很多人想抄 TikTok 对手的作业但真到动手那天就卡住了打开十几个账号挨个翻视频、记数据、对发布时间、扒文案结构一套流程下来两三个小时没了做出来的分析报告还只停留在“谁发了什么、数据好不好看”的表面看不出任何值得抄的东西。我最近一直在折腾 skill 这套玩法用一个自建的 AI skill 把整个竞品分析流水线串了起来。现在基本是输入一个竞品账号链接或者关键词skill 自动完成数据抓取、内容结构拆解、流量规律归纳和差异点梳理输出的分析报告直接能用于选题规划。今天把这套方案从头到尾拆开讲讲包含设计思路、核心模块、验证方法和踩过的坑希望对正在做 TikTok 运营或者想给团队配个分析工具的人有点参考价值。1. 项目概述为什么“一个skill”能解决竞品分析的效率问题先说清楚我理解的竞品分析到底在解决什么问题。每天打开 TikTok 后台看数据、刷刷同类账号本质上是为了回答三件事对手靠什么内容获得流量、这些内容背后的规律能不能复用、以及有什么机会点是他们还没做的。问题在于 TikTok 的内容更新速度实在太快了一天能出几十条爆款视频靠人工盯根本盯不过来而且人的精力决定了你只能在有限的维度里做观察很难做到系统性和一致性。skill 在这里扮演的角色不是帮你去制造内容而是把“把别人怎么做”这件事变得可以被快速、批量地拆解。它本质上是一个封装好的提示词工作流能在收到你的分析需求后自动完成从数据搜集、特征提取到报告生成的过程。你不需要学编程也不需要写复杂的脚本只需要一个能运行 skill 的 AI 客户端把你想分析的账号链接或者竞品关键词丢进去skill 会按预设的框架一步步执行最后输出结构化的分析结果。这套方案真正吸引我的一点是它把“方法”和“执行”分开了方法论沉淀在 skill 的提示词和逻辑里执行交给 AI 来完成。不同的人用同一个 skill出来的分析质量不会相差很大这就解决了团队协作里最头疼的“分析标准不统一”的问题。而且随着你收集的分析样本越来越多skill 暴露出来的短板和可以优化的点也越来越清晰形成一套持续迭代的分析工具。对于运营新手来说这套方案能让你直接上手做竞品拆解对于有经验的操盘手来说skill 更像是一个效率放大器把你过去的分析经验固化成可复用的流程。我个人的建议是不要指望一个通用 skill 解决所有问题但先有一个系统化框架确实比完全靠感觉来要好得多。1.1 核心需求解析竞品分析中那些重复、耗时却必须做的环节在拆 skill 怎么写之前先花点时间梳理一下竞品分析流程里真正耗时的环节。我不知道你的分析习惯是怎么建立的但我自己起初的几个星期非常痛苦因为几乎所有时间都花在记录上了而不是思考上。第一个耗时大户是素材采集。你需要记录的内容包括用户名、主页描述、视频标题、使用的话题标签、文案、音乐、时长、发布日期、播放量、点赞量、评论量、转发量可能还包括账号最近一段时间的粉丝增长曲线。这些基础字段看着不多但当一个账号有几百条视频时手工整理根本不是能不能完成的问题而是愿不愿意投入时间和精力做的问题。第二个耗时的环节是内容归类。只有当数据被整理好后才能开始给内容贴标签、分类别比如哪些是科普型、哪些是蹭热点型、哪些是纯剧情型。这个环节同样依赖人工经验和判断如果没有一个既定的分类标准不同人看同一批数据会得到完全不同的结论。第三个环节也是我认为最核心的叫规律提取。数据有了、分类有了还得总结出“对手为什么做得好”的可执行结论。例如他们是不是固定晚上发布视频时长是否集中在哪个区间热门内容是不是集中某个主题这就是竞品分析最大的价值所在。传统做法每一步都在烧时间和精力而 skill 的价值就在于把前两步自动化把第三步标准化。1.2 方案选型为什么选择 skill 而不是传统爬虫或纯人工做竞品分析这件事市面上其实存在好几条技术路线。