天工千金调研skill · 智能竞品调研与卖点引擎

> 天工·电商大脑 左脑（文职）核心模块
> 版本：v1.0 | 作者：木山英俊（mushanyingjun） | 兼容：workbuddy / qoder / cursor / codex

安装

将 tiangong-qianjin-skill/ 文件夹整个复制到你的 skill 目录下即可（WorkBuddy：~/.workbuddy/skills/；Cursor：.cursor/skills/；Qoder：~/.qoder/skills/）。首次使用时我会自动引导你完成配置（3-5个问题）。详见 INSTALL.md。

前置检查（每次执行前必做）

1. 确定 $SKILL_DIR：本 Skill 所在目录的绝对路径（即包含本 SKILL.md 的文件夹）
2. 检查项目根目录是否存在 qianjin-config.yaml：
   - 存在 → 读取配置，继续执行
   - 不存在 → 读取 setup.md，启动引导式配置向导
3. 确认 python3 可用：python3 --version

用户意图路由

调研方法论铁律（执行任何调研/Go-No-Go 任务前必读）

铁律1：数据可信度四级分级（每个数据点必须标注）

规则：报告里每个数据点都标可信度；🟠C 级数据不能作为 Go/No-Go 的唯一依据；发现计算不一致立即修正并降级标注。

铁律2：生意参谋优先原则（最重要的教训）

网页搜索（Exa 等）只看到"供给侧"（有什么在卖），看不到"需求侧"（有多少人搜）。
任何 Go/No-Go 决策前，必须主动向用户要生意参谋搜索分析数据验证需求侧。

> 真实案例（有机虾）：网页搜索显示"全平台零竞品"→ 初判 No-Go；
> 生意参谋显示"有机虾"1200-2500搜索、供需比3.79 → 翻转为 Conditional Go。
> 零竞品可能不是"没需求"，而是"没人做"。别让供给侧数据替需求侧下结论。

铁律3：交叉验证与结论翻转（标准工作流）

阶段1（v1）供给侧调研：Exa 看竞品价格/在售商品
  ↓ 向用户要生意参谋搜索数据
阶段2（v2）需求侧验证：搜索人气/供需比/转化率（可能翻转 v1）
  ↓ 小红书 + 抖音 OpenCLI 看消费者情绪
阶段3（v3）消费者定性：为什么买 / 怕什么 / 谁在讨论
  ↓ 竞品平台间接采集（山姆/盒马等无网页商城平台）
阶段4（v4）竞品平台对标：借势品类教育 + 反向差异化负面认知
  ↓ 按决策者阅读动线重排
阶段5（v5）结构重排：BLUF + 结论速览 + 章节按决策顺序
  ↓ 从结论倒推跨部门依赖
阶段6（v6）跨部门需求清单：产品侧/供应链侧硬需求（运营视角）
  ↓ 交付前红队自批判
阶段7（v7）红队审查：四透镜批判 + Top硬伤 + 修法
  ↓ 红队硬伤不能只“写在纸上”，必须验证
阶段8（v8）零成本验证：AI红队辩论 + UGC决策语言挖掘 + 轻量A/B测试

每版报告写“修订说明”：改了什么、为什么改、依据哪条新数据。

铁律4：品类词 vs 概念词（蓝海词必须分类）

• 品类词（如"盐田虾"5000-1万搜索）：消费者真实搜索的品类，可直接截流
• 概念词（如"有机"）：认知弱，需寄生在品类词上（"有机盐田虾"）
• 卖点主打品类词/痛点词，概念词只做背书

