🧠 AI竞品分析 · 完整笔记
点击标签切换章节
什么是AI竞品分析？
在AI产品领域，竞品分析是一种系统性拆解竞争对手在用户层、技术层、模型层与基础设施层上综合表现的分析过程。
不仅是静态的功能对比，更是通过对技术能力、用户体验的对照评测，理解AI产品核心竞争壁垒的关键手段。
为什么要做竞品分析？
不同团队的关注重点
| 需求方 | 关注重点 | 报告带来的价值 |
|---|
| 老板 | 市场定位+功能+体验+技术，越全越好 | 了解竞对战略与商业模式，发现机会点 |
| 产品团队 | 市场定位+产品功能+用户体验 | 明确竞品功能优劣势，掌握新功能规划 |
| 研发团队 | 模型技术+产品功能（偏技术实现） | 获得技术优化方向，指导自身调整 |
| 运营团队 | 用户体验+产品功能（留存/日活/月活） | 参考竞品运营策略，复用到自身产品 |
课堂金句
💬 "你多了解五个AI产品，面试谈薪就可以多要500块钱。"
💬 "内容生成质量好，用户就愿意用你；质量不行，用户再也不会用了。"
💬 "换汤不换药，不一样的方向，底层逻辑都是通的。"
💬 "只选对的，不选贵的。"
通往AGI的五个阶段
由OpenAI提出，是AI训练师&AI产品经理面试高频考点，点击每行展开详情。
L1
聊天机器人 · Chatbots
进行对话互动，回答问题，基本文本生成
已完成
L2
推理者 · Reasoners
解决博士学位水平复杂问题，深度推理与逻辑分析
基本实现
L3
智能体 · Agents ⭐ 当前阶段
代表用户自主运行，执行复杂多步骤任务
当前阶段
L4
创新者 · Innovators
解决现有问题，还能创造全新解决方案和发明
初期阶段
L5
组织 · Organizations
AI系统自主运行整个组织的所有工作
终极目标
🎯 面试必答口诀：L1看对话能力 → L2看推理逻辑 → L3看工具调用准确率+任务完成度 → L4看创新能力
AI产品分类
按模态分类
文本类 文心一言、豆包、智谱清言、通义千问、Kimi
生成式动态 可灵AI、即梦、智谱清影、腾讯混元
按行业分类（垂直领域）
医疗汽车智能座舱教育K12金融
💡 有垂直行业背景投递对应岗位大幅加分！
AI产品四层架构
做竞品分析时，可从这四个层面拆解任意AI产品（以Kimi为例）
USER LAYER · 用户层（最上层）
用户可直观感知的功能与体验
对话问答PPT生成报告生成文件解析语音交互
↓
TECH LAYER · 技术/应用层
支撑产品功能的核心技术栈
Prompt工程Long COTRAG检索增强AgentOCRASR语音识别TTS图像识别
↓
MODEL LAYER · 模型层
产品内嵌的具体大模型
自研大模型开源微调模型第三方API调用ToB模型ToC模型
Kimi举例：kimi-k2、kimi-1.5（默认）、kimi-thinking-preview
↓
INFRA LAYER · 基础设施层（算法层）
底层算法架构与数据存储
MoE架构Long2ShortRLHF对齐RLAIF向量数据库多模态对象存储
这层由算法团队负责，竞品信息可在官网技术博客找到
竞品的两种分类方式
方式一：按关联关系
🔴 直接竞品（95%以上重叠）
与自身产品高度重叠，目标用户人群和功能相同，同一赛道的直接竞争对手
豆包 vs Kimi美团 vs 饿了么抖音 vs 快手网易云 vs QQ音乐耐克 vs 阿迪达斯英雄联盟 vs 王者荣耀
🟡 间接竞品（50-60%重叠）
产品目标和目标人群有较大相似但不完全一样，功能、场景有部分重叠
Midjourney vs ChatGPT淘宝 vs 京东抖音 vs 小红书携程 vs 美团（酒店）
🔵 潜在竞品（争夺用户时间/金钱资源）⚠️ 最易被忽视
产品和目标人群都不同，但争夺用户同一项有限资源（时间或金钱）
打王者荣耀时不刷抖音美团潜在竞品：全家/罗森/爱奇艺/预制菜
💡 "用户选择它们，就意味着可能没有资源（时间/金钱）选择你。"
方式二：按分析方向
| 方向 | 定义 | 典型案例 |
|---|