第一条是最原始的人工方案就是前面说的开十几个标签页手动记录和分析优点是灵活、不需要配置环境缺点是效率太低而且很容易因为疲劳导致数据遗漏不具备持续可复制性。第二条路线是写爬虫或调用平台 API 来做数据抓取技术能力要求高一些但费劲抓下来的数据还得自己写分析脚本做内容分类、标签聚类还是得亲自动手。而且很多平台接口不是完全开放的数据权限和频率限制都比较烦人。如果你不是专业程序员我不建议走这条路维护成本很高今天能跑通的脚本可能明天就失效了。第三条路线就是我这次采取的模式利用 AI skill 做分析框架和执行层。它的思路很简单不对平台接口做对抗不依赖自动化脚本而是把分析工作分成人脑和 AI 各自擅长的部分。你负责定义“分析什么”skill 负责定义“怎么分析”包括采集整理数据的流程、拆解数据的角度、输出报告的维度。AI 在数据处理、模式归纳和文案生成上的能力正好能补上人工分析中效率低和不够全面的短板。选择 skill 的另一个考虑是通用性好。现在主流的 AI 客户端对 skill 的支持能力都还不错可以在不同软件间切换。一份设计良好的 skill 完全是功能复用的。这和传统爬虫有着本质区别明显编写时不用考虑 API 权限问题不用处理登录状态被外部干扰的情况也不存在每次使用都要重新调整参数的问题。2. skill 设计思路与核心模块拆解真正动手写 skill 之前最值得花时间的是把分析框架想清楚。一个好的竞品分析 skill 必须包含明确的输入、处理、输出三段式结构。输入端要支持两种模式一个是指定具体账号另一个是指定具体关键词或行业类目处理端要有明确的执行顺序先抓数据、再拆内容、然后做对比输出端必须有固定模板最终生成结果是一份结构标准化、内容可直接复用的分析报告方便后续保存备份。我见过很多人犯的一个共同错误是把 skill 设计成一个“什么都能聊”的巨大提示词包没有强制性的步骤和逻辑。这样做的后果是 AI 发挥不稳定有时候能给出很专业的报告有时候却给出空泛的建议只能靠反复重启尝试来获得相对稳定一点的效果。settle 解决不了这个问题真正能settle的是把分析逻辑拆细让每一步都有明确输出。2.1 数据抓取模块哪些公开数据值得采集先说说数据采集这事。要让 AI 做有依据的分析数据必须足够完整准确否则报告内容无论看起来多么专业本质上都是脱离实际的空谈。在设定数据采集逻辑时我建议把它分成账号维度、内容维度、互动维度和趋势维度来设计。账号维度包括账号名、简介、认证信息、粉丝总数、内容总数内容维度是文本描述、BGM、时长、发布时间、话题标签互动维度是单条视频的播放量、点赞、评论、收藏、转发趋势维度则是最近 30 天或 90 天这几个指标的走向。这里有个容易忽略的细节就是要注意“互动率”的计算方式。如果某条视频有很高的播放量但点赞率和评论率很低那它的互动讨论价值实际是有限的对后续转化的帮助可能远低于播放量数字所暗示的那么大。在 skill 的提示词中应该明确写出互动率的计算规则让 AI 在面对原始数据时不仅汇报数据本身还要给出标准化后的相对指标。选完数据字段后skill 还要明确告诉 AI优先采集哪些字段、字段之间如何做归一化、缺失字段怎么处理。比如有时候找不到“完整播放时长”的字段就用“视频时长完播率”的组合来近似判断这种情况在采集规则里描述得越具体最终输出结果就越接近真实情况。2.2 内容策略分析模块从视频结构反推爆款逻辑数据只是原料真正体现 skill 功力的是内容策略分析模块。这部分的核心逻辑是把每一类爆款内容的共性特征拆解出来让 AI 知道该从哪些维度来判断一段内容而不是只会说“这条视频不错”这种没有信息量的话。我设计内容策略分析模块时通常会细分出主题类型、叙事结构、开场方式、信息密度、情绪节奏、结尾引导这几个维度。