在商业竞争日益激烈的今天，企业需要快速、全面、深入地了解竞争对手，但传统竞品分析依赖人工搜集和整理，存在信息分散、维度单一、效率低下、缺乏系统性等痛点。智能竞品分析多Agent系统通过多个AI智能体协同工作，将复杂的竞品分析任务拆解为竞品发现、数据采集、多维分析和策略建议等专业化子任务，实现从竞品搜索到战略输出的全流程自动化。系统采用"串行采集→并行分析→串行汇总"的混合协作模式，在效率与深度之间取得平衡，为企业提供产品功能矩阵、定价策略对比、市场趋势洞察和可落地的差异化行动方案，让商业决策从"凭经验"升级为"凭数据与智能"。
作者：百度智能云 谭文涛
一、系统总体架构
┌─────────────────────────────────────────────────────────────────┐
│ 竞品分析协同环境 │
│ │
│ ┌──────────────┐ │
│ │ 竞品发现 │ │
│ │ Agent │ │
│ │ (搜索+筛选) │ │
│ └──────┬───────┘ │
│ │ 发现N个竞品 │
│ ▼ │
│ ┌──────────────┐ │
│ │ 数据采集 │ │
│ │ Agent │ │
│ │ (多源抓取) │ │
│ └──────┬───────┘ │
│ │ 逐竞品采集数据 │
│ ┌────────────────┼────────────────┐ │
│ ▼ ▼ ▼ │
│ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │
│ │ 产品分析 │ │ 定价分析 │ │ 市场分析 │ │
│ │ Agent │ │ Agent │ │ Agent │ │
│ │ (功能矩阵) │ │ (价格策略) │ │ (份额趋势) │ │
│ └──────┬───────┘ └──────┬───────┘ └──────┬───────┘ │
│ │ │ │ │
│ └────────────────┼─────────────────┘ │
│ ▼ │
│ ┌──────────────┐ │
│ │ 策略建议 │ │
│ │ Agent │ │
│ │ (综合+建议) │ │
│ └──────────────┘ │
│ │
│ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ │
│ │ 百度AI搜索 │ │ 千帆LLM │ │ 本地Ollama │ │
│ │ (信息采集) │ │ (智能分析) │ │ (本地推理) │ │
│ └─────────────┘ └─────────────┘ └─────────────┘ │
└─────────────────────────────────────────────────────────────────┘协作模式：混合（串行采集 → 并行分析 → 串行汇总）
核心理念：
- 两段式采集：先发现竞品列表，再逐竞品深度采集，避免盲目搜索
- 三维并行分析：产品/定价/市场三个维度独立，结果JSON格式传递给策略Agent
- 竞品矩阵表：产品分析Agent输出功能对比矩阵（✅/❌/🔶）
- 策略Agent看到全貌：三份分析报告汇聚后一次性输入，保证策略建议的系统性
二、Agent角色定义
1. 竞品发现Agent（DiscoveryAgent）
- 职责：根据用户产品描述，搜索并筛选出3~8个核心竞品
- LLM调用：2次（关键词生成 + 结果筛选）
- 外部工具：百度AI搜索
- 输入：用户产品描述（string）
- 输出：CompetitorList（竞品名称+简介列表）
- 降级策略：直接使用产品描述作为搜索关键词，取搜索结果前5个
2. 数据采集Agent（CollectionAgent）
- 职责：对每个竞品，采集产品功能、定价、用户评价、市场份额等信息
- LLM调用：1+N次（拆解采集维度 + 逐竞品汇总）
- 外部工具：百度AI搜索
- 输入：CompetitorList + 用户产品描述
- 输出：dict[str, CompetitorData]（每竞品一份数据）
- 降级策略：直接使用固定搜索模板采集
3. 产品分析Agent（ProductAgent）
- 职责：逐竞品对比功能矩阵，标注优势/劣势/差异点
- LLM调用：1次
- 外部工具：无
- 输入：全部竞品数据
- 输出：ProductAnalysis（含功能对比矩阵）
- 降级策略：基于关键词匹配生成简单对比
4. 定价分析Agent（PricingAgent）
- 职责：对比各竞品定价策略、促销模式、性价比
- LLM调用：1次
- 外部工具：无
- 输入：全部竞品数据
- 输出：PricingAnalysis（含定价对比表）
- 降级策略：提取价格数字进行简单排序
5. 市场分析Agent（MarketAgent）
- 职责：分析市场份额、增长趋势、用户口碑、渠道策略
- LLM调用：1次
- 外部工具：无
- 输入：全部竞品数据
- 输出：MarketAnalysis
- 降级策略：基于采集数据中的关键词统计
6. 策略建议Agent（StrategyAgent）
- 职责：综合三维分析，输出差异化定位建议和行动方案
