Software 2.0

用Claude Code做市场研究

admin -

周二早上。五个竞争对手的定价页面在浏览器标签页中打开。这是我这个季度第三次将功能复制粘贴到电子表格中，并且已经知道当我展示时数据就会过时。

听起来很熟悉？

我花了数月时间将 Claude 作为一个花哨的研究聊天机器人使用——提出问题，获得答案，手动汇编结果。它有效，但并没有改变局面。然后我发现，真正的杠杆不是来自更好的提示，而是理解何时使用哪个 Claude 界面。

结果： 竞争分析从 3 小时缩短到 25 分钟。市场趋势综合从 6 小时缩短到 1 小时。研究保持最新，因为我可以在需要时重新运行工作流以获取新数据。

以下是我为自己建立的系统，也是我们在公司生产中使用的系统。

1、多界面现实

大多数 Claude 教程假设你使用的是浏览器聊天。这就像只看菜单来评论餐厅一样——你错过了让它有用的大部分内容。

Claude 提供三种不同的界面，每种都针对不同的研究场景进行了优化：

何时使用哪个：

  • 带有研究模式的 Web UI 最适合初始领域扫描。打开研究*（左下角的按钮变蓝）*，Claude 会花费 5–45 分钟自主调查数百个来源。当我还不清楚竞争对手是谁时使用它。
  • Projects 在你已经确定具体竞争对手并想分析上传的文档（定价页面、功能列表、营销文案）时表现出色。200K token 上下文窗口使用 RAG 检索，意味着 Claude 搜索你上传的文件并根据你的查询提取相关部分，而不是一次性加载所有内容。
  • Claude Code 解锁并行执行。当我需要同时研究 5+ 个竞争对手时，我会生成子代理，每个子代理都有自己的上下文窗口。编排代理保持干净用于综合。这就是真正的节省时间的地方。

关键洞察： 上下文窗口不仅仅是关于大小——它是关于持久性和并行性。

2、混合工具栈

这里有一个不舒服的事实： 仅靠 Claude 不足以进行全面的市场研究。

我尝试过单一工具方法。它不起作用。Claude 的知识截止日期*（2025 年 5 月）*意味着定价数据通常是几个月前的。上周的功能公告在其训练中不存在。搜索量数据需要专业工具。

我实际的工具栈：

工作流实践：

  • 步骤 1 — Perplexity（15–30 分钟）： 收集当前市场数据。最近的融资轮次、产品公告、定价变化。导出引用——你需要它们用于验证。
  • 步骤 2 — Claude Projects（20–40 分钟）： 将 Perplexity 导出与竞争对手文档一起上传。请求战略综合：定位分析、功能差距、SWOT 矩阵。
  • 步骤 3 — Google Trends（5–10 分钟）： 验证竞争对手品牌名称的搜索量。识别上升或下降的兴趣。检查地理集中度。

为什么不只使用 Claude？ 上个月我询问一个竞争对手的企业定价。Claude 自信地引用了 2024 年已停止的一个层级。Perplexity 通过显示当前定价页面的实时搜索发现了差异。

混合方法为每个研究周期增加了 20 分钟。它也防止了基于过时数据的尴尬演示。

3、深度研究 vs. 普通 Claude

这个区别让大多数用户困惑——这是表面级答案和综合情报之间的区别。

常规网络搜索 运行单次搜索并返回快速答案。响应时间：秒级。最适合验证特定声明。

研究模式 智能地运行。Claude 确定调查内容，运行数十次搜索，跨来源追踪线索，并将发现综合成结构化报告。持续时间：5–45 分钟，具体取决于复杂性。

何时使用哪个：

" [类别] 中的前 5 大竞争对手是什么？" — 使用研究。你不知道你不知道什么。

"比较我确定的这 5 个竞争对手" — 使用带有 Projects 的常规 Claude。你有输入；你需要综合。

一个有效的提示模式：

使用研究工具分析 [你的类别] 的竞争格局。

包括：
- 市场规模和增长预测（引用来源）
- 按估计市场份额排名的前 5 大参与者
- 跨层级的定价模型和包装
- 最近的融资轮次（2024-2025）
- 来自评论网站的客户情绪模式
标记任何超过 6 个月的数据。

Google Workspace 集成在这里很重要。如果你收到了竞争对手的电子邮件，在文档中讨论了定位，或安排了战略会议，研究模式可以与外部网络数据一起提取内部上下文。

4、200K 上下文窗口策略

竞争分析需要为 Claude 提供大量文档。没有加载策略，你会将 token 浪费在无关内容上，并在分析中途达到限制。

200K token 的实际含义：

对于带有定价、功能和定位的 5 竞争对手分析，预计有 40,000–60,000 token 的源材料——为对话留出空间。

构建文档以便检索：

Projects 使用 RAG，意味着 Claude 搜索上传并提取相关部分，而不是加载所有内容。通过清晰的结构帮助检索：

## 竞争对手：Notion

### 定价（截至 2025 年 1 月）
- 免费：$0，有限的块
- Plus：$10/用户/月，无限块
- Business：$15/用户/月，高级权限
- Enterprise：自定义定价，SSO，审计日志
### 关键功能
- 基于块的编辑器
- 数据库视图（表格、看板、日历、画廊）
- 所有付费计划上的 API 访问
### 定位
"文档、wiki 和项目的连接工作区"
目标：用单一平台替换多个工具的团队

