内容整理自网络（来自小红书用户：柚木木Yoo）。

核心方法论：“知行合一” 闭环#

将调研过程拆解为三个步骤：

a. 输入（Input）：建立高质量的信息源与商业 / 技术认知。

b. 内化（Process）：通过动手实战（Code/Workflow）了解技术深度和实现流程。

c. 输出（Output）：将认知转化为产品洞察与决策。

第一步：Input (输入) — 建立高维认知与技术基准#

从战略层面去理解商业逻辑等

商业与战略层（看 “钱” 和 “壁垒”）#

目标：理解为什么这个技术能赚钱？谁在买单？

阅读内容

• VC 视角：关注 a16z, Sequoia, Benchmark 的博客。他们往往在技术爆发前夜发布 “赛道地图（Market Map）”。

  • 思考：为什么这个赛道现在火了？VC 赌的是什么趋势？

• 创始人视角：关注 Y Combinator, Lex Fridman Podcast, Latent Space。

  • 重点听什么：创始人抱怨最难解决的问题是什么？（那就是现在的技术瓶颈）。

• 企业背景：例如 AI 行业头部公司 Google，英伟达等，关注他们的产品矩阵，商业布局

• 大佬的履历：关注他们的领英，看他们的成长路线，可以观察到他们对每次方向变化的决策路径

复用动作：每周挑选一篇深度文章，画出该赛道的价值链地图（谁提供模型 -> 谁做中间件 -> 谁做应用 -> 谁是终端用户）（Model -> Middleware -> App -> User）。

技术与前沿层（看 “可能性” 和 “边界”）#

目标：知道有什么产品，模型能做什么，不能做什么，以及下个月可能发生什么。

阅读内容

• Hugging Face Daily Papers：每天浏览高赞论文的 Abstract（摘要）。不需要读懂公式，只需要读懂 Task (解决了什么问题) 和 Result (比以前好了多少)。

• Twitter (X) 技术圈：关注 AI 科学家（如 Karpathy, LeCun, Yi Tay）。技术突破往往最先在这里通过 “吐槽” 或 “炫耀” 发出来。

• Product hunt：看看日榜月榜，有哪些脱颖而出的产品

• Techmeme：关注新闻资讯，每天发布什么新产品

• 技术博客：看他们使用的技术，如何构建评测集，什么维度（准确率、安全性、长文本）来衡量好坏。

复用动作：建立一个 “技术名词库”。看到不懂的词（如 KV Cache, MoE, Diffusion Transformer）就去查，或者让 AI 用大白话解释给自己听。

开源与工程层（看 “实现路径”）#

目标：看看别人是怎么把 “论文” 变成 “代码” 的。

阅读内容

• GitHub Trending (Python 榜)：每周看一次。

• LangChain / LlamaIndex 官方文档：他们的文档更新代表了业界对于 Agent 编排的最新共识。

复用动作：遇到一个新赛道（比如 AI 视频），先去 GitHub 搜 Star 最多的开源项目，看它的 README.md 和 Architecture Diagram（架构图）

第二步：Process (内化) — 动手实战了解竞品效果和技术实现流程#

这是 AI PM 区别于传统 PM 的核心。不要只看文档，要实际去测试 AI 产品，作为 AI PM 可以不用十分钻研技术的深度，但是需要了解目前的技术能力。

全维度竞品分析#

• 战略层

  • 目标用户画像：它是给谁用的？（B 端企业？C 端大众？极客开发者？特定行业如医疗 / 法律？）调研点：看它的官网 Slogan、使用案例（Use Cases）、社区里的活跃用户是谁。

  • 核心价值主张：它用一句话怎么定义自己？（例如: Claude 是 “安全且善解人意”，Midjourney 是 “极具艺术感”）。它解决了什么 “根本性痛点”？ 差异化壁垒：它靠什么赢？（数据独占？算法领先？极低的价格？强大的生态插件？）

• 体验层

  • 交互范式：是传统的线性对话（Chat）？还是双栏画布（Canvas/Artifacts）？还是 Copilot 伴随式？

  • 易用性与引导：冷启动体验：注册流程是否繁琐？是否有新手引导？

  • 有什么功能？侧重点？有什么亮点功能？

  • UI / 审美：为什么觉得它高级？排版美学，微交互（加载动画、流式输出的流畅度、震动反馈）。信息架构（复杂功能的折叠与展开）。

• 商业层

  • 商业模式：Freemium（免费 + 内购）？订阅制（SaaS）？按量付费（Pay-as-you-go）？

  • 定价策略：会员权益分层：免费版给什么模型？Pro 版多给多少次？Team 版有什么管理功能？调研点：比如 ChatGPT Plus 卖 $20，竞品$10 还是 $30？有没有年付优惠？

  • 增长机制：是否有邀请裂变机制？（邀请送时长 / 额度）是否有分享传播机制？（生成的内容链接是否自带品牌水印？）

• 能力层：

  • a. 模态维度（Form）：它能 “看 / 听” 懂什么？ 这是最直观的功能差异，决定了 AI 能覆盖多少工作场景。

    多模态输入 (Multimodality):

