Communitygithub.com

竞品平台分析

用于在评分开始前确定**对标对象**和**查找渠道**。一个合理的、有助于决策的竞争框架比全面枚举更重要。

竞品平台分析 是什么?

该技能旨在帮助AI代理在启动竞品对标项目之前,系统性地界定并筛选出有决策价值的竞品集合。它首先要求通过品牌发现访谈获取客户定位简报,并以此为核心,从规模、专精、地理、定价、风格、技术深度和品牌实力等八个维度对候选竞品进行评估。随后,它将竞品划分为直接、邻近和标杆三个层级,并提供轻量级的评分矩阵来筛选最终需要深度剖析的对象(通常为10-18个候选人,最终保留8-12个)。此技能适用于Claude Code等AI代理平台,其核心价值在于避免盲目枚举,确保竞品分析直接服务于客户的战略定位,输出一个有序、可追溯的竞品列表,供后续的`benchmark-methodology`技能使用。

兼容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/competitive-platform-analysis

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

竞品平台分析 是做什么的?

使用此技能来决定对标谁以及在哪里找到他们,然后再开始任何评分工作。竞品分析的好坏取决于其框架:错误的竞品集合会让客户看起来要么无懈可击,要么前景堪忧。目标是建立一个合理的、关乎决策的集合,而非一份穷尽的名单。

何时激活

  • 即将启动竞品对标项目,需要先定义竞品集合。
  • 不确定哪些公司属于直接/邻近/标杆层级。
  • 需要为市场格局报告确定一个合理、精简的范围。
  • 拥有定位简报,并希望确定哪些公司正在与该定位竞争。
  • 在运行benchmark-methodology之前的首要步骤。

客户定位简报(优先建立)

在确定范围之前,先建立客户的定位简报。如果尚未建立,请运行一次简短的品牌发现访谈来获取它——切勿凭空捏造,也切勿在无定位的情况下确定范围。该简报提供:

  • 身份/审美规范——这是一个什么样的工作室或公司,以及它如何展示自己。
  • 服务/产品——它提供的服务或产品。
  • 目标客户——它向谁销售。
  • 差异化优势——客户相信的护城河或定位论点。
  • 确定范围的结论——如何权衡竞品的影响(例如,按照独特性vs.能力重叠度vs.价格来排序)。
  • 战略张力——定义客户空白空间的一对轴心(例如,记忆度×可雇佣性)。

没有定位简报,请勿继续。 在没有客户视角的情况下确定的竞品名单只是噪音,而非情报。特别是“确定范围的结论”决定了哪些竞品是强有力的对手(那些挑战客户护城河的公司),而不仅仅是服务菜单上的重叠者。

筛选标准

对于每个候选者,捕获以下维度——它们决定了是否入选以及层级:

  • 规模/模式——个人、微型工作室(2-8人)、精品店(30人以下)、中型代理公司。与客户自身的规模层级匹配;同一层级的竞品是现实中的正面竞争对手。
  • 利基/专精——候选者的业务重心与客户服务的重叠程度。重叠度越高,竞争越直接。
  • 地理/市场——欧盟vs.美国vs.全球远程;语言;时区覆盖范围。注意他们是否获得了客户所瞄准的同一批客户。
  • 定价与参与模式——产品化冲刺、固定服务费、项目制、日费率;透明定价vs."联系我们"。这反映了其定位成熟度。
  • 作品集风格——通用型 vs. 有观点/编辑型 vs. 逆向型。与客户审美规范越接近,就越挑战客户的独特性。
  • 技术深度/工艺成熟度——如果客户的可信度故事包含公开的工作流程、开源工具或文档化的系统,这一点就很重要。
  • 品牌实力——该工作室是否拥有可拥有的语言/视觉身份,还是可被替代?根据客户“确定范围的结论”中的权重来评估。

玩家分类法——需要填充的维度轴

不要将竞品归入特定细分市场的桶中,而是沿着几个通用的维度轴对他们进行分类,这样格局就不会偏向某一种原型。这些维度轴适用于任何创意服务市场(设计、动态、文案、品牌、内容、电影等)。首先争取在每个维轴上实现广度,然后精简到最具指导性的部分。

  1. 定位立场——品牌主导/编辑型(在身份、声音、观点上竞争)vs 能力主导(在工艺、产出、成果上竞争)。两个极端都要填充;与客户最相似的对手会落在其自身的端点。
  2. 专精程度——专精型(一个狭窄的领域或垂直行业)vs 全能型(广泛的服务菜单)。与客户业务重心的重叠度越高,竞争越直接。
  3. 规模/模式——个人/微型 vs 精品店 vs 中型 vs 企业级。同一层级的参与者是现实的直接竞争对手;更大规模的实体是标杆/商业成熟度参考。
  4. 参与形式——产品化(命名的冲刺、审计、固定套餐)vs 定制化(定制项目/固定服务费)。这反映了其定位成熟度。
  5. 独特性姿态——传统/安全 vs 逆向/宣言驱动。有观点的这一端对于任何细分市场的独特性对标都至关重要。
  6. 证据/可信度模型——结果导向(指标、具名客户、案例深度)vs 审美导向(作品集、奖项)。这告诉你每个参与者如何赢得信任。
  7. 运营者的品牌实力——可替代 vs 粉丝团体/可拥有身份(包括那些证明了“令人难忘的个人品牌”模式的高级独立设计师)。
  8. 市场/覆盖范围——本地/区域 vs 全球远程;注意他们是否获得了客户所瞄准的同一批客户。

在相关的维度轴上标绘每个候选者;当一个竞品在定位、专精、规模和市场上都接近客户时,它就是直接竞争对手。

竞争层级(集合如何分解)

