leroiu/competitor-research-skill

Competitor Research — 竞品调研与差异化定位

回答"我该在哪避开正面竞争"，不是"市面上有哪些类似产品"。

模式选择

• 用户明说"快速扫一下""简单看看" → 快速扫描
• 用户明说"深度调研""正式分析" → 深度调研
• 未指定 → 默认快速扫描，报告尾部提供"升级深度调研"入口
• 升级深度调研时，被动复用已有 cards/ 和 evidence/ 文件（非主动缓存机制——若上次快速扫描恰好生成了文件则用，否则从零开始）。v2 再做主动增量缓存

执行流程

阶段 0：定义项目（模糊输入补 1 轮提问）
    ↓
阶段 1：市场发现（共享检索 + 轻量线索，两轮无新增即停）
    ↓
阶段 2：分类筛选（四类地图 + 四维评分；深度模式暂停确认清单）
    ↓
阶段 3：逐品调研（全部走 subagent 委托+文件交接，主上下文只回传一行摘要）
    ↓
阶段 4：综合分析（只读 cards/，横向对比 → 市场共识/未满足需求/差异化方向）
    ↓
阶段 5：Coverage Gate（四条件检查，不通过→回环补搜→回到阶段4，快速≤1轮/深度≤2轮）
    ├── 5.1 反证搜索（强制，不许静默丢弃）
    └── 5.2 反同质化检查（9问4档结论）
    ↓
阶段 6：报告产出（Markdown → 构建数据层 → 可选多格式导出）

各阶段详细规则见 references/，按需加载：

阶段	加载文件	说明
0-2	references/discovery-playbook.md	项目定义 + 市场发现 + 分类筛选
3	references/product-card.md	逐品调研 + 产品卡模板 + 预算指导线
4,6	references/report-template.md	综合分析（+价值主张/叙事分析） + 报告产出
5	references/checks.md	Coverage Gate + Bull/Bear/Judge辩论 + 反同质化检查
升级	references/caching.md	增量调研缓存协议（v2）
监控	references/monitoring.md	竞品持续监控协议（v2）
追问	references/follow-up.md	报告产出后的追问与迭代模式
数据层	references/research-data-schema.md	统一研究数据结构（JSON Schema），多格式输出的唯一数据源

工具脚本 (scripts/)：

脚本	用途
competitor_fetcher.py	零依赖爬虫：App Store / Product Hunt / 元数据 / 定价
gate_checker.py	Coverage Gate 自动计算：解析 cards/ → 四条件评分
build_research_data.py	构建统一数据层：cards/ + report.md → research-data.json
export_excel.py	多 Sheet Excel 导出：research-data.json → competitor-analysis.xlsx
monitor.py	持续监控：init / check / report / list

Coverage Gate 回环说明

阶段4综合分析后，Gate 检查四条件（证据覆盖度 / 来源多样性 / 声明置信度 / 反证风险）：

• 🟢 全部通过 → 进入阶段6
• 🟠 有失败 → 生成缺口查询 → 回环补搜（阶段1或阶段3）→ 重新分析（阶段4）→ 重新 Gate
• 🔴 达到回环上限 → 标注"证据不足"但仍继续产出报告

回环上限：快速模式 ≤1 轮，深度模式 ≤2 轮。

---

防幻觉硬规则（全程强制）

1. 断言标记：所有断言按类型标记——[来源: URL]（可验证事实）、[反馈源: 出处]（用户评价）、[推断]（AI 分析）。禁止混写。
2. 关键事实带源：定价、核心功能、运营状态必须附可点击 URL。查不到写"未找到公开信息"。
3. 断言-来源匹配：严格按 references/product-card.md 中的匹配表判定来源资格。
4. 禁止项：估算市场规模、估算营收、估算用户量（无公开数据写"未公开"）、把用户抱怨直接当机会。
5. 证据分级：每条未满足需求和市场共识带强度标签——🟢强 / 🟡中 / 🔴弱。产品卡中核心事实字段带置信度标记（🟢官方一手 / 🟡二手估算 / 🔴推断补全），卡片级置信度为加权汇总。
6. 时间有效性：报告标注调研日期；产品卡标注运营状态 + 最后活跃证据。
7. 反证不静默丢弃：反证搜索结果必须写入报告，不得粉饰或省略。
8. 来源退化标注：评论数少、有推广痕迹、信息过期时明确降级。
9. 禁止推测当事实：没有可验证来源的判断一律标 [推断]。

---

模型路由

任务	模型
从压缩证据包抽取结构化字段（subagent）	haiku
批量处理 2-3 个相似小产品（subagent）	haiku
独立 subagent 深挖复杂竞品	默认模型
综合分析、差异化判断、反同质化检查	主模型
日常对话与流程编排	默认模型

关键设计：阶段 3 无论快速还是深度模式，全部通过 subagent 委托执行。主上下文仅准备压缩证据包（摘要+URL，~5行），派 subagent 写卡，subagent 只回传一行摘要。搜索过程和证据原文永不进入主上下文。阶段 4 主上下文只读 cards/。

---

边界情况

情况	处理
找不到任何候选竞品	扩大关键词再搜一轮；仍无则报告写明原因，标记低置信度
候选不足 5 个	全量纳入核心竞品，标注候选量少
Subagent 失败/超时	该竞品降级为轻量线索 + 标注"调研失败 - 原因"，不阻塞后续
差异化方向不足 3 个	反证阶段全量反证，不截断
所有方向反同质化 ≥ 🟠	报告标注"当前差异化不足"，建议重新审视方向
中断后升级深度模式	读取已有 report.md + cards/ + evidence/，从阶段 3 增量补充

---

阶段 6 产出与追问

6.1 报告产出

1. 生成 report.md（六段 Markdown 报告）
2. 运行 build_research_data.py <报告目录> → 生成 research-data.json（统一数据层）
3. 询问用户是否需要额外补充竞品
4. 询问用户是否需要其他输出格式

6.2 多格式输出

所有格式从 research-data.json 统一生成，不是独立撰写：

格式	命令/生成方式	适用场景
Markdown	默认产出 report.md	阅读、修改、进入知识库
PDF	转 PDF → convert_pdf.py	正式汇报、发送合作方
Excel	转 Excel → export_excel.py	横向比较、筛选排序、团队协作
JSON	自动生成 research-data.json	脚本调用、监控系统、增量调研
CSV	export_excel.py --csv	导入其他数据分析工具

Excel 包含 7 个 Sheet：Overview / Competitor Map / Product Cards / Claims & Evidence / Opportunity Matrix / Sources / Quality Gate。不是报告的简单复制，而是结构化的横向对比工具。

6.3 追问模式

报告产出后不退出，加载 references/follow-up.md：

命令	行为
补充 [产品名]	新增竞品到调研
深挖 [产品名]	扩展产品卡为完整卡 + evidence/
对比 A vs B	生成两产品专项对比表
反证 [方向]	额外反证搜索 → 追加附录 A
这个赛道还有什么	补搜遗漏竞品
转深度模式	快速→深度升级
转 PDF / 转 Excel	导出其他格式
完成	结束追问

追问后自动重新生成 research-data.json 以保持数据层同步。最多 5 轮追问。