主题类型用来区分有用信息和情绪信息判断内容的长期价值叙事结构看是先给结论再举例子还是先缓冲再给高潮还是干货之后打广告开场方式要分析前两三秒怎么吸引住观众情绪节奏关注转折点出现在第几秒因为它的位置往往决定了用户会不会看到最后结尾引导则看它是让观众点赞收藏关注还是去评论区留言。skill 的提示词模板中为了让 AI 明白这些维度的判断标准需要写一些微类型定义和正面/反面例子的描述。比如“结构化对比”这一类可以让 AI 理解为“把两个对象放进同一个画面里做快速切换对比常见于测评类账号”“悬念开场”理解为“视频第一帧就出现视觉上非常异常的画面配合文字引导观众继续往下看”。越是具体和准确的定义skill 产出的分析结果就越可能准确。有一个值得补充的点是竞品分析的核心目的是寻找可以被自己复用的规律而不是简单复刻对方的爆款。因此分析模块中还要单独设置一个“可复用性判断”的维度让 AI 能区分“依赖账号强人设的爆款”和“可以独立复制的方法型爆款”。这对我们判断哪个方向值得跟、哪个方向看看就好非常关键。2.3 商业变现模型分析模块读懂竞争对手怎么赚钱这部分在很多基础竞品分析里被忽略得很彻底但做 TikTok 内容如果只看流量不看变现视角就缺了很重要的一环。做过一段时间的人都会慢慢意识到流量不直接等于收益很多播放量非常高的账号变现效率反而不如一些粉丝量更少但准确的人群账号。skill 中设置商业变现模型分析模块最重要的是判断目标对手有没有商业模式是植入广告、直播带货、私域引流转课程还是其他模式。一般来说我会让 AI 从主页简介、视频内容、评论区互动质量、外部链接导向和直播频率这几个维度提取信号。然后把它拆成产品定位、受众画像和转化路径三部分看他们拿什么样的产品去打用户、事实上是谁被吸引来观看、从接触到完成转化关键上采取的是什么样的引导方式。设置这个模块对我个人的价值是当你开始做内容方向决策的时候不再只凭主观判断选择方向而是能看明白对手流量承接的逻辑想清楚那套逻辑和自己的货源、团队能力匹不匹配。直接抄过去大概率出问题因为内容形式可以复制但承接能力很难快速补齐。3. 实操步骤从零构建一个 TikTok 竞品分析 skill思路讲了一堆接下来是真正动手的部分。我按自己的实操过程把从明确分析对象目标到编写和校准 skill 的过程过一遍。如果你也打算做一套自己的竞品分析工具可以按这个脉络来操作。3.1 第一步明确分析对象与周期很多人搭建分析 skill 时第一个想到的问题是怎么写提示词但我认为更值得先想清楚的问题是分析对象与周期。竞品分析不是为了完成这个动作而存在它是服务于输入策略和内容创作节奏的。你需要先明确一个阶段内会针对哪些账号、哪些方向输出垂直内容才能在 skill 环境里准确设定输入需求避免产出无用建议的情况。首先选定分析对象像我们这种中等体量团队我推荐的方法是分出“同类账号”“跨类目参考账号”“行业头部账号”三层分别承担对标、学习表达方式和判断趋势这三个角色。这三类账号的分析深度和频率完全不一样同类账号需要每周分析一次最新内容跨类目参考账号只需要每两周或每月看一次变化行业头部账号在内容广度上提供方向参考适合按季度拆解。然后把周期逻辑写进 skill 的输入字段里让它在产出分析报告时至少能明确区分“本次分析的周期范围区间”和“对应时间节点建议”输出报告的结论才不会盲目地滞后或者找不到起点。周期最忌讳的过度设计是被信息密度带跑偏。别去看完一个大热账号就开始把所有精力都押在日更追踪上更合理的逻辑是先解决“有没有系统性分析”的问题再过渡到“能不能高频追踪”的阶段。skill 本身是工具服务节奏的还是你自己定的分析目标。3.2 第二步设计 skill 的配置文件确定好分析对象后就可以开始写 skill 的配置文件和核心提示词逻辑了。当前主流 AI 客户端的 skill 配置结构其实都挺接近的主要是用一个核心指令文件人为设定 skill 角色的工作方式辅助可选配置模块里定义调用外部工具能力的开启方式。