    • 视觉：是否支持上传图片？支持多少张？能否识别手写体、复杂图表、截图代码？

    • 文档：支持的文件格式（PDF, Word, Excel, CSV, Markdown 等？是否有文件大小限制？

    • 音频 / 视频：能否直接 “听” 懂语音？能否上传视频文件进行分析（Video Understanding）？

    • URL / 链接：能否直接读取网页链接内容？是仅读取 HTML 文本还是能深度解析动态页面？

  • b. 容量维度 (Volume): 它能 “记” 住多少？

    考察 AI 处理长内容和连续对话的能力。

    • 上下文窗口 (Context Window): 支持的最大 Token 数量（如 8k,32k,128k,1M+）。

    • 大海捞针能力 (Needle in a Haystack): 在超长文本输入后，针对特定细节提问，准确率如何？

    • 多轮对话记忆 (Memory): 在第 10 轮、20 轮对话后，是否还能记得第 1 轮输入的约束条件（如：“请全程用 JSON 格式回复”）？

    • 并发处理：能否一次性处理多个文件（如：“对比这三份 PDF 的差异”）？

  • c. 理解维度 (Understanding): 它有多懂 “人话”？

    这是测试 AI 对 Prompt 的鲁棒性（Robustness）。

    • 模糊指令识别：输入：“帮我写个那个…” -> AI 是否会主动反问澄清，还是胡乱生成？

    • 结构化指令遵循：输入复杂逻辑：“先总结 A，如果 A 包含 B，则输出 C，否则输出 D，且必须用 Markdown 表格展示。” -> 考察逻辑遵循的严格程度。

    • 潜台词与语境：输入带有情绪或暗喻的 Query，考察 AI 的情商和意图识别。

    • 安全与拒答机制 (Safety): 输入敏感 Query（如涉及隐私、偏见、攻击性指令），竞品的防御机制是生硬拒绝还是引导性拒绝？

针对问题，使用 AI 辅助进行 “逆向工程”(推测系统指令)#

目标：像黑客一样拆解竞品，利用 AI 辅助 “透视”，推测竞品的 Prompt 策略和模型参数。

💡直接问 AI：我在进行 xx 产品的竞品调研，一步步辅助我进行对该产品的逆向工程。 或者想要了解不同的针对场景可以分别去问

① 反推 System Prompt 你想知道竞品是怎么 “调教” 模型的，可以让你的 AI 帮你分析竞品的输出特征。

• 举例：你发现竞品生成的文章结构特别好，非常有逻辑。

• 如何提问 (Prompt): “我给竞品输入了指令’分析 AI 手机市场’，它输出了下面这段内容: [粘贴生成的长文本]。请作为一名 Prompt Engineer，帮我反推一下，竞品的 System Prompt（系统提示词）大概是怎么写的？它可能使用了哪些提示词技巧（例如：角色扮演、思维链 CoT、Few-Shot）才达到了这种结构清晰、语气专业的效果？”

② 诊断 “幻觉” 来源

• 举例：竞品答错了，你想知道是模型蠢，还是数据错。

• 如何提问 (Prompt): “竞品把’马斯克收购推特’的时间搞错了。请分析可能的原因: 1 - 是因为模型知识截止（Cutoff date）太老？2 - 还是因为 RAG 检索到了错误的旧新闻？3 - 如果是 RAG 错误，通常是因为切片（Chunking）太碎导致上下文丢失吗？请通俗解释。”

③ 推测底层模型 竞品反应很快但有点笨？或者反应慢但逻辑极强？用 AI 帮你诊断。

• 举例：竞品支持上传 PDF 并且回答速度极快，但有时候会瞎编。

• 如何提问 (Prompt): “我正在测试一个文档对话产品。现象是: 1 - 上传 100 页 PDF，秒级处理完毕（几乎无延迟）。2 - 提问细节时，它经常找不到，或者把不同段落混淆。请基于这些现象推测：它更有可能使用的是全文塞入长窗口模型（Long Context），还是 RAG（检索增强生成）？为什么？这种技术方案的固有缺陷是什么？“

自己动手 “低代码” 快速验证逻辑#

“读”(Read): 读懂开源项目的逻辑，把它当作一份 “即用的 PRD（产品需求文档）”。

“跑”(Run)：部署或复刻开源项目，把它当作一个 “MVP（最小可行性产品）” 来验证可行性

a. 🪤举例：例如调研 “AI 法律顾问”。在 Dify 上建一个知识库，上传几部法律法规，配置一个 RAG 节点。

收获：你会立刻发现 RAG 的痛点（检索不准、切片太碎、回答缺乏逻辑），这比看十篇竞品分析报告都有用。

b. 🪤举例：找到该赛道的头部开源项目（例如调研 AI 搜索就找 gpt-researcher）— 把代码 Clone 下来 — 用 Cursor 打开，提问：“请解释这个项目的核心逻辑是什么？它是如何处理上下文记忆的？”— 让 Cursor 辅助你配置环境，跑通 Demo。

复用价值：即使你看不懂每一行代码，但跑通报错的过程会让你理解工程落地的真实难度（依赖冲突、API 延迟、显存溢出等）。

第三步：输出结构化的产品解构 (Output)#

将整个的调研结果以及自己的理解思考，除了完整的竞品调研报告外，还可以完成整个竞品调研画布的绘制和个人能力的画布绘制，调研的重点不是报告，而是洞察和成长

AI 竞品调研画布#

PM 能力成长画布#

调研前 (Plan)：填写左侧。明确你想通过这次调研学懂什么技术点，或者验证什么猜想。

调研后 (Review)：填写右侧。诚实面对自己的差距，记录 “体感”。

项目名称:

时间周期:

其他可以在学习过程中沉淀到自己知识库的交付物：

• 专业术语库 (Wiki)：方便后续遇到类似的专业术语时进行查询

• 提示词 Prompt 模式库：记录平时自己调试 Prompt 的经验

• Bad Case：收集竞品翻车的截图，提前避坑

• 交互灵感画廊：收集优秀的 AI UI 设计（如 Copilot 的浮窗）。

• 技术架构图 - 可以用思维导图的形式，记录对技术的了解

• 商业市场洞察笔记 - 产品经理除了对产品要了解之外，对商业和市场也要有敏锐的洞察