Competitive Analysis

竞品决策分析 Skill（competitive-analysis）

中文速查

• 中文名：竞品决策分析 / 竞品决策简报
• 英文稳定名：competitive-analysis
• 分类：决策调研 / 产品研究
• 你可以这样叫我：帮我做竞品分析、研究下这个新产品对我们有什么启发、打开这个产品看看对产品决策有什么用、分析 Krowork 这类产品、把竞品信息转成 PRD 输入
• 适合：围绕一个产品决策，把竞品、替代方案、市场信号和可选产品走查转成路线图、定位、定价、功能优先级、差异化或 Go/No-Go 输入。
• 不适合：问题还没定义清楚（先用 ai-collaboration-calibration）；只想建立长期主题认知或候选池（用 research-topic-compiler）；已经只有 A/B/C 最终选择（用 decision-research）；只要 UI 高保真参考（用 ui-mockup-desktop-workbench）。

核心原则

竞品分析服务产品决策，不服务信息完整性。

不要把“打开网站、登录、点完功能”当作目标。产品走查只是证据渠道之一。真正要回答的是：

• 我们该学什么？
• 我们该避开什么？
• 我们需要验证什么？
• 这会改变我们的产品路线、定位、定价或优先级吗？

如果用户只给了一个竞品 URL，先把它改写成决策问题，再决定是否需要浏览器、截图、登录态或外部评论渠道。

启动协议

先判断用户的请求处在哪一层：

| 层级 | 用户表述 | 处理方式 | | --- | --- | --- | | 取证层 | “打开这个网址点一下所有功能” | 追问或推断它服务什么产品决策；走查只是可选证据渠道。 | | 产品层 | “这个产品对我们有什么启发” | 进入本 Skill，输出 Product Decision Brief。 | | 决策层 | “我们要不要做这个方向 / 学它的定价 / 改路线图” | 进入本 Skill；若只剩最终选择，交给 decision-research。 | | 研究层 | “系统研究这个赛道，先沉淀一批竞品” | 交给 research-topic-compiler 的 Product Candidate Research。 |

最多问 3 个启动问题；能从用户上下文、URL、仓库文档或已有 PRD 推断的，不要打断：

1. 这次竞品分析要影响哪个产品决策？
2. 我方产品、目标用户、当前阶段是什么？
3. 是否允许使用登录态、截图、浏览器自动化或用户账号？如果没有明确授权，只用公开信息。

工作流

1. 决策锚定

• 把请求转成一句 decision_question。
• 写清 current_product_context、decision_owner、time_budget 和 decision_deadline，未知就标为假设。
• 如果没有决策问题，先用 ai-collaboration-calibration 校准，不直接开始搜索。

1. 竞品边界定义

• 区分 direct competitor、workflow alternative、status quo、adjacent inspiration。
• 如果用户只给一个产品，补充“它代表哪类替代方案”的推断。
• 如果目标是候选池，转 research-topic-compiler；本 Skill 可消费候选池做决策简报。

1. 证据渠道选择

• 读取 references/evidence-channel-guide.md。
• 不要默认所有渠道全开；按决策问题选择 3-6 个高价值渠道。
• 将产品走查、浏览器截图、OAuth 登录和 Computer Use 视为 Product Walkthrough Evidence，按 references/browser-walkthrough-boundaries.md 执行。

1. 证据收集与分级

• 官方页面、定价页、文档、changelog、案例、招聘、评论、社区、用户访谈和走查证据分开记录。
• 每条证据标注：source、date/accessedat、evidencelevel、supports、contradicts、decision_implication。
• 对动态信息、价格、当前功能、登录流程和评论，必须实时验证并给来源链接或截图路径。

1. 从外部观察转成内部判断

• 不输出“竞品有这些功能”就结束。
• 把观察翻译成我方 taxonomy：用户任务、激活路径、付费触发、协作模型、信息架构、AI 能力边界、信任机制、增长入口、运营负担。
• 对每个可借鉴点写清：照抄会错在哪里、需要适配的我方上下文、最小验证动作。