上下文腐烂问题：

长会话会降低响应质量。在大约 70% 的上下文利用率后，我注意到肤浅的响应、忘记之前的分析和矛盾的结论。修复：重新开始而不是强推。即使你开始新的聊天，Projects 也会保留你的文档上下文。

5、用于批量研究的并行子代理

这就是 Claude Code 将竞争研究从线性转变为指数级的地方。

数学计算：

  • 顺序：5 个竞争对手 × 每个 10 分钟 = 50 分钟
  • 并行：5 个竞争对手同时分析 = ~10 分钟

Claude Code 的 Task 工具生成并发运行的子代理，每个都有自己的上下文窗口。编排代理保持干净用于综合。

方法 1：基于提示的并行执行

最简单的方法——包括显式的并行指令：

claude -p "使用子代理并行研究这 5 个竞争对手：
Notion, Coda, Slite, Obsidian, Craft.
对于每个竞争对手，分析：
- 定价层级和每座成本
- 核心功能和集成
- 目标客户细分
- 最近的产品更新（过去 6 个月）
创建单独的文件：./research/[name]-analysis.md
然后综合到 ./research/comparison-matrix.md" \
  --allowedTools "Task,WebSearch,WebFetch,Read,Write" \
  --max-turns 20

方法 2：通过 --agents 标志的自定义子代理

为不同的研究维度定义专门的代理：

claude --agents '{
  "pricing-analyst": {
    "description": "提取并比较定价结构",
    "prompt": "你分析 SaaS 定价模型。提取所有层级、每座成本、功能门和企业选项。",
    "tools": ["WebSearch", "WebFetch", "Write"],
    "model": "sonnet"
  },
  "feature-analyst": {
    "description": "评估产品能力",
    "prompt": "你评估产品功能。专注于核心功能、集成、API 访问和独特差异点。",
    "tools": ["WebSearch", "WebFetch", "Write"],
    "model": "sonnet"
  }
}' \
-p "分析 Notion, Coda 和 Slite。使用 pricing-analyst 进行成本比较，使用 feature-analyst 进行能力评估。" \
--allowedTools "Task,WebSearch,WebFetch,Write"

方法 3：可重用的斜杠命令

保存到 ~/.claude/commands/compete.md 以进行可重复的研究：

---
allowed-tools: Task, WebSearch, WebFetch, Read, Write
argument-hint: [competitor1] [competitor2] [competitor3]
description: 运行并行竞争分析
---

## 并行竞争分析
使用子代理同时研究这些竞争对手：$ARGUMENTS
对于每个竞争对手，收集：
1. **定价**：所有层级、每座成本、企业选项
2. **功能**：核心能力、集成、API 访问
3. **定位**：目标市场、消息传递、关键差异点
4. **势头**：最近发布、融资、媒体报道
输出：
- 单个报告：`./research/[name]-profile.md`  
- 比较矩阵：`./research/comparison.md`
- 差距分析：`./research/opportunities.md`

使用以下命令调用：

/compete Notion Coda Slite Obsidian Craft

重要约束： 子代理不能生成自己的子代理——没有嵌套。在一个级别规划你的并行性。

6、实际改变了什么

以下是我实际研究任务的前后对比：

每周影响： 在典型的研究节奏上节省 8–10 小时。

这些测量来自我自己的工作计时。你的结果将因行业复杂性和你需要的验证量而异。

7、诚实的限制

我仍在弄清楚一些事情。以下是工作流中断的地方：

知识截止很重要。 Claude 的训练于 2025 年 5 月结束。我抓住它引用了已停止的定价层级、过时的领导团队和弃用的功能。始终根据公司网站验证当前数据。

研究模式并非普遍可用。 你需要 Pro、Max、Team 或 Enterprise。免费层级不包括智能研究功能。

具体内容上有幻觉风险。 Claude 偶尔会发明功能名称、捏造定价层级或错误归属引用。声明越具体，需要的验证就越多。

不能替代主要研究。 Claude 综合现有信息。它不会采访客户、访问私有公司数据或揭示超出公共来源的情报。

不支持子代理嵌套。 并行执行仅在一个级别有效。复杂的多阶段研究需要在并行阶段之间进行顺序编排。

8、接下来是什么

工作流不断演进。我正在探索的事情：

MCP 服务器集成 用于更深入的管道访问——将 Claude Code 直接连接到 Linear、Jira 或内部数据库。

自动化监控 用于竞争对手变化——标记定价更新或功能发布的计划运行。

多模型路由——使用 Haiku 进行高容量提取，使用 Sonnet 进行综合，在不牺牲质量的情况下优化成本。

根本转变不是关于更好的提示。而是认识到 Claude 不是市场研究的替代品——它是市场研究的基础设施。你选择的界面决定了你的杠杆。

原文链接：I Cut My Competitive Research Time by 85% — Here's My Claude AI and Claude Code Workflow

汇智网翻译整理，转载请标明出处