ai-product-analyzer

name	ai-product-analyzer
description	从 BP / Pitch Deck 商业判断逻辑出发，对 AI 产品进行完整评估。 触发方式：- "分析一下 [产品名]" - "评估 [产品]" - "[产品名] 怎么样" - "帮我看看这个 AI 产品" - "这个产品值得关注吗" 输出：11 段 BP 逻辑链评估 → 综合判定（好案例/反面教材/待观察）+ 最强论点 + 最弱缺口 + 建议叙事线。 分析前必须判断是否需要读取 references/；命中商业模式、Data Agent、叙事审计等场景时先读取对应 reference，再输出判断。

AI 产品分析器

以 BP / Pitch Deck 商业判断逻辑为输出骨架，评估 AI 产品是否具备可投资、可增长、可叙事的商业成立性。输出 11 段 BP 逻辑链 + 综合判定。

Reference 路由（必须先执行）

不要只依赖本 SKILL.md 的简写框架。开始分析前，先做一次 Reference 路由判断；命中任一条件时，必须先读取对应文件，再进入 BP 11 段分析。

必须读取：

• references/business-model.md：涉及定价、毛利、推理成本、订阅/用量模型、商业模式、收入质量、单位经济、稀缺性反演、跨层 bundling、市场结构时。
• references/data-agent.md：产品涉及 Data Agent、BI、Text-to-SQL、分析代理、数据库工作流、企业数据上下文、上下文层、推理闭环、数据源治理时。
• references/narrative-audit.md：任务涉及产品叙事、定位、BP、Pitch Deck、客户故事、NOT positioning、拟物化、新范式包装成旧范式、叙事线建议时。

可不读取：

• 用户只要一句话快速判断，且不涉及上面任一专项。
• 信息极少，无法支持专项诊断；此时要明确标注“轻量模式，未读取 references”。

输出要求：

• 开头增加 Reference 使用记录，列出读取了哪些 reference，以及读取原因；未读取也要说明原因。
• 读取 reference 后，把检查项转成具体判断，不要复述 reference 原文。
• 用户要求深度分析、case memo、研报、投资判断、客户材料或 BP 逻辑时，至少读取一个相关 reference；不能只输出短评。

分析流程

1. 收集产品信息（官网、产品描述、公开数据）
2. 执行 Reference 路由：判断并读取必要的 references/ 文件
3. 按 BP 11 段逐段分析——每段给出明确判断 + AI 特有检验；深度任务不得只给 2-5 句短评
4. 无法从可用信息确认的内容标注"信息不足"，不猜测填充
5. 综合判定：好案例 / 反面教材 / 待观察 + 最强论点 + 最弱缺口 + 建议叙事线

---

BP 逻辑链输出骨架

1. Purpose — 一句话定位

• 使命、类别、目标客户（具体到人群/规模/场景）是否清晰？
• 定位能否用一句话讲清？宣称的定位与实际做的事是否一致？
• 定位是否在暗示 "AI 时代的 X"？→ 检查拟物化陷阱（把新技术包装成旧范式的更快版本）

2. Problem — 问题定义

• 问题是否真实、具体、高频或高价值？现有替代方案为什么不够好？
• 「AI 特有」问题属于哪类场景：效率型（人能做但慢）、能力解锁型（人以前做不到）、连接型（AI 不适合）？
• 连接型场景 → 价值在过程本身，AI 替代后驱动力是否还在？

3. Solution — 解决方案

• 是否直接回应 Problem？是否存在核心洞察（不是功能堆叠）？
• 「AI 特有」拿掉 AI 后方案还存在吗？存在 → Enable，不存在 → Native
• 方案形态是否从人类协作场景反向投影？→ 检查拟物化陷阱
• 是在做 Agent OS 还是在做 Agent 上的应用？垂类做 Agent OS = 用领域知识比推理能力，战场错了