我不具体推荐某一个软件你手上用什么客户端就按什么格式去适配就行。配置文件的编写有几个要点需要特别注意。第一角色定义要极其明确。比如“你是跨境电商 TikTok 竞品分析专家专注 TikTok 内容策略与账号增长研究”AI 才能在你的技能调用全局中带上更接近专业分析师的思维模式。第二要设定输出格式是用 Markdown 表格还是分段文档是直接给结论还是归纳出可复用的规律都在配置阶段提前规定好。第三也是非常重要的一点要给 AI 一些“如果遇到极端情况的处理建议”比如数据不完整时才提示 AI 在报告中标注为什么对某些结论持有保留意见而不是强行虚构事实。我在配置文件里通常还会埋一个“默认分析深度”的参数。正常状态下让 AI 输出简版分析聚焦账号、内容和规律性结论当用户特别需要深层分析时可以手动触发扩展分析加入商业变现拆解和内容结构拆解的模块。这样做的好处是效率高按需产出不会每次调用都非常消耗时间和算力。3.3 第三步编写核心分析逻辑与执行顺序一个好的 skill 绝对不能只靠一段长提示词让 AI 自己发挥一定要把执行步骤第一阶段拆成多个阶段的步骤链才能让 AI 在不同阶段分别处理不同的分析重点。根据我的经验核心步骤链可以设计为四步。第一步先让 AI“采集并整理基础指标”要求它先梳理账号和视频维度的关键数据然后在第二步“识别内容类型与话题地图”中结合第一步结果按固定分类逻辑把内容归类并尝试归纳出账号的主要话题分布。第三步再进入“拆解爆款特征”环节选取过去一段时间内表现最好的几条视频从 2.2 小节提到的主题类型等维度逐条做拆解提取共性规律。第四步给到“产出可复用结论”的任务让 AI 将前几步的分析结论汇总为一份“可以怎么用”的行动清单而不是停留在描述性的分析阶段。设计这条逻辑链条时我最想强调的原则是每步的输出要为下一步做输入绝对不能把全部要求一次性塞给 AI让它同时完成识别、分类、对比和结论。牵扯的维度越多AI 的输出就越容易偏移重点某个环节的细节尤其是内容拆解层面会非常容易丢失。3.4 第四步运行、校准与迭代 skillskill 写完之后并不是一劳永逸的需要反复运行、校准。我的习惯是找三四个自己已经比较熟悉的账号作为“测试用例”来跑 skill跑出来后先对照一份自己手工写的分析报告做对比评估看产出结果哪些部分比人工做得更好、哪些部分偏差较大甚至直接分析错误。校准的重点往往集中在内容分类判断上。比如 AI 可能会把“卖货现场型视频”和“使用教程型视频”混为一谈因为它们的视觉表现都有展示商品的过程。这时候我要回到配置文件的分类定义里明确补充判定依据卖货现场的核心特征是有明显的价格或者促销信息而使用教程的核心点是步骤演示和效果展示。这样再重新运行时分类准确度会立刻提升不少。校准还有一个容易被忽略的方向是输出报告的结构是否稳定。同一个 skill 在不同时间跑同一个账号如果两次产出的结果格式不一致说明配置文件里的模板约束还不够强。调整方式是更明确地规定“第一部分必须输出数据概览表”“第二部分必须输出内容类型分布和占比”“第三部分必须输出爆款特征总结”“第四部分必须输出行动计划列表”要求 AI 严格遵循既定的固定格式才能保证最终调用的体验。4. 核心指标与判断标准让 skill 分析结果更有参考价值skill 跑起来之后你会发现更大的问题在于指标怎么解读。数据摆在那里不会说话同一个数据在不同账号背景和不同行业场景里可能有着完全相反的解读。我把这个过程拆成几个细分模块展开说说。4.1 播放量、完播率、互动率怎么组合看只盯着播放量把账号做对比是最容易判断失误的做法。一个三十万粉的垂直账号的视频播放量可能在十万上下互动率长期维持在百分之六另一个百万粉的大流量账号单条视频播放量可能逼近百万但点赞率和评论率只到百分之一二。仅仅看播放量数字前者明显不如后者“有牌面”但实际上从购买意向和精准人群触达的角度来看前者的转化潜力可能高出很多。