过多次迭代和真实业务场景测试，我发现智能体要真正产生业务价值，需要跨越三个关键台阶：
1）Prompt 即产品逻辑：让AI拥有“方法论思维”
在元器平台上，Prompt不是简单的指令，而是封装行业方法论的产品逻辑。以行业分析为例，我放弃了通用型的“请分析市场”，而是将咨询公司的“PEST-SWOT双轮驱动”框架植入Prompt。通过XML标签严格定义输出结构，确保每次输出都符合专业研报的颗粒度。优秀的AI智能体，本质是将人类专家的思维模型转化为可复制的算法流程。
2）流程设计 > 单点能力：用“流水线”思维取代“手工作坊”
早期尝试用单个大模型节点完成全部工作，结果输出质量极不稳定。后来我将工作流拆解为“查询优化→信息获取→双维度分析→金字塔总结”四个专业工序，每个节点只专注一件事，质量反而呈指数级提升。这验证了一个重要洞察：对于复杂任务，模块化流水线的稳定性远胜于“全能型”单点突破。
3）用户体验的“显性化”：让AI的工作过程可感知
在行业研究场景，用户对黑盒输出天然不信任。我在工作流中加入“进度提示节点”（“正在搜索…”“正在分析政策环境…”），并强制保留信息来源URL。这种“过程可视化”设计，让用户看到AI的思考路径，建立了信任感。真正的智能体赋能，不仅要输出结果，更要让用户理解结果的产生逻辑。
智能体体验地址：
https://yuanqi.tencent.com/webim/#/chat/mhyFzE?appid=2000429851926230656&experience=true
搭建“深度行业研究”智能体的过程，让我看到了一个更具普惠性的未来：
我们正在进入一个“能力平权”的新时代。 过去，高质量的行业洞察是咨询公司、投行分析师的专利，需要多年的经验积累和昂贵的人力成本。而现在，通过腾讯元器这样的低代码平台，我们可以将顶尖分析师的思维模型——从信息检索框架到分析方法论——封装成可复用的智能体。
这不仅仅是效率的提升（从几小时到3分钟），更是能力门槛的消除。产品经理可以快速洞察新赛道，创业者可以系统评估市场机会，投资人可以高效筛查项目方向……每个人都能够调用曾经只有专家才具备的“结构化分析能力”。
未来的核心竞争力，将不再是“知道多少”，而是“能否快速构建解决问题的AI工作流”。 腾讯元器提供的，正是这样一套“思维模型工程化”的工具箱。它让业务专家无需掌握复杂代码，就能将自己的专业知识转化为可扩展、可迭代的AI能力。
如果你也在信息海洋中挣扎，在碎片化研究中消耗大量时间，不妨从这个智能体开始尝试。搭建的过程，本身就是一次对自己思考方式的深度梳理和结构化升级。让我们不再被动适应AI时代，而是主动塑造属于自己专业领域的智能解决方案。
本文由 @关 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自Unsplash，基于CC0协议
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。