竞品拆解方法论
M4. 竞品拆解方法论
回答的核心问题：拿到一个 AI 产品，如何在 30 分钟内形成有价值的判断，并把它沉淀成可复用的长期资产？
与既有专题的分工边界（迁移前先读这一段，避免重复落盘）：
- vs 0410 AI 公司与产品（素材层）：0410 是一张张公司/产品卡（OpenAI、Manus、Perplexity……）的实体库；本模块 M4 是方法层——“怎么拆一张卡、拆完怎么沉淀回库”。二者是「方法 04M4 + 素材 0410」的对照结构，不并入。
- vs 0434 护城河与商业模式专题（F5）：套壳五维度、单位经济、护城河理论的”家”在 0434。本模块第三层直接调用 0434 的五维度打分，只引用不复制定义；LTV/COGS/单位经济同理回链 0434，不在此重写商业模型。
- vs 0416 失败考古学专题（F1）：失败案例的分类学在 0416。本模块只把”失败案例信息量大”作为追踪原则，具体失败考古回链 0416，不展开。
- vs 0412 评测专题（F1）：0412 是研究侧”怎么测模型/系统”。本模块涉及的”产品好坏判断”是 PM 侧的产品力评估，不重写评测方法论。
核心主张（Synthesis）
竞品拆解的常见失败模式是”功能清单式罗列”——这个产品有什么功能、那个产品有什么功能。可用的替代框架是”四层反推 + 一次沉淀”：从可观察的交互/定价/体验，反推到不可观察的技术架构、成本结构、护城河强弱，最后给出改进假设；并且每一次拆解都必须沉回 casebook，否则只是消费而非积累。 每一层都产出一个可被证伪的判断，而不是一个描述。
四层反推的价值不在”拆得全”，而在强迫拆解者从”描述”升级到”判断”——每层必须给一个”所以呢”。没有”所以呢”的拆解是无效劳动。而第五件事——沉淀——决定了拆解是一次性感想还是长期资产：真正重要的不是”拆了 10 个产品”，而是从 10 个 case 中升出 2–3 个自己的判断节点。
4.1 四层反推框架（30 分钟版）
第一层：产品定位（5min） → 这是什么、给谁、为什么是现在
第二层：技术架构反推（10min）→ 从交互/性能反推它怎么做的
第三层：竞争力评估（10min） → 套壳五维度打分 + 飞轮转没转
第四层：改进假设（5min） → 如果我是它 PM，先改什么 / 它会被谁颠覆拆完之后必须进入 §4.4 的 casebook 沉淀——四层是”拆”，沉淀是”用”，缺一不可。
4.1.1 第一层：产品定位（5 分钟）
三问，每个都要能用一句话答：
- 解决什么问题？ 不是”它是个 AI 写作工具”，而是”它解决的是’用户有想法但写不出第一稿’的冷启动问题”。
- 目标用户是谁？ 越具体越好。“开发者”太泛；“写 TypeScript 的独立开发者”是有效定位。
- 在 AI 产业链的哪个位置？ 见 0434 的价值生态位地图——它是算力层、模型层、中间件层、还是应用层？应用层还要分：工具型 / 工作流型 / 平台型。
“为什么是现在”的额外判断：AI 产品的时机敏感度极高。同样一个产品在不同年份做，胜负可能完全不同（底层模型能力变了）。问一句”为什么这个产品在这个时间点成立”——能滤掉一堆”想法早就有了但做早了”的失败案例。
4.1.2 第二层：技术架构反推（10 分钟）
这是最有技术含量的一层，也是 Rick 技术底子（c01–c15）能直接变现的地方。
从交互行为反推技术方案：
| 可观察信号 | 反推判断 |
|---|---|
| 有引用来源 | 大概率 RAG |
| 响应极快（首字延迟很低） | 可能用了缓存、小模型、或语义缓存（见 m209 §2.6.4） |
| 输出格式高度一致（结构化） | 大概率有 SFT 或严格 Prompt + 结构化输出 |
| 支持复杂多步骤任务 | Agent 架构（见 c10） |
| 上下文很长但召回差 | 长上下文模型，但没做 RAG 分段（lost-in-the-middle，见 0417） |
| 有”思考中…”长延迟后出高质量答案 | 推理模型（System 2，见 0433） |
| 延迟稳定不受输入长度影响 | 可能是缓存命中率高，或做了输入归一化 |
[!note] 反推纪律 竞品拆解最忌讳一句”它肯定用了 Agent / RAG / 微调”就结束。真正该产出的是”我为什么这样猜，以及这个猜测如何影响产品判断”。单凭一个信号反推不准——必须多个信号交叉验证（响应快 + 无引用 + 格式一致 → 大概率小模型 + 严格 Prompt；响应快 + 有引用 → 大概率语义缓存命中）。
