竞品对标分析

第一版对标表通常做得不错——有人认真投入了两周。问题出在第二个季度：定价改了、功能加了、案例换了，没人有动力再做一遍。于是表格挂在共享盘上慢慢过期，半年后谁也不敢拿它去支撑定价决策。

另一个隐性成本是口径漂移。市场部按"功能数量"比，产品部按"能力深度"比，销售按"客户反馈"比。三份表拼不到一起，开会时先花半小时争论哪个维度算数。

关键的思路转变：竞品对标不是一份报告，是一个持续更新的台账。所以底座用结构化知识库，把竞品清单、对标维度、历次快照以 CSV/XLSX 导入。结构化知识库按表结构建索引、支持字段精确查询，"第三列那家的价格区间"是一次确定的检索，而不是让模型从一段文字里猜。

抽取环节用工作流型智能体。HTTP 请求节点拉取公开信息，LLM 节点的输出格式选 JSON——功能项、价格区间、部署形态、目标客群各自落到预先定义好的参数上。这一步很关键：结构化输出之后，下游节点直接引用字段，不必再写正则从自由文本里抠数据，抽取失败也能立刻发现（字段为空），而不是悄悄写进一个看起来正常的句子里。

竞品数组进循环节点做数组迭代，每家走一遍相同的抽取流程。循环开始节点上必须设最大迭代次数——名单从 5 家扩到 30 家时，调用量和执行时长是线性涨的，不设上限迟早会在某个夜里跑爆。需要时在进入循环前用代码执行节点先过滤或截断。

矩阵计算交给代码执行节点（Python）：口径归一、补齐缺失值、算维度差异度。这些是确定性计算，结果可复算，不经过生成环节。

给智能体配定时任务，按季度自动重跑。新一轮结果与知识库里的上一轮快照比对，只推送发生变化的条目——某家降价了、某家上了新模块、某家换了部署形态。

这是这个场景最有价值的部分：人不需要每季度重读一遍全表，只需要看差异。对标从一次性项目变成了一条常开的监测线。