1. 生成 Product Decision Brief

• 使用 references/decision-brief-template.md。
• 输出必须包含：结论、决策影响、证据强度、建议动作、反证、未知项、下一步验证。
• 若证据不足，不要用专业包装制造确定性；明确哪些结论只是弱信号。

输出合同

默认输出 Product Decision Brief，而不是普通竞品报告。简版结构：

**Product Decision Brief**
- Decision question:
- Recommendation:
- Confidence:
- What changes for us:
- Evidence base:
- What to copy / adapt / avoid:
- Product implications:
- Open risks:
- Next validation:

需要完整结构时，读取 references/decision-brief-template.md。

安全与权限边界

• 没有用户明确授权，不要登录账号、使用 OAuth、绕过付费墙、抓取私有内容或自动提交表单。
• 可以阅读公开页面、公开文档、公开评论、公开 changelog 和公开定价。
• 使用用户登录态时，只做最小必要浏览；不要修改数据、邀请用户、创建真实项目、发送消息、购买、删除或导出敏感信息。
• 涉及浏览器自动化、截图、录屏、控制台日志或 Computer Use 时，先读取 references/browser-walkthrough-boundaries.md。
• 高风险行业、法律、医疗、金融和合规结论必须标注为产品信号，不给专业法律/医疗/金融意见。

与相邻 Skill 的边界

| 用户真正目标 | 用哪个 Skill | | --- | --- | | “我还不知道为什么要研究这个竞品” | ai-collaboration-calibration | | “帮我系统研究一个赛道，先沉淀竞品池 / 候选池” | research-topic-compiler | | “围绕这个产品决策，研究竞品并给可行动简报” | competitive-analysis | | “基于这些候选项，最终选 A/B/C” | decision-research | | “把竞品 UI 参考转成项目高保真 mockup/handoff” | ui-mockup-desktop-workbench | | “已有方案，拷问它会不会失败” | grill-me |

Resource Guide

• references/decision-brief-template.md：当要输出完整竞品决策简报、证据表和行动清单时读取。
• references/evidence-channel-guide.md：当需要选择官网、评论、定价、文档、changelog、招聘、浏览器走查等证据渠道时读取。
• references/browser-walkthrough-boundaries.md：当用户要求打开网站、登录、点功能、截图、录屏、使用 Google/OAuth 或 Computer Use 时必须读取。
• scripts/check_decision_brief.py：检查 Product Decision Brief 是否包含决策问题、建议、置信度、证据、借鉴 / 避免和下一步验证。

Definition of Done

一次合格的竞品决策分析必须满足：

• 决策问题明确，不只是产品介绍。
• 证据来源覆盖至少 3 类渠道；如果少于 3 类，说明原因。
• 关键结论有证据等级、反证或置信边界。
• 竞品观察被转译成我方产品动作、验证问题或明确不做项。
• 登录态或浏览器取证的权限、边界和副作用被说明。
• 输出能直接进入 PRD、路线图评审、定价讨论、Go/No-Go 或后续 decision-research。

Evaluation Prompts

• $competitive-analysis 打开 https://krowork.com 看看这个产品对我们 AI PM 工作台有什么产品决策启发。
• $competitive-analysis 研究 Linear、Height、Motion 的 AI 项目管理能力，判断我们要不要做类似路线。
• $competitive-analysis 帮我分析这个竞品的定价和 onboarding，输出我们下个版本应该学什么、避开什么。
• Non-trigger：系统研究整个 AI 项目管理赛道，先沉淀 20 个候选产品。 应转 research-topic-compiler。
• Non-trigger：基于这三个方案给我最终选一个。 应转 decision-research。

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: PANGKAIFENG
• Source: PANGKAIFENG/ai-product-manager-skills
• License: MIT

Install and usage instructions live in the source repository linked above.