从定价模型反推成本结构：
| 定价模式 | 反推 |
|---|---|
| 按 token 计费 | 直接 API 转售，毛利薄到危险（见 0434 套壳死亡螺旋） |
| 固定订阅制 | 必须控制单用户算力消耗——意味着它在内部做了模型路由/缓存（见 m209） |
| 完全免费 | 靠融资续命，或有其他变现（数据/广告/导流）——问清它的钱从哪来 |
| 按结果计费（outcome） | 信号最强——它对自己的效果有信心，且能归因价值（见 0434 outcome 定价边界） |
4.1.3 第三层：竞争力评估（10 分钟）
用 0434 护城河专题 的套壳五维度打分（各 1–5，维度定义详见 0434，此处不复制）：
- 模型替换成本：底层模型换了，产品价值保留多少？（1=完全依赖某模型，5=模型无关）
- 数据壁垒：是否在积累独有数据资产？（1=无，5=飞轮已转）
- 工作流嵌入深度：用户迁移成本多高？（1=玩具，5=不可替换的日常流程）
- 网络效应：更多用户让产品对每个用户更好用吗？（1=无，5=强网络效应）
- 领域 know-how：团队是否有难复制的行业理解？（1=通用，5=深垂直）
总分 < 15：套壳，危险。15–20：有局部壁垒但不稳。> 20：真护城河。
额外必问：数据飞轮转起来了吗？判断标志——产品是否在用它收集到的数据做模型迭代（而非只是产品功能迭代）。只做功能迭代不算飞轮转动。
4.1.4 第四层：改进假设（5 分钟）
这是从”分析”到”玩家”的转换点。两个问题：
- 如果我是这个产品的 PM，最优先改什么？ 必须给具体方案 + 预期效果，不能是”优化体验”这种废话。
- 这个产品最可能被什么颠覆？ 底层模型升级？巨头入场？范式迁移（如对话框 → Agent）？
这层的真正用途：第四层的输出可以直接迁移到面试——“你怎么看 XX 产品？“的标准回答结构就藏在这四层里（见 §4.5）。
4.2 行业地图构建方法论
单个产品拆解是点；行业 mapping 是面。Rick 已在 0410 做公司卡，本节给 mapping 活动一个方法论骨架。
4.2.1 信息源与追踪节奏
| 信息源 | 价值 | 局限 |
|---|---|---|
| Product Hunt / Hacker News | 海外新产品第一手 | 噪声大，早期产品多半死 |
| 36Kr / 量子位 / AI 产品榜 | 国内动态、融资 | 公关稿水分 |
| 融资新闻 | 判断资本押注方向 | 滞后（披露晚于实际） |
| 招聘信息 | 反推团队在做什么——JD 里要的技能 = 产品下一步要建的能力 | 噪声，但信号独特 |
| 产品更新日志 / Changelog | 真实迭代节奏 | 不是所有产品都公开 |
节奏建议：不必每日。每周一次”扫一遍 + 挑一个深拆”比每日碎片浏览有效——深拆一次形成的判断，比看十条新闻耐久得多。
4.2.2 分类框架
一个细分领域至少要有两个维度的分类，否则 map 不出来：
- 按技术路线：RAG-first / Agent-first / Fine-tune-first / 纯 Prompt
- 按目标用户：消费者 / 开发者 / 企业 / 垂直行业
- 按商业模式：订阅 / 按量 / 按结果 / 嵌入（被集成）
三个维度两两组合能画出”这个领域谁在哪格、哪格空着”的矩阵——空格往往是机会。
4.2.3 动态追踪什么
不是追踪所有动态，而是追踪会改变竞争格局的事件：
- 底层模型重大升级（一次大版本跨代——如某前沿模型出新一代——会让一批套壳产品被重估）
- 巨头入场（如某大厂做了 X，独立做 X 的要重估）
- 范式迁移（对话框 → Agent → ?，见 0411 代际演化）
- 头部产品死亡或转型（失败案例比成功案例信息量大——见 0416 失败考古学，失败分类学在 0416，此处不展开）
4.3 casebook 样本池（10 槽位 baseline）
来自批 A 的生产线落地物：与其无限扩容，不如先凑一组 10 篇有代表性的 baseline casebook，形成一组最小代表样本——意义不在覆盖全部市场，而在每个槽位代表一类典型问题。候选产品仅作占位示例，落盘时按当时实际产品填，不要把示例产品名当成定论。
| 槽位 | 代表问题 | 候选产品（示例占位，待核实当期实际形态） |
