PM 做競品分析平均花半天，手動打開十幾個分頁，資料散落各處，且分析結果難以即時更新。
打造一個 AI 驅動的即時競品分析儀表板，支援自然語言查詢，讓 PM 用問的就能得到分析結果。
競品分析時間從 4 小時縮短至 30 分鐘，支援自然語言查詢，自動生成比較報告。
輸入「比較 A 和 B 的定價策略」，即時生成結構化分析結果，不需要寫任何查詢語法。
設定追蹤名單，系統每日自動更新競品的功能變動、定價調整與市場動態。
一鍵生成多維度比較表格，涵蓋功能、定價、用戶評價、市場定位等面向。
當競品有重大功能更新、定價變動或融資消息時，自動推送通知，確保不錯過關鍵情報。
快速原型驗證是第一優先。Streamlit 讓我能在 Python 生態系中快速搭建互動式 Dashboard，不需要額外的前端框架。更重要的是，PM 團隊可以自己修改和擴展功能，降低對工程團隊的依賴。
競品分析需要處理大量長文本（產品頁面、評論、新聞），Gemini 的長上下文視窗（100K+ tokens）能一次處理完整資訊，避免分段處理造成的上下文遺失。此外，相比 GPT-4，成本更低，適合高頻自動化場景。
採用 Role + Dimensions + Format 框架確保輸出品質。先定義 AI 的角色（資深市場分析師），再指定分析維度（功能、定價、市場定位、用戶評價），最後規範輸出格式（結構化表格 + 關鍵洞察摘要），確保每次分析結果一致且可操作。
這個專案讓我深刻體會到，現代 PM 不需要等待工程資源。透過 No-code / Low-code 工具和 AI，PM 可以自己驗證想法、打造原型，甚至交付可用的產品。關鍵不是技術多強，而是能不能把問題定義清楚，然後找到最快的路徑去驗證。
開發過程中最大的挑戰不是 AI 模型，而是數據的結構化和清洗。網頁爬取的資料品質參差不齊，直接影響 AI 分析的準確度。最終花了約 40% 的時間在數據 pipeline 的優化上，這也是許多 AI 產品最容易被低估的環節。
初版只有基本的查詢功能，但在內部測試後發現，PM 最需要的不是「查詢」而是「追蹤」——他們希望設定好競品名單後，每天自動收到變動報告。這個洞察讓我重新調整了產品的核心價值主張，從「AI 搜尋工具」轉向「AI 競品監控平台」。