| 业务方向 | 服务相同业务目标/场景，核心商业需求一致（功能形态可不同） | 飞书多维表格 vs 钉钉AI表格 |
| 功能方向 | 具体功能高度重叠，技术路径或交互逻辑类似 | Cursor vs GitHub Copilot
微信播客 vs 喜马拉雅 vs 小宇宙 |
| 用户方向 | 目标用户画像高度重叠，选择时形成"二选一"场景 | 豆包App vs 通义App vs Kimi |
寻找竞品的四个渠道
渠道一
📱 应用商店平台
七麦数据、爱思助手，查同类榜单、下载量、更新频率
渠道二
🌐 公开AI工具站
各类AI产品导航、垂直领域工具集合，快速发现新兴竞品
渠道三
💭 用户反馈渠道
小红书、抖音、论坛中用户提到的替代产品，最真实的竞品来源
渠道四
🖐️ 亲手体验调研
找到竞品后必须亲自实操，才能获得真实功能信息
竞品分析完整流程（五步法）
① 明确目的
→
② 选择竞品
→
③ 确定维度
→
④ 数据收集&评测
→
⑤ 分析&产出报告
步骤详解
① 明确目的 — 报告为谁而做？
95%以上AI训练师需求来自内部团队。必须先明确需求方，因为不同团队对维度的要求完全不同（参见概念总览中的团队需求表）。
② 选择竞品 — 功能类似+需求相同+用户重叠+可互相替代
关联方向（直接/间接/潜在）+ 分析方向（业务/功能/用户）→ 详见"竞品分类"章节
③ 确定分析维度 — 以目标决定范围，不是越多越好
举例：仅分析 Deep Research 效果 → 只看核心功能 + 内容生成质量，不需要覆盖市场定位、模型技术等所有维度
| 分析框架 | 拆解维度 |
|---|
| 市场定位 | 产品定位、目标人群、市场规模、商业模式 |
| 产品功能 | 核心功能、功能矩阵对比 |
| 模型技术 | 模型架构、训练数据、核心技术、性能指标 |
| 用户体验 | 交互流程、界面设计、内容质量 ⭐ |
④ 数据收集 — 三条路径
注册账号体验核心功能发Prompt测效果
⚠️ 必须亲手实操！
定性访谈：邀请深度用户线上/线下交流，有奖品激励
定量问卷：结构化问题量化打分，验证问题是否真实存在
⑤ 产出报告 — 三大硬性要求
结论前置
最终评测结论放在报告最开头，再展开分析过程
结构清晰
分段分层，重点加粗标黄，不能一坨字没有分段
数据支撑
所有结论必须对应真实评测数据，不能凭感觉
AI竞品评测的四个核心维度
📊 维度一：市场定位▶
产品定位
明确竞品的市场定位、核心价值主张和差异化策略
目标人群
分析用户画像、需求及痛点，梳理不同人群占比
市场规模
评估市场容量、增长趋势及渗透率，看还有没有蛋糕
📌 举例：淘宝（种类全/参差不齐）vs 京东（科技数码/配送快）vs 拼多多（百亿补贴/低价）— 三者定位完全不同
🤖 维度二：模型技术▶
| 分析点 | 具体内容 | 获取方式 |
|---|
| 基础模型类型 | 自研大模型 / 开源微调 / 第三方API调用 | 官网、技术博客 |
| 模型性能评测 | 代码能力、上下文理解、语言能力、推理能力 | 亲自测试、评测报告 |
| 独特技术/算法 | 是否有创新技术、特殊架构（如MoE） | 官网技术介绍、论坛 |
⚠️ 案例：Cursor曾宣称自研第二代模型，结果被发现是套壳Kimi k2.5，CEO公开道歉
⚙️ 维度三：产品功能▶
①
核心功能对比
比较各竞品主要功能模块及实现方式，通过用户群、技术论坛了解
②
技术能力分析
安全性、稳定性、部署成本、本地化GPU资源消耗
③
功能矩阵 ⭐ 报告中最重要的可视化方式
用✅❌标注各产品功能有无，直观展示差异化
| 功能 | 产品A（我们） | 豆包 | Kimi | 通义千问 |
|---|
| 长文本对话 | ✅ | ✅ | ✅ | ✅ |
| 文生图 | ❌ | ✅ | ❌ | ✅ |
| PPT生成 | ✅ | ❌ | ✅ | ❌ |
| Agent任务 | ❌ | ❌ | ❌ | ✅ |
🎯 维度四：用户体验 ⭐ AI训练师最核心▶
交互流程
路径越短越好。例：长按输入框直接发语音 > 先点图标再发语音
界面设计(UI)
评估界面布局、信息层级、视觉动线及组件使用
🌟 内容质量