- LLM调用：1次
- 外部工具：无
- 输入：ProductAnalysis + PricingAnalysis + MarketAnalysis
- 输出：StrategyReport
- 降级策略：基于SWOT模板生成简单建议
三、数据流与JSON格式
3.1 竞品发现结果（Phase 1）
{
"product_name": "飞书",
"product_category": "企业协同办公平台",
"competitors": [
{
"name": "钉钉",
"brief": "阿里巴巴旗下企业协同平台，市占率领先",
"relevance": "HIGH"
},
{
"name": "企业微信",
"brief": "腾讯旗下企业通讯与协同平台",
"relevance": "HIGH"
}
],
"search_keywords_used": ["飞书竞品", "企业协同办公平台对比"]
}3.2 数据采集结果（Phase 2）
{
"钉钉": {
"name": "钉钉",
"product_features": "即时通讯、审批流程、考勤打卡、项目管理...",
"pricing_info": "免费版+专业版9800元/年+专属版...",
"market_share": "超过6亿用户，1000万+企业组织",
"user_reviews": "流程审批功能强大，但界面较复杂...",
"strengths": "生态完善、用户基数大、阿里背书",
"weaknesses": "体验偏重、学习成本高",
"channels": "直销+渠道代理+阿里云生态",
"search_sources": ["搜索结果1...", "搜索结果2..."]
}
}3.3 产品分析结果（Phase 3）
{
"feature_matrix": {
"features": ["即时通讯", "视频会议", "文档协作", "审批流程", "项目管理"],
"matrix": {
"飞书": ["✅", "✅", "✅", "🔶", "✅"],
"钉钉": ["✅", "✅", "🔶", "✅", "✅"],
"企业微信": ["✅", "✅", "🔶", "🔶", "❌"]
}
},
"competitive_advantages": [
{"competitor": "钉钉", "our_advantage": "文档协作体验远超", "their_advantage": "审批流程更成熟"}
],
"differentiation_points": ["AI助手深度集成", "跨国协作能力"],
"summary": "飞书在协作体验上领先，钉钉在流程管控上更强..."
}3.4 定价分析结果（Phase 3）
{
"pricing_comparison": [
{
"competitor": "飞书",
"free_tier": "基础功能免费",
"paid_tier": "商业版50元/人/月",
"pricing_model": "按人头订阅"
}
],
"pricing_strategy_analysis": "整体市场从免费增值模式向订阅制转变...",
"value_ranking": ["飞书", "钉钉", "企业微信"],
"summary": "飞书定价中等偏上，但功能覆盖面广..."
}3.5 市场分析结果（Phase 3）
{
"market_share_data": [
{"competitor": "钉钉", "share_estimate": "40%", "trend": "稳定"},
{"competitor": "企业微信", "share_estimate": "30%", "trend": "上升"}
],
"growth_trends": "整体市场年增长率约25%...",
"user_reputation": {
"钉钉": {"score": "7.5/10", "keywords": ["流程强", "界面重"]},
"飞书": {"score": "8.2/10", "keywords": ["体验好", "功能新"]}
},
"channel_analysis": "直销为主，渠道代理为辅...",
"summary": "钉钉市占率领先但增速放缓，飞书增速最快..."
}3.6 策略建议报告（Phase 4）
{
"overall_positioning": "飞书应定位为'体验优先的智能协同平台'...",
"differentiation_strategy": {
"core_differentiator": "AI原生协同体验",
"supporting_points": ["智能文档", "多维表格", "AI助手"]
},
"action_plan": [
{
"priority": "P0",
"action": "强化AI助手差异化，打造'AI原生办公'心智",
"timeline": "Q1-Q2",
"expected_impact": "建立技术领先认知"
}
],
"risk_assessment": "钉钉可能跟进AI功能，需保持迭代速度...",
"summary": "基于三维分析，建议飞书走'AI原生+体验优先'差异化路线..."