4. Product — 产品形态

• 产品形态是否让方案价值可见？是否有过度承诺？
• 「AI 特有」开源项目：许可证是否真开放？Stars vs Contributors 比例正常？外部贡献者 >5%？
• GUI 优先：GUI 是护城河还是"界面税"？Agent 作 为用户时护城河是否归零？
• 人+Agent 协作：用四轴定位（人机关系/记忆范围/约束方式/运行位置）找差异化
• Agent-native 壁垒三要素：领域状态 + 基础设施成本 + 规模经济。只有接口 → 天花板是卖 copy

5. Why Now — 时机窗口

• 技术/行为/成本/监管变化？窗口持续多久？
• 「AI 特有」技术成熟度是否支撑产品？还是依赖"未来模型会更好"？
• 能力解锁型场景 → 窗口期通常更长

6. Market — 市场

• beachhead、早期用户画像、扩张路径。付费场景是否明确？
• 「AI 特有」目标市场 AI 信任度/采用速度？区域劳动力结构？
• 水平产品 → 是否会被大厂分发优势拿下？垂直化是否更好出路？

7. Business Model — 商业模式

• 谁付费、为什么、怎么定价、获客路径和单位经济？
• 「AI 特有」按人头（DAU）还是按算力（TPD）收费？在收界面税还是算力税？
• 收入-成本结构是否匹配？订阅（固收）+ 推理（变成本）= 激励时间炸弹
• 命中商业模式、定价、收入质量、毛利或成本结构问题时，必须先读取 references/business-model.md

8. Competition — 竞争

• 不能没有竞争。直接/间接/status quo 对比。差异化是否真实？
• 「AI 特有」现有平台加一个 feature 就能覆盖你吗？（平台吃功能）
• 有没有公开的 NOT Positioning？没有 → PMF 可能还没找到
• 产品形态是否拟物化投影？命中叙事、定位、NOT Positioning 或拟物化问题时，必须先读取 references/narrative-audit.md

9. Traction — Traction

• 用户增长、留存、付费、客户反馈、使用频次。数字可独立核实？
• 「AI 特有」具体小数字（点赞数、评论数、可截图行为）> 不可证伪大数字
• 产品早期无 traction：创始人洞察是否来自真实场景？

10. Team / GTM

• founder-market fit？知道如何拿前 100/1000 客户吗？
• 「AI 特有」同团队从旧范式跃迁到新范式 → 真转向还是贴 AI 包装？
• 短期完整范式重置 + 公开承认前作失败 → 极强 signal

11. Financials / Ask

• 资金用途对应明确里程碑？不是泛泛"研发和市场"。
• 「AI 特有」订阅价补贴推理成本 = 跨层 bundling 套利，不可持续
• 模型层（capability）→ 基础设施层（commodity）→ 软件层（features），健康产品只占一层

---

综合判定

四个输出：

1. 判定: 好案例 / 反面教材 / 待观察（选一，附一句话理由）

• 好案例：方向正确，有可学习的设计原则或商业逻辑。早期也可
• 反面教材：存在根本性产品设计错误或商业逻辑缺陷，有通用警示价值
• 待观察：信息不足，或方向无明显问题但需验证

2. 最强 BP 论点: 一段话——如果对投资人 pitch，最有力的一个论点

3. 最弱 BP 缺口: 最容易被挑战的点及原因

4. 建议叙事线: 一条具体策略建议——应该强化哪条叙事线

---

分析原则

• 不猜测填充，信息不足就标注
• 检验项承载全部经验，不列具体案例公司名
• 框架在背后，BP 在前台——用户看到商业判断，判断背后经过框架维度检验

---

References

这些 reference 是专项判断依据，不是附件。Reference 路由命中时必须读取：

• 商业模式深度诊断（稀缺性反演、三层市场、时间炸弹、五形态）→ references/business-model.md
• Data Agent 专项评估（六层上下文、25 分制、推理闭环）→ references/data-agent.md
• 叙事审计（反模式检测、拟物化三问）→ references/narrative-audit.md

完成标准

• 完整交付 Purpose 到 Financials / Ask 的十一段 BP 逻辑链、综合判定、最强论点、最弱缺口和建议叙事线。
• 所有核心判断连接材料、来源或明确假设；适用 reference 已读取，反证与未知项没有被隐藏。
• 输出可独立供产品、内容或投资判断使用，Mode 内调用不得降级为短评。