|---|---|---|
| 01 搜索增强问答 | AI search 的可信度与速度平衡 | Perplexity |
| 02 通用聊天助手 | 基础助手体验如何分层 | ChatGPT / Claude |
| 03 编码 copilot | 局部补全到 agent 化的跃迁 | Claude Code / Cursor |
| 04 企业知识问答 | RAG 产品怎么处理引用与权限 | Glean / 企业 chatbot |
| 05 多步通用 Agent | 任务编排的可交付性 | Manus / Devin |
| 06 文档写作助手 | 从空白页到协同编辑 | Notion AI / Docs AI |
| 07 语音助手 | 延迟、打断、话轮如何处理 | 实时语音产品 |
| 08 图像或创作工具 | 变体选择与审阅机制 | Midjourney / image copilots |
| 09 垂直行业助手 | 行业 know-how 是否真形成壁垒 | 法律 / 医疗 / 客服 AI |
| 10 中国语境产品 | 本地化、渠道、监管、分发差异 | Kimi / 豆包 / 国内 agent |
4.4 casebook 三层沉淀规则
来自批 A 的核心补强：四层反推只解决”怎么拆”，本节解决”拆完怎么用、怎么不丢”。casebook 不是”收藏夹”，而是要把判断压缩成可回链的结构。
任何一次拆解，最后都不应只停在”这产品不错/一般”，而应按三层沉淀：
- entity 层：公司 / 产品卡，放进 0410（素材层）。
- case 层：单次竞品拆解记录卡（见附录模板），归本模块或 0410 的 case 子层。
- claim 层：跨案例综合判断，升格到 04AI 对应主区或相关专题。
也就是说，拆 10 个产品不如从中升出 2–3 个判断节点。最终建议的形态：1 篇中枢页（即本文，说明方法/结构/沉淀规则）+ 若干 baseline casebook + 若干从 casebook 升格出的综合判断页。
4.5 面试场景的竞品分析模板
这是本模块对 Rick 求职最直接的兑现（接 0404）。
4.5.1 “你怎么看 XX 产品？“的标准回答结构
四段，对应四层反推，但倒序输出（先给判断，再给证据）：
- 一句话定位判断（最扎眼的那句）——“XX 是一个 [定位]，它的 [最大优势/最大软肋] 是 [判断]。”
- 做得好的地方（具体功能 + 为什么好）——不要泛夸，要指出”这个设计背后解决了什么 PM 决策”。
- 结构性问题或机会（不是吐槽细节，是指出战略层面的张力）——套壳五维度里哪一维弱？飞轮转不转？
- 如果我来做，会怎么改（具体方案 + 预期效果）——这是区分”评论员”和”PM”的分水岭。
4.5.2 “你为什么想来我们公司？“的深度准备
不是”贵公司技术领先”这种废话。可落地的方法：
- 用四层反推拆目标公司的旗舰产品。
- 在第三/第四层找到一个你认为有改进空间的具体点（不是”可以更好”，是”这个点现在的设计会导致 X 后果”）。
- 准备一个改进假设——这本身就是一份微型产品提案。
风险提示：改进假设要对，但不能太”对”——太对会让面试官觉得你把他没看到的东西指出来了（威胁感）。最好是”我看到 X 张力，我自己有个初步假设，想听听你怎么看”——把判断包装成请教。
4.5.3 用库内素材做拆解练习
0410 的公司卡是现成的拆解对象。建议：挑 3 个不同生态位的（如应用层 / 模型层 / 中间件-应用混合），用四层反推各拆一遍，形成 3 份”面试弹药”。这正是 AI PM 岗位 JD 分析与面试问题反推的素材库。
反例与张力
- 反对意见：“30 分钟怎么可能拆透？” 反驳：30 分钟版不是为了”拆透”，是为了形成有价值的初步判断——这个判断要可被证伪、可被后续深拆修正。没有初步判断的深拆是漫无目的的。
- 张力：从交互反推架构有误判风险——比如”响应快”可能是缓存也可能是小模型，单凭一个信号反推不准（已在 §4.1.2 强调交叉验证）。
- 批 A 提出的三条张力（互补保留）：只做 30 分钟拆解易过度自信，把体验猜测当成架构事实；直接写长文不经卡片，长期复用效率低；没有固定样本池，casebook 会沦为热点追逐而非能力积累。
衍生问题
- 把四层反推 + 三层沉淀做成一份可复用的 checklist 模板（附录已起草，可独立成文件）。
