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。
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
2. 脚本过滤（Python）vs LLM 语义过滤
{{
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。”
作为 PM，我立刻意识到这次“改动”带来的三大优势：
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。
}}
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！
}}
测试Skill能力
最近千问有哪些更新?
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：
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：
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：
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：
SOP流程奉上：
第一阶段：定义“数据协议”（Data Schema）
第二阶段：善用“人机协作编程”（Low-Code Collaboration）
第三阶段：UI 交互闭环（Experience Design）
“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’。”
本文由 @Junliu 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。