所以我要给 skill 设定的不是在“选择比较高的数字”这条维度上对比而是组合一个数据视角先用播放量判断内容触达广度是否达到爆款门槛再用完播率判断内容兴趣曲线是否足够持续最后用互动率判断观众和内容之间的连接程度。三者形成一个立体的判断框架互相验证才能减少在分析过程中被单一指标带偏方向的风险。实际判断时我给 skill 写入了一个经验阈值范围播放量超常规均值三十倍以上算爆款完播率超过同类型视频平均水平的视为内容节奏舒服互动率在同类账号中高于平均水平的说明内容具备很强的社交属性和讨论价值。这三个值单独拆开看都是相对指标但组合起来就变成了一个比较可靠的内容判断模型。4.2 内容标签聚类如何从标题和话题里提取主题分布TikTok 视频表层的标题和话题标签其实隐藏了非常丰富的信息能不能提取出有价值的主题分布取决于 skill 是否具备合理的标签聚类能力。拿一个典型的带货类账号举例说明表面上看它发布的内容明显夹杂在“产品开箱”“场景教程”和“生活吐槽”三条线之间这三条线分别对应不同的观众动机和安全卖点。如果能让 skill 在分析时把标签和标题中的高词频词做聚类通过语义理解归纳出账号真正的内容主轴那结论会比简单看标签数量分布更接近实际情况。再加上不同账号间的标签重合度对比就能找到哪些内容和标签是行业普遍在用的“基础款”哪些是与少数账号强绑定的“差异化稀缺内容”。同时通过看头部词的变化趋势也可以进一步判断这个账号近期是不是正在调整内容方向已经发生了赛道迁移。写标签聚类逻辑的时候要注意不能只按文字做硬分类视频语义和视觉信息同样重要。有些账号喜欢把所有内容都挂大流量标签但标题和画面表达的都是高度垂直的内容这时标签聚类结果就会看起来比较分散需要 skill 根据这段语义描述做二次归纳而不是迷信标签表层的所谓规律。4.3 竞品矩阵头部、腰部与新锐账号分开看做竞品分析比较忌讳用一把尺子衡量所有账号因为头部账号和腰部账号的处境、资源和能力都是完全不同的放同一套标准下对比没有意义。我会在 skill 里的规则设置中把目标账号先按粉丝量分为头部、腰部和新锐三档同时按不同的侧重点来分析它们。头部账号需要重点拆解的是内容工业化流程和品牌合作方式看它如何保持稳定产出、如何用大流量话题来带动整体账号的声量以及商业合作内容是如何嵌入到原生内容中的。腰部账号的观察重点是增长驱动是靠某类特定内容完成了破圈还是踩中了某个节点热点起量这些事件在时间线上是怎么表现的。最后是新锐账号关键分析它们做对了什么新方向因为新锐账号的起量往往意味着市场上出现了新的内容窗口或者人群需求这部分信息对整个方向判断和阶段选择最具参考价值。矩阵对比还意味看这样的结构对从业者的参考就是双重的既能看到我们现在所处的位置也能看出下一步往哪个层级的目标去迭代最合理。5. 踩坑实录与常见问题排查任何工具在实际使用过程中都会遇到各种意想不到的问题skill 不是例外。写代码的人常说调试比写代码更费时间用在 skill 上也是一样。我把自己用过过程中的踩坑记录整理了一下希望能帮你少走一些弯路。5.1 播放量与粉丝数严重不匹配怎么解读这是最容易让分析结论出错的情况。一个新账号发了两条视频播放量分别只有几百和几千但其中一个视频的点赞数突然冲到几万以上这个现象会误导很多人得出结论说“内容突然爆了”。实际情况往往只是被推荐算法选中推送到了一个大型流量池的边缘而没有真正触发大范围传播。遇到这种情况我在 skill 里设置了校验逻辑单独标记“反差异数据”不正常的数据单独列出不参与整体规律的分析。否则分析结果的叙事逻辑会把少数异常值当成账号的普遍能力来总结归纳整个结论质量都会被打折。对单条爆款要追求的是找到它爆的原因是否能被复现而不是看到爆款数据就默认可以批量复制成功。