铁律5：定量+定性三角验证（三个数据源回答三个问题）

> 案例："无抗虾"生意参谋转化率45%（量）+ 小红书安全焦虑爆款4582赞（质）→ 双重验证"无抗"卖点。

铁律6：报告输出易读性（汇报级，用户要拿去汇报时必守）

1. 结论先行（BLUF）：报告最前面放“30秒结论”——直接回答用户问题 + Go/No-Go + 一句话策略，不让读者翻到第五章才看到答案。
2. 用户原始问题是主角：用户问什么（如“有机溢价多少”），就把什么放在正文第一节正面回答，不要埋在中游小表格里。
3. 降表格密度：8列以上的数据表放附录；正文用“叙述+关键数字”，每个表不超过5列。但可信度/来源列永远不能为了减列而删——压缩的是数据列，不是来源追溯；商品页快照类数据要标“时点值”而非笼统写“月销”。
4. 每节有“So what”：数据必须落到结论/行动，不堆砌原始数据。
5. 内部噪音进附录：版本演变（v1→v2）、实习生报告审核、数据源明细等放附录，正文保持干净。
6. 诚实标注不利信息：回本周期长、需求为零等负面结论如实写，用“诚实提示”框出，不粉饰。

铁律7：抖音作为主数据源（与小红书并列，不是补充）

抖音与一米八的“盒马+天猫+内容电商”渠道最契合，应作为消费者实证的主数据源（不是“补充”）：
- 工具：OpenCLI douyin search（需先登录 creator.douyin.com）
- 搜索页仅暴露点赞数（播放/评论/转发显示0，需逐条stats才有完整数据）
- 小红书侧重“为什么买/怕什么”（图文深度），抖音侧重“谁在讨论/什么内容爆”（视频传播力）
- 快手（JustOneAPI）仅作交叉验证（用户更下沉，与一米八高端定位匹配度低）
- OpenCLI 命令共享浏览器，必须串行执行

铁律8：竞品平台间接采集（无网页商城的零售平台）

山姆/盒马/叮咚买菜等官网多为纯品牌营销站，无网页商城——购物封闭于APP+微信小程序，浏览器自动化抓价走不通。竞品价格/SKU需间接采集：
1. 小红书 + 抖音用户内容（OpenCLI search，从用户笔记/视频提取价格·规格·口碑，🟠C）
2. 全网导购数据库（foodtalks官方商品库🟡B、什么值得买smzdm🟠C）做权威价格交叉验证
3. 新闻/知乎补负面认知线

> 核心发现：内容平台常能挖到竞品负面认知线（如山姆保水剂/缩水率/同款不同价/供应商共享），可作为差异化定位的机会信号。

铁律9：交付前红队自批判（必做，不可跳过）

报告写完≠可交付。交付前必须用四透镜自批判，找出承重级硬伤：

输出：Top 3-5 硬伤，每条含“错在哪 → 亏在哪 → 怎么修”。

> 核心教训：报告最常见的通病是“结论的乐观程度系统性超过证据的支撑程度”——硬数据指向“谨慎”，结论却靠软证据（差异化叙事/自有内容声量/单点案例）拉回“做”。红队就是纠正这个偏差。

铁律10：跨部门需求清单（从结论倒推依赖）

报告不只是“给管理层看”，还要“给协作方提需求”。从报告结论倒推：
- 产品侧：我的策略要成立，产品必须交付什么？（规格/配方/认证/包装）
- 供应链侧：我的卖点要兑现，供应链必须保障什么？（工艺/备货/检测/物流）

格式：硬需求清单（每条标阻塞等级 🔴🟡🟢 + 一句话理由 + 引用报告章节）。
语气：运营视角的专业判断，不是“建议”是“需求”；用阻塞等级给协作留排期空间。

铁律11：零成本验证闭环（红队硬伤必须落地验证，不可只写在纸上）

红队审查找出的硬伤，不能只写进“决策前必读”就完事——必须用零成本方式验证或证伪。

核心原则：AI模拟是磨刀石（让假设更锋利），不是试金石（不能证明假设对不对）。

三步零成本验证法（总成本≈0，耗时≈1周）：

铁律：
- AI模拟访谈不能替代真实用户验证，只能作为Step①“预演”
- UGC挖掘搜的是用户决策语言（“贵”“值不值”“智商税”），不是竞品数据
- A/B测试不投流，只看自然流量下的互动率差异
- 验证结果回填报告“决策前必读”：🔴局限 → 🟢已验证 or ❌已证伪