AI训练师最核心工作！判断生成内容是否符合用户满意度
🔑 AI训练师做竞品评测记住两个重点：①产品功能与竞品的差异 ②AI内容生成质量的好坏
什么是 Deep Research？
OpenAI于2025年2月首次提出，让AI从简单问答升级为智能研究员，自动完成：信息检索 → 筛选阅读 → 交叉推理 → 报告生成 的完整研究闭环。
🚀 可在13分钟内生成人类分析师需要一周、博士需要数月才能完成的研究报告，带引用来源，可信度高
Deep Research vs 传统 RAG
📚 传统RAG · 图书馆员
你问一个问题
直接从知识库检索
裁切对应内容输出
一次搜索，直接输出
置信度一般
VS
🎓 Deep Research · 老师备课
你问一个问题
自主规划研究流程
多轮搜索 + 交叉验证
循环推理直到满意
输出高质量结构化报告
工作流程
各产品功能矩阵对比
| 产品 | Deep Research入口 | 二级分类 | 分类方向 |
|---|
| 纳米搜索 | 独立二级页面 | ✅ 有细分 | 研究、营销、文案、视频、图片 |
| 智谱清言 | 二级页面 | ✅ 有细分 | 学术、攻略、金融、生活、创作 |
| Coze空间 | 一级页面入口 | ❌ 无分类 | 通用方向，直接输入问题 |
| 百度心响 | 仅入口按钮 | ❌ 无分类 | — |
| ChatGPT（间接） | 集成于主界面 | — | 海外头部参照基准 |
评测维度 & 评测集构建
评测集构建建议
整合所有产品都覆盖的方向：新闻聚合、金融研究、学术文献，每方向做20条数据
💡 产品已有的分类提示词，改写润色后可直接作为评测集数据，不需从零构建
模型选型的本质
🎯 最强模型 ≠ 最佳方案，一个模型无法解决所有问题
选型本质：在质量、成本、时延、可控性四个维度之间做权衡，而非追求单点能力最强
四个权衡维度
成本
API调用费用 + 本地部署的显卡硬件成本（Token消耗）
时延
整体生成速度 + 首字输出响应时间（用户体感关键）
可控性
① 能否用 System Prompt 控制输出
② 是否支持微调，符合业务效果
三个选型层级（可交互）
模态 — 回答"要不要多模态"
例：AI漫剧产品 → 图片+视频+音频
能力 — 回答"需不需要强推理"
例：数学/论文场景 → 必须深度推理
形态 — 考虑成本/合规/可控性
小公司选开源 · 大公司根据合规需求选本地部署
案例：小公司聊天机器人选型
✅ 选型标准：成本低 + 输出稳定 + 指令遵循能力强 三项满足即可，不追求最强
SWOT 分析框架
AI训练师只负责写 S（优势）和 W（劣势），O/T 由产品经理/老板决策。
S
Strengths · 内部优势
比竞品强在哪里？例：动漫风格生成质量高、上下文记忆更长、响应更快
✅ AI训练师负责
W
Weaknesses · 内部劣势
比竞品弱在哪里？例：实体/植物生成效果差、不支持长文档解析
✅ AI训练师负责
O
Opportunities · 外部机会
市场上有哪些机会？例：垂直行业空白、竞品下架某功能
📋 产品经理/老板负责
T
Threats · 外部威胁
有哪些外部风险？例：头部竞品快速迭代、政策法规变化
📋 产品经理/老板负责
报告结构模板
1. 结论前置 ⭐
例："纳米搜索 Deep Research 效果 > Coze空间"，直接写明最终结论
2. 背景与目标
分析背景、本次分析的四个目的、竞品范围说明
3. 分析过程（各维度详细数据）
功能矩阵 / 评测结果表格 / 四象限市场定位图 / SWOT
4. 建议与洞察
基于数据提出可落地的产品迭代建议
推荐工具
面试知识速查 · 全天合并版
点击问题展开答案，适合睡前复习
基础概念
Q: AGI五个阶段分别是什么？各有什么代表产品？
L1聊天机器人（ChatGPT 3.5） → L2推理者（DeepSeek R1） → L3智能体（通义千问/小美AI）→ L4创新者（OpenAI o1）→ L5组织（尚未实现）
当前处于L3，2025年是Agent元年；L4已进入初期。
Q: 不同阶段竞品分析的核心维度是什么？（面试高频）