- 国内 AI 产品的”招聘信息反推能力地图”——这是个独特的信号源，值得单独建方法节点。
- 失败案例的拆解（如 2024 公认失败的硬件 AI 产品 Humane Pin / Rabbit R1）和成功案例的拆解，方法是否相同？（接 0416，具体倒闭/销量数字待核实，不在此断言）
- baseline 10 篇样本里，哪些产品最值得优先补。
附录：可复用模板（占位符保持空白，不要填死具体阈值）
模板 A：30 分钟快速拆解（含时间盒）
| 时间 | 问题 | 产出 |
|---|---|---|
| 0–5 分钟 | 这是什么产品，服务谁，解决什么任务 | 一句话定位 |
| 5–10 分钟 | 它的核心交互与默认入口是什么 | 交互路径记录 |
| 10–15 分钟 | 从行为反推技术架构 | 架构假设 |
| 15–20 分钟 | 它最强的一点和最弱的一点是什么 | 优势 / 张力 |
| 20–25 分钟 | 它的护城河或脆弱点在哪 | 结构性判断（套壳五维度） |
| 25–30 分钟 | 如果我是 PM，先改什么 | 改进假设 |
# <产品名>·30 分钟拆解卡
- **产品名**：
- **一句话定位**：
- **目标用户**：
- **核心任务**：
- **默认入口**：
- **关键体验亮点**：
- **推测技术栈**（附"为什么这样猜 + 交叉验证信号"）：
- **套壳五维度打分**（模型替换成本 / 数据壁垒 / 工作流嵌入 / 网络效应 / 领域 know-how）：
- **潜在护城河**：
- **最危险短板**：
- **如果我是 PM，我先改**：模板 B：casebook 记录卡（case 层沉淀）
# <产品名>·casebook 记录卡
- **case_id**：
- **产品 / 公司**：
- **场景类型**：search / chat / coding / enterprise-RAG / agent / writing / voice / image / vertical / cn-context
- **一句话判断**：
- **值得学的机制**：
- **最核心的误判或风险**：
- **能力上限 / 失败模式**：
- **对我自己产品判断的启发**：
- **应反链到哪些既有节点**：模板 C：跨案例综合卡（claim 层升格）
# <主题>·跨案例综合判断
## 核心主张
## 对比样本
## 共同模式
## 分歧来源
## 对 PM 决策的含义关联节点
素材层：
- 0410 AI 公司与产品 — 公司/产品卡（拆解对象库 + entity 层沉淀目的地）
方法论交叉：
- 0434 总览 — 套壳五维度、护城河、单位经济（第三层主力工具）
- 0416 总览 — 失败考古学（失败案例分类学的家）
- 0411 总览 — Agent 代际演化（范式迁移判断）
技术反推的底座：
- c09 - RAG 架构 — 识别 RAG 信号
- c10 - Agent 技术栈与工具调用 — 识别 Agent 信号
- c11 - System 2 思维与 Test-Time Compute — 识别推理模型信号
- m209 - 推理成本控制手册 — 从定价反推成本
求职兑现：
- 0404 AI PM 求职与职业发展 — 本模块的求职落地
来源 / 证据池
0410 AI 公司与产品/— 公司卡素材（OpenAI/Manus/Perplexity 等）04T 专题库 F5 0434 AI 产品护城河与商业模式— 套壳五维度、护城河、单位经济04T 专题库 F1 0416 失败考古学— 失败案例分类学0401AI 基础知识库 0框架.mdv2 §模块 4 — 本文的命题框架来源- 合并自两批草稿：批 B
M4 - 竞品拆解方法论.md（四层反推骨架 + 反推表，正文底批）与批 A02 AI 产品竞品拆解·标准化产出链草稿.md（10 槽位样本池 + 三层沉淀 + 模板壳，并入 §4.3/§4.4/附录）。
注：正文回链的 m/p/c 节点与专题别名，迁移入主库前需逐一核验 basename 与库内实际文件名完全一致；任何核验不上的链接按铁律降级为普通文本，不建 stub。frontmatter 的 final_path 已按定稿路径 04AI/04M4 竞品拆解/ 写定（与 v2 框架模块号 M4 对齐，和 0410 形成方法层/素材层对照）。