将最终集合分为三个层级——此结构将贯穿报告:

  • 直接——相同规模层级,服务重叠,目标客户相同。现实的正面竞争对手。
  • 邻近——部分重叠(一项能力,或不同的客户规模),在边缘施加压力。
  • 标杆——客户目前不与其竞争,但其品牌或商业成熟度设定了客户需要努力达到的目标。
  • (还需留意替代品:无代码/AI工具、内部团队、全能的自由职业者——将其作为威胁向量记下,除非在实质上相关,否则不将其视为需要深入分析的竞品。)

数据来源(去哪里查找)

将来源与你需要的维度相匹配。下面的平台类型是通用性的;请用客户所在细分市场特有的平台替代(例如,设计领域用Dribbble/Behance,动态领域用Showreel/Vimeo,文案领域用写作样本/发表作品):

  • 作品集/工艺展示平台——工艺质量、范围、审美规范(例如Dribbble、Behance、Vimeo,或该细分市场同等的展示平台)。
  • 奖项/精选展示——工艺野心和编辑认可;但会过度关注炫技,因此需交叉验证商业可信度(例如Awwwards、行业奖项列表)。
  • 竞品自己的网站——定位、声音、服务打包、定价姿态、具名客户、宣言/观点的主要来源。
  • 领英——团队规模/模式、创始人叙事、发布频率、客户标志、地理位置。
  • 评论目录——评论、具名客户、项目规模、参与模式;商业可信度和企业准备度的最强信号(例如Clutch.co或该细分市场的同类平台)。
  • 公开/公共作品——流程仓库、已发布的样本、开放的创意输出:深度和工艺透明度的证据。
  • 会议演讲/播客/新闻通讯——思想领导力深度和观点所有权。

在将任何竞品属性视为事实之前,务必至少通过两个来源核实其宣称(自报的网站文案 ≠ 已证实的成果)。在每个档案分析中都要保持“对抗性验证”的严谨性。

评分矩阵模板(筛选阶段)

一个轻量级的预筛选工具,用于决定哪些竞品能进入全面对标。评分1-5分;保留在独特性或可信度方面得分较高的候选者——客户的战略张力意味着这两个极端都具有指导意义。

候选者定位立场专精程度规模层级层级服务重叠度(1-5)独特性(1-5)商业可信度(1-5)工艺接近度(1-5)是否纳入?

经验法则(根据客户定位简报中“确定范围的结论”来应用):

  • 高独特性 且 高可信度 → 必做档案(证明客户的战略张力是可实现的)。
  • 高独特性,低可信度 → 警示案例(令人难忘但不可雇佣——一个需要学习的潜在失败模式)。
  • 高可信度,低独特性 → “有实力但平庸”的群体,客户以此定义自己的不同之处。
  • 两者都低 → 除非为景观广度所需,否则舍弃。

本阶段的输出

一个经过筛选的、分层的竞品集合(通常10-18个候选者 → 8-12个建档分析),每个竞品都标有其维度位置、层级和来源链接,准备提交给benchmark-methodology。

反模式

  • 在没有定位简报的情况下确定范围。 没有客户视角建立的竞品名单只是噪音。简报决定了什么才算真正的对手。
  • 列出所有相似的公司。 目标是建立一个合理的10-18个候选者集合,而不是一份普查名单。没有筛选的广度会使对标工作变得难以管理。
  • 模糊直接/邻近/标杆层级。 这些层级服务于不同的战略目的。将它们混在一起会产生一个无法驱动决策的平面列表。
  • 每个竞品只依赖单一来源。 自报的网站文案是营销宣传,不是事实。至少通过两个来源验证其属性。
  • 直接跳到评分。 此技能是确定范围和分层。benchmark-methodology负责评分。不要混淆这两个步骤。

示例

场景: 一家精品品牌标识工作室(2人,欧盟远程办公,产品化冲刺,逆向/宣言驱动的审美)希望在开始对标之前确定其竞品集合。来自定位简报的战略张力是记忆度 × 可雇佣性。

第一步——八轴填充(示例候选者):

候选者定位立场专精程度规模层级参与形式独特性证据模型品牌实力市场
Studio A品牌主导/编辑型仅标识微型产品化逆向型审美导向粉丝群体全球远程
Studio B能力主导广泛DS+动态精品店定制化传统型结果导向可替代美国
Agency C能力主导品牌+数字化中型固定服务费传统型结果导向可替代欧盟
自由职业者D品牌主导仅品牌声音个人日费率编辑型审美导向可拥有全球
Studio E品牌主导品牌策略微型产品化宣言驱动结果导向粉丝群体欧盟远程

第二步——预筛选评分(客户范围确定结论:权重独特性,因为客户的护城河是观点优先,而非能力广度):

候选者服务重叠度(1-5)独特性(1-5)商业可信度(1-5)工艺接近度(1-5)层级是否纳入?
Studio A5535直接✓ 必做档案
Studio B3253邻近✓ 可信度锚点
Agency C2152标杆✓ 规模参考
自由职业者D4424直接✓ 警示案例
Studio E5544直接✓ 必做档案

第三步——提交给benchmark-methodology的输出: 五个候选者(3个直接,1个邻近,1个标杆),每个都标记了维度位置、层级和来源链接。Studio A和Studio E是最直接的正面竞争对手;自由职业者D是“令人难忘但不可雇佣”的警示案例,值得学习。

相关技能

  • brand-discovery——首先使用,以建立定位简报和战略张力,从而界定竞品集合的范围。
  • benchmark-methodology——下一步;接收分层集合并在九个维度上对每个竞品进行评分。

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

相关技能