企业官网建设流程全解析

第 17 课 | 智能分析：让 LLM 生成竞品洞察

数据有了，清洗过了，但那一堆新闻和产品信息仍然是"数据"而不是"洞察"。这节课，我们让 LLM 从数据中提炼出业务价值——自动识别产品差异、判断市场趋势、发现潜在威胁。

一、业务价值：从数据到洞察

1.1 数据的"最后一公里"

前 16 课我们搭建了完整的数据管道：

爬取 → 清洗 → 增强 → 存储

但数据本身不产生价值，洞察才产生价值。来看一个典型场景：

原始数据（第 15 课输出）：

[手机] 苹果发布iOS 19，AI功能大幅升级 [芯片] 华为Mate 80搭载麒麟9100芯片，3nm工艺 [AI] OpenAI发布GPT-5，推理能力提升10倍 [汽车] 小米SU7 Ultra发布，0-100加速1.98秒

人工分析（传统做法，需要 2-3 小时）：

“本周值得关注：苹果和华为同时在高端市场发力，苹果聚焦AI生态整合，华为聚焦芯片突破。OpenAI的GPT-5可能对国内大模型厂商形成压力。小米汽车定价策略激进，可能冲击特斯拉Model S市场…”

LLM 自动分析（5 秒）：

同样的输出，甚至更结构化、更全面。

这就是"最后一公里"的价值——把数据变成决策依据。

1.2 效率对比

二、System Prompt 设计：洞察质量的灵魂

2.1 为什么 System Prompt 决定一切

普通 Prompt 和 System Prompt 的差距，就像"随便问问"和"专业咨询"的差距：

# ❌ 普通 Prompt（输出质量不稳定）"分析以下新闻，找出重要信息。"# ✅ System Prompt（结构化、专业化输出）"""你是一位资深的市场竞争分析师，拥有 15 年科技行业经验。 你的分析框架： 1. 产品动态：识别新产品发布、功能更新、定价策略 2. 技术趋势：判断技术方向、研发投入、专利布局 3. 市场竞争：分析竞争格局、市场份额变化、渠道策略 4. 风险预警：发现潜在威胁、政策风险、供应链变化 输出要求： - 每个维度 2-3 条洞察 - 每条洞察包含：事实依据 + 影响分析 + 建议行动 - 用中文，专业但不晦涩"""

2.2 System Prompt 设计五原则

原则 1：角色设定

# ❌ 模糊"你是一个助手"# ✅ 具体"你是一位在科技行业有 15 年经验的市场竞争分析师，曾为多家 Fortune 500 企业提供战略咨询"

角色越具体，LLM 的输出越专业。15 年经验、Fortune 500 这些细节不是在"骗"模型，而是在锚定它的输出风格。

原则 2：分析框架

给出思考维度，引导 LLM 系统化思考，而不是"想到哪说到哪"：

分析框架：1.产品动态——新产品、功能更新、定价变化2.技术趋势——技术方向、研发投入、专利布局3.竞争格局——市场份额变化、渠道策略、生态建设4.风险预警——潜在威胁、政策变化、供应链风险

原则 3：输出格式

用 Pydantic 定义输出结构（第 16 课的技巧）：

classInsight(BaseModel):dimension:str# 所属维度：产品动态/技术趋势/竞争格局/风险预警fact:str# 事实依据（引用的具体新闻）analysis:str# 影响分析（这对行业意味着什么）action:str# 建议行动（我们该做什么）importance:str# 重要程度：高/中/低

原则 4：质量要求

每条洞察必须包含三个要素：

事实依据（What）→ 影响分析（So What）→ 建议行动（Now What）

原则 5：约束条件

约束条件：-总共输出5-8条洞察，不要贪多-每条分析不超过80字-只分析最近7天的新闻-排除纯广告、软文、重复内容

三、实战：竞品洞察生成器

3.1 系统架构

3.2 核心代码

fromlangchain_core.promptsimportChatPromptTemplatefromlangchain_core.output_parsersimportJsonOutputParserfrompydanticimportBaseModel,FieldclassCompetitorInsight(BaseModel):dimension:str=Field(description="产品动态/技术趋势/竞争格局/风险预警")title:str=Field(description="洞察标题，不超过20字")fact:str=Field(description="事实依据，引用具体新闻")analysis:str=Field(description="影响分析，不超过80字")action:str=Field(description="建议行动，不超过50字")importance:str=Field(description="高/中/低")classInsightReport(BaseModel):summary:str=Field(description="总体概述，100字以内")insights:list[CompetitorInsight]=Field(description="洞察列表，5-8条")SYSTEM_PROMPT="""你是一位资深的市场竞争分析师，拥有 15 年科技行业经验。 请基于提供的新闻数据，生成结构化的竞品洞察报告。 分析框架： 1. 产品动态——新产品发布、功能更新、定价策略调整 2. 技术趋势——技术方向变化、研发投入、专利突破 3. 竞争格局——市场份额变化、渠道策略、生态建设 4. 风险预警——潜在威胁、政策变化、供应链风险 质量要求： - 每条洞察包含：事实依据 + 影响分析 + 建议行动 - 事实必须引用具体新闻，不可编造 - 分析要具体，避免泛泛而谈 - 建议要可操作，能落地执行"""parser=JsonOutputParser(pydantic_object=InsightReport)chain=ChatPromptTemplate.from_messages([("system",SYSTEM_PROMPT),("human","新闻数据：\n{news_data}\n\n{format_instructions}"),])|llm|parser

3.3 运行

cdcode/lesson-17-competitor-insight uv run insight_generator.py

输出示例：

📊 竞品洞察周报（2026-08-09 ~ 2026-08-15） 📋 总体概述： 本周科技行业焦点集中在 AI 能力升级和高端手机市场竞争。苹果和华为 同时发力，OpenAI 和腾讯在基础模型领域展开军备竞赛。 🔴 高重要度 (3 条) 1. [产品动态] 苹果 iOS 19 全面 AI 化 事实：苹果发布 iOS 19 开发者预览版，深度整合 AI 功能 分析：苹果正在从硬件公司转型为 AI 平台公司，这可能改变 手机行业的竞争维度 建议：关注 iOS 19 的 AI API 开放程度，评估对第三方应用的影响 🟡 中重要度 (4 条) 4. [技术趋势] 3nm 芯片成为新战场 事实：华为麒麟 9100 采用 3nm 工艺，性能提升 40% 分析：3nm 工艺竞赛进入白热化，芯片自研能力成为核心竞争力 建议：关注供应链动态，评估芯片供应风险

四、System Prompt 调试技巧

4.1 输出不稳定的处理

LLM 的输出有时不稳定，对策：

4.2 降温策略

# 分析类任务用低温度，保证输出稳定和一致llm=ChatOpenAI(model="qwen2:7b",temperature=0.3,# 低温度 = 更确定性、更一致)# 创意类任务用高温度# temperature=0.8 # 高温度 = 更多样性

五、总结

这节课完成了从"数据"到"洞察"的最后一公里：

至此，场景一「竞品监控」的核心分析能力已就位。下一课，我们将让洞察自动生成 Word 周报——配上图表、排版、格式，直接发给老板。

本课代码：code/lesson-17-competitor-insight/insight_generator.py