L1看对话能力 → L2看推理逻辑 → L3看工具调用准确率+任务完成度 → L4看创新能力
Q: AI产品四层架构是哪四层？
用户层（用户直观感知的功能与体验）→ 技术/应用层（Prompt/RAG/Agent/OCR等）→ 模型层（内嵌大模型，分ToB/ToC）→ 基础设施层（算法架构/向量数据库/训练日志）
竞品分类
Q: 直接/间接/潜在竞品的定义与案例？
直接竞品：95%以上高度重叠（豆包 vs Kimi）
间接竞品：50-60%重叠（Midjourney vs ChatGPT）
潜在竞品：争夺用户同一项有限资源时间/金钱（王者荣耀 vs 抖音）
⚠️ 潜在竞品最容易被忽视！
Q: 按分析方向如何分类竞品？各举一个例子
业务方向：服务相同业务目标（飞书多维表格 vs 钉钉AI表格）
功能方向：具体功能高度重叠（Cursor vs GitHub Copilot）
用户方向：目标用户画像高度重叠（豆包 vs 通义 vs Kimi）
分析框架与流程
Q: 竞品分析流程五步法？
①明确目的（为谁而做，需求方是谁）→ ②选择竞品 → ③确定分析维度（以目标决定，不是越多越好）→ ④数据收集&评测（公开检索+亲身体验+用户调研）→ ⑤分析&产出报告（结论前置）
Q: AI竞品评测的四个核心维度是什么？
①市场定位（产品定位/目标人群/市场规模/商业模式）
②产品功能（核心功能/功能矩阵对比）
③模型技术（基础模型类型/性能评测/独特技术）
④用户体验（交互流程/界面设计/内容质量⭐）
Q: AI训练师做竞品评测最核心的两个重点是什么？
①产品功能与竞品的差异（功能矩阵对比）
②AI内容生成质量的好坏（判断生成内容是否符合用户满意度）
这两点抓住了，核心评测工作就完成了。
Q: 不同团队对竞品分析报告的侧重点？
老板：越全越好，关注市场定位与技术方向
产品团队：功能+用户体验+市场定位（细分市场30-40%）
研发团队：模型技术+代码实现
运营团队：用户体验+留存/日活/月活指标
深度专题
Q: Deep Research 和传统 RAG 的核心区别？
RAG = 图书馆员：你问 → 直接检索知识库 → 裁切输出，一步到位，置信度一般
Deep Research = 老师备课：你问 → 自主规划研究流程 → 多轮搜索 → 交叉验证 → 循环推理 → 输出高质量报告
核心差异：多了"自主思考推理的闭环流程"
Q: 模型选型的四个权衡维度？本质是什么？
本质：在质量、成本、时延、可控性之间做权衡，而非追求单点能力最强（"只选对的，不选贵的"）
质量：内容生成质量 成本：API费用+显卡成本 时延：生成速度+首字响应时间 可控性：System Prompt控制+微调支持
Q: 模型选型的三个核心层级分别是什么？
①模态：文本/图片/视频/音频，回答"要不要多模态"
②能力：理解/生成/推理/控制，回答"需不需要强推理"
③形态：API调用/开源模型/本地部署，考虑成本/合规/可控性
Q: 数据收集的三条路径是什么？各适合什么维度？
①公开信息检索（官网/行业报告/白皮书）→ 市场定位、模型技术
②AI产品体验（亲手实操，必须！）→ 产品功能、用户体验
③用户调研（定性访谈+定量问卷）→ 真实需求与使用感受
Q: SWOT中AI训练师通常负责哪部分？为什么？
只负责 S（优势）和 W（劣势），即自身产品与竞品相比的优劣对比
O（机会）和 T（威胁）由产品经理/老板负责，因为涉及更高层级的市场战略决策
Q: 功能矩阵是什么？如何构建？
将各产品功能整理成对比表格，用✅❌标注功能有无，是报告中最直观的差异化展示方式
构建方法：列出各产品核心功能，按行（功能）×列（产品）打勾打叉，一眼看出差距
💬 全天课堂金句汇总
"你多了解五个AI产品，面试谈薪就可以多要500块钱。"
"内容生成质量好，用户就愿意用你；质量不行，用户再也不会用了。"
"RAG就像图书馆员，你问他，他把书里内容裁切发给你；Deep Research是老师，你问他之后，他会去给你备课，然后再跟你讲。"
"换汤不换药，不一样的方向，底层逻辑都是通的。"
"只选对的，不选贵的。"