}四、各Agent核心提示词推导
4.1 竞品发现Agent提示词推导
推导思路：竞品发现是整个流程的起点，需要"两步走"策略------先生成搜索关键词，再从搜索结果中筛选竞品。一次性让LLM完成"生成关键词+搜索+筛选"容易信息过载。
推导过程：
- 第一步：生成搜索关键词
- 输入：用户产品描述
- 核心指令：根据产品描述，生成3-5组竞品搜索关键词
- 关键约束：关键词要覆盖不同维度（同类产品、替代方案、上下游产品）
- 输出格式：关键词列表JSON
- 第二步：筛选核心竞品
- 输入：搜索结果汇总
- 核心指令：从搜索结果中识别3~8个核心竞品
- 关键约束：去重、评估相关性、排除自身
- 输出格式：竞品名称+简介+相关性等级
系统提示词核心要素：
角色：竞品发现专家
原则：关键词多样化 / 结果去重 / 相关性评估 / 排除自身
输出：严格JSON4.2 数据采集Agent提示词推导
推导思路：数据采集需要"1+N"策略------先生成采集维度框架，再逐竞品搜索汇总。每个竞品需要覆盖功能/定价/市场/口碑/渠道五个维度。
推导过程：
- 第一步：生成采集维度
- 输入：用户产品描述 + 竞品列表
- 核心指令：定义每个竞品需要采集的具体信息维度
- 输出：采集维度清单
- 第二步：逐竞品搜索+汇总
- 对每个竞品：生成搜索查询 → 调用搜索 → LLM汇总提取
- 输出：结构化的竞品数据
系统提示词核心要素：
角色：竞品数据采集专家
采集维度：产品功能 / 定价体系 / 市场份额 / 用户评价 / 渠道策略
原则：多源交叉验证 / 数据可溯源 / 区分事实与观点
输出：每竞品一份结构化数据4.3 产品分析Agent提示词推导
推导思路：产品分析的核心产出是"功能对比矩阵"------这是一个二维表格（竞品×功能），每个交叉点标注✅/❌/🔶。LLM需要从非结构化的采集数据中提炼出可比较的功能维度。
推导过程：
- 功能维度提炼：从所有竞品数据中提取共同和差异化功能点
- 矩阵填充：逐功能逐竞品标注支持程度
- 优劣势标注：识别我方优势和对方优势
- 差异点提炼：找出独特的、不可替代的差异
系统提示词核心要素：
角色：产品竞品分析专家
核心产出：功能对比矩阵（✅完整支持 / 🔶部分支持 / ❌不支持）
分析维度：功能覆盖度 / 体验深度 / 创新点 / 成熟度
原则：客观对比 / 突出差异 / 矩阵可读
输出：feature_matrix + competitive_advantages + differentiation_points4.4 定价分析Agent提示词推导
推导思路：定价分析需要"横向对比+纵向解读"------横向比价格数字，纵向解读定价策略背后的商业逻辑（免费增值？按人头？按功能模块？）。
推导过程：
- 价格提取：从采集数据中提取各竞品的价格信息
- 策略分类：识别定价模型（免费增值/纯订阅/按量付费/混合）
- 性价比评估：功能覆盖 vs 价格的性价比排序
- 趋势判断：市场整体定价趋势
系统提示词核心要素：
角色：定价策略分析专家
分析维度：定价模型 / 价格梯度 / 促销模式 / 性价比 / 定价趋势
原则：数字说话 / 策略解读 / 趋势判断
输出：pricing_comparison + pricing_strategy_analysis + value_ranking4.5 市场分析Agent提示词推导
推导思路：市场分析需要"定量+定性"结合------定量看市场份额和增长数据，定性看用户口碑和渠道策略。由于公开数据可能不完整，需要明确标注数据来源和置信度。
推导过程：
- 份额估算：从搜索结果中提取市场份额信息
- 增长趋势：分析各竞品的增长态势
- 口碑分析：提取用户评价关键词和评分
- 渠道解读：分析销售渠道和合作伙伴
系统提示词核心要素：
角色：市场研究分析专家
分析维度：市场份额 / 增长趋势 / 用户口碑 / 渠道策略 / 竞争格局
原则：数据溯源 / 置信度标注 / 趋势重于快照
输出：market_share_data + growth_trends + user_reputation + channel_analysis4.6 策略建议Agent提示词推导
推导思路：策略建议是汇聚环节，需要"融会贯通"------不是简单拼接三份分析，而是从三维数据中提炼出统一的战略叙事。核心产出是差异化定位+行动方案。
推导过程：
- 三维交叉：产品优势+定价空间+市场机会 → 差异化定位
- 优先级排序：按影响力和可行性排列行动方案
- 风险评估：基于竞品动态预判风险
- 行动方案：具体到时间线和预期效果
系统提示词核心要素：
角色：竞争战略顾问
原则：三维融合 / 差异化优先 / 行动导向 / 风险预判
报告结构：定位→差异化→行动计划→风险评估
输出：overall_positioning + differentiation_strategy + action_plan + risk_assessment五、技术实现方案
技术栈
- 语言：Python 3.10+
- Agent框架：基于原生Python + asyncio实现（零依赖，便于教学理解）
- LLM调用：百度千帆API（ernie-x1-turbo-32k）+ 本地Ollama（qwen2.5:7b）
- 搜索：百度AI Search（baidu_search_v2数据源）
- 并行执行：asyncio.gather（三维分析并行阶段）
- 数据格式：JSON（Agent间数据传递）