> 核心教训：“收集更多AI反馈”本身可能就是拖延执行的反人性闭环。验证的唯一标准是真实用户行为，不是第N个AI的意见。

铁律12：合规前置（卖点/Brief 必须先过合规预审）

任何卖点、必卖理由、设计 Brief 进入设计/文案阶段前，必须先过合规预审：

1. 跑一遍扫描：python3 $SKILL_DIR/scripts/compliance-check.py <卖点/Brief/文案文件>
2. 🔴红线项（绝对化用语、疾病治疗宣称）必须全部消除；🟠高风险项逐条给安全替代表达
3. 判断依据：compliance-regulations.md（广告法/食品安全法/实施条例/农产品质量安全法四部法规蒸馏）
4. design_brief.json 的 compliance 字段填真实预审结论（✅通过 / ⚠️有风险+notes），不许留空

> 依据要点：普通食品功效暗示按《实施条例》第38条直接适用食安法第140条罚则（打假人常用条款）；"零/无/绝对"类表述构成虚假广告。详见知识库。

执行流程

A. 竞品识别（最常用）

Step 1: 获取产品信息
  - 用户提供产品文档/口述 → 提取关键信息
  - 生成画像卡：$SKILL_DIR/templates/product-profile-template.yaml 为模板
  - 保存到：{output_dir}/{sku-slug}/product-profile.yaml

Step 2: 准备候选数据
  - 有生意参谋CSV → python3 $SKILL_DIR/scripts/taoxi-parse.py <csv> -s sycm -o <output>/candidates.json
  - 有浏览器采集数据 → python3 $SKILL_DIR/scripts/platform-normalize.py <raw.json> -o <output>/candidates.json
  - 无数据 → 提示用户导出或手动录入

Step 3: 运行识别
  python3 $SKILL_DIR/scripts/competitor-discover.py <profile.yaml> --candidates <candidates.json> -o <output>/竞品识别报告.md

Step 4: 展示结果
  - 向用户展示 Top N 竞品排名
  - 询问是否确认进入深度分析

B. 行业调研

Step 1: 确认品类关键词
Step 2: 有搜索词CSV → 解析并计算蓝海指数
        无CSV → 生成空白模板供用户填充
  python3 $SKILL_DIR/scripts/industry-research.py -c "<品类>" --sycm <keywords.csv> -o <output>/行业洞察.md
Step 3: 展示蓝海词 Top 10 + 卖点方向建议

C. 设计 Brief 生成

  python3 $SKILL_DIR/scripts/brief-generator.py \
    -p <profile.yaml> -c <candidates.json> -i <keywords.csv> \
    -o <output>/design_brief.json

D. 万象任务拆解

  python3 $SKILL_DIR/scripts/brief-consumer.py <design_brief.json> --format markdown -o <output>/万象任务清单.md

E. 合规预审（卖点/Brief/文案均可）

Step 1: 扫描
  python3 $SKILL_DIR/scripts/compliance-check.py <文件> [更多文件...]
Step 2: 整改
  - 🔴红线 → 必须改写（极限词/疾病治疗宣称）
  - 🟠高风险 → 按知识库第7节"合规改写公式"降级（功效→成分事实+报告编号）
  - 🟡提示 → 补出处或删除
Step 3: 复跑直到通过；将结论写入 Brief compliance 字段或报告合规备注

判断依据与法条映射：compliance-regulations.md。

输出路由

执行完成后，根据 qianjin-config.yaml 中 output.storage 决定输出方式：

钉钉推送（仅当 storage=dingtalk 且 webhook 已配置）：

bash $SKILL_DIR/scripts/notify-dingtalk.sh "<webhook_url>" "<报告标题>" "<摘要内容>"

钉钉文档写入（可选，需 dws skill）：
若用户项目安装了 dws skill，可进一步将完整报告写入钉钉文档空间。

错误降级

配置说明

配置文件 qianjin-config.yaml 位于项目根目录。详细字段说明见 reference.md。
配置模板见 config.example.yaml。

详细参考

• 功能详解与字段释义：reference.md
• 首次配置向导：setup.md
• 法规合规知识库（广告法/食品安全法/实施条例/农产品质量安全法蒸馏）：compliance-regulations.md
• 多平台采集配置：adapters/adapters.json
• Brief Schema：templates/design-brief-schema.json