5.2 数据抓取采样的偏差与盲区skill 能依赖的数据一定会受到采样规则和可见性边界的影响所以完全撇开数据局限性谈分析结论肯定不客观。比如数据分析只能看到公开发布的指标无法看到背后的推荐流量构成和付费投放比例任何判断都要考虑误差。我在 skill 里做了两个设置来缓解这个问题。一方面在报告模板里专门增加“数据处理说明”板块明确告知哪些结论是在怎样规模的数据样本基础上形成的另一方面在提示词里规定 AI 在结论表述上注意区分“根据数据可推断”和“需要在其他工具中进一步验证”两种不同强度的判断。保证分析结果对数据局限性足够诚实对从业者来说比提供一份虚假完美的报告要更有价值。5.3 skill 输出结论与人工判断不一致时怎么办第一次用 skill 做竞品分析的人特别容易陷入一个思维误区AI 分析得再完善也会习惯性怀疑它的结论尤其结果与自己固有判断存在差异时科不科学就更说不清了。自己的主观判断确实重要但 skill 的价值恰恰在于它的分析回避了很多潜移默化产生的判断偏差。遇到不一致时我处理的办法是先不看结论差异而是往回追溯分析过程是否在某个前置环节就开始出现分歧。信息采摘是否完整内容归类是否合理指标口径是否统一如果溯源以后发现skill 的分析逻辑链条本身是严谨的而且数据完整那通常它比主观经验更可信。这时候值得重新审视旧判断中哪些依据其实只是个人偏好导致的定式思维而不是基于数据事实的必然结论。5.4 常见问题速查表为了方便查看我把运营中比较高频出现的坑和对应的解决建议整理成了一个速查表常见问题可能原因建议处理方式报告结论过于空泛skill 没有定义分析维度与输出格式在配置文件中锁定输出模板要求先给结论再列依据内容分类经常错分类定义描述不够具体补充典型特征和反例用最直观的规则区分边界情况不同账号分析结果口径不一致skill 缺少统一的指标计算规则在提示词中明确互动率、完播率对比基线等核心算法产出报告严重滞后采样周期设定过长把周期拆分为周更、月度复盘、季度趋势三档分别处理只分析到现象没给到执行建议缺少“可复用结论”步骤在核心逻辑链最后强制设置“Fixed行动清单”输出阶段数据不完整却强行下结论缺失值处理规则缺失配置文件里加重“数据缺失时的做法”相关指令跑出来的结果判断标准偏低对比基线设置不严谨根据同类账号平均值做动态基线不要用固定数值一刀切6. 个人实操复盘与后续扩展思路整套 skill 从设计到落地跑起来之后我最大的感受是竞品分析这项工作的重心终于发生了一次根本性的变化——我不再需要花费大量时间在繁琐的采集、抄录数据上而是可以把精力重点放在判断方向和设计策略上。分析结论的稳定性也上来了团队内部共同使用同一个 skill 以后沟通质量明显提升大家在讨论竞品时终于能共享同一套维度的语言而不是各说各话靠感觉开会。后续我对这套 skill 的扩展方向准备在几个点上持续加深。第一个方向是增加更多维度的信号判断比如尝试融合评论区高频词语的提取从中识别用户的真实需求表达和未被满足的消费痛点让分析结论不再是单纯的内容归纳而是生意逻辑的推导。第二个方向是让 skill 能够批量处理多个账号之后直接输出横向对比表减少逐个账号对比时还要自己整理视图的时间开销。第三个方向是考虑和数据分析流程做更深度的结合比如从第三方数据源导出的表格同样能交给 skill 自动化分析产出结构化报告适合有周期性数据源支撑的团队使用。做竞品分析这件事永远没有一劳永逸的答案但不断进化的分析工具至少保证了数据分析的准确度与思考深度不会因为高强度重复劳作而退化。我个人在操作中最大的一个感受是skill 不是用来替代人的判断力的它是在帮你压缩从原始数据到有效认知之间的过程损耗。分析框架真正有效是因为背后的运营逻辑经得起推敲而不是因为工具自身有多神奇。把定义问题的权利握在自己手里用 skill 去完成信息量最大的那部分脏活累活这可能就是现阶段最有性价比的竞品分析方式了。