项目结构
competitor-analysis-mas/
├── design.md # 本设计文档
├── main.py # 主入口
├── config.py # 配置（LLM双后端 + 搜索参数）
├── core/
│ ├── __init__.py
│ ├── llm_client.py # LLM调用封装（千帆 + Ollama）
│ ├── search_client.py # 百度AI搜索客户端
│ ├── prompt_loader.py # 提示词模板加载器
│ └── orchestrator.py # 主控编排器（混合协作模式）
├── agents/
│ ├── __init__.py
│ ├── base_agent.py # Agent基类
│ ├── discovery_agent.py # 竞品发现Agent
│ ├── collection_agent.py # 数据采集Agent
│ ├── product_agent.py # 产品分析Agent
│ ├── pricing_agent.py # 定价分析Agent
│ ├── market_agent.py # 市场分析Agent
│ └── strategy_agent.py # 策略建议Agent
├── models/
│ ├── __init__.py
│ └── domain.py # 领域模型
├── prompts/ # 提示词模板（.md格式，按##节分割）
│ ├── discovery_agent.md
│ ├── collection_agent.md
│ ├── product_agent.md
│ ├── pricing_agent.md
│ ├── market_agent.md
│ └── strategy_agent.md
├── data/ # 示例数据
└── output/ # 分析报告输出目录运行方式
# 默认：千帆LLM + 百度搜索
python3 main.py "小度学习机"
# Ollama模式
python3 main.py --ollama "小度学习机"
# 详细模式（输出中间结果）
python3 main.py --verbose "小度学习机"
# 指定竞品数量
python3 main.py --count 5 "小度学习机"
# 帮助
python3 main.py help六、Agent间数据传递规范
DiscoveryAgent ──(CompetitorList JSON)──→ [串行]
│
CollectionAgent ──(dict[str, CompetitorData])──→ [并行]
├── ProductAgent ──(ProductAnalysis)
├── PricingAgent ──(PricingAnalysis)
└── MarketAgent ───(MarketAnalysis)
│
[汇聚] ──────────┘
│
▼
StrategyAgent
│
▼
StrategyReport关键约束：
- Phase 1 → Phase 2：竞品列表直接传递
- Phase 2 → Phase 3：采集数据对象直接传递（三路共享同一份数据，只读）
- Phase 3 并行三路：输入相同，输出独立
- Phase 3 → Phase 4：三份分析报告汇聚后一次性传给策略Agent
七、LLM调用统计
| Agent | 调用次数 | 调用策略 | 降级方案 |
|---|---|---|---|
| DiscoveryAgent | 2次 | 关键词生成1次 + 结果筛选1次 | 直接使用产品描述搜索 |
| CollectionAgent | 1+N次 | 维度拆解1次 + 逐竞品汇总N次 | 固定模板搜索 |
| ProductAgent | 1次 | 全量数据1次 | 关键词匹配对比 |
| PricingAgent | 1次 | 全量数据1次 | 价格数字提取排序 |
| MarketAgent | 1次 | 全量数据1次 | 关键词频率统计 |
| StrategyAgent | 1次 | 三维分析1次 | SWOT模板填充 |
| 总计 | 6+N次 | N=竞品数 | --- |
八、设计要点与决策记录
8.1 为什么采用两段式采集而非一步到位？
- 第一步只发现竞品列表，确定分析范围，避免盲目搜索
- 第二步针对已确定的竞品逐个深度采集，搜索关键词更精准
- 分段后每步的LLM调用职责更单一，结果更可控
8.2 为什么三维分析并行而非串行？
- 产品/定价/市场三个维度互不依赖，可并行执行，总耗时≈单路
- 并行结果独立输出JSON，避免维度间耦合
- 策略Agent一次性看到全貌，不受串行顺序影响
8.3 为什么每个Agent都有规则引擎Fallback？
- 教学演示：即使没有LLM也能跑通完整流程
- 生产安全：LLM故障时系统不宕机
- 成本控制：开发测试阶段可零成本运行
8.4 竞品矩阵的符号设计
- ✅ 完整支持：功能完善，体验良好
- 🔶 部分支持：有此功能但不够成熟或体验一般
- ❌ 不支持：无此功能或仅规划中
九、项目源码
通过网盘分享的文件：competitor-analysis-mas-v2.zip
链接: https://pan.baidu.com/s/1mkty8L9DXgEypO34BTzyng?pwd=jhvs 提取码: jhvs
--来自百度网盘超级会员v4的分享