竞品动态监控不是简单地把竞品新闻丢给大模型让它总结，而是需要设计一套能稳定产出结构化结果的提示词体系。动态信息通常来自官网更新、版本发布说明、行业媒体报道、招聘信息等多个渠道，文本格式差异很大。直接用一句“帮我分析竞品”得到的结果往往过于笼统，无法沉淀为可追踪的数据。合理的做法是先定义监控字段，例如公司名称、事件类型、功能变化、定价变化、影响程度、发生时间、来源链接，再通过Prompt约束模型只输出这些字段。这样做既能降低人工整理成本，也能让后续分析变成可比较、可查询的数据表。
另一个容易被忽略的点是事件分类。竞品动态至少可以拆成功能发布、版本升级、定价调整、合作生态、高管变动、融资并购和舆情风险七类。提示词必须明确每类的判定边界，否则模型会把营销软文当成功能升级，或者把普通招聘误判为战略扩张。把分类定义写进Prompt，并且要求给出置信度，可以显著降低误报率。下文会给出一个可复用的模板，并说明如何用代码批量调用。
一、先定义事件模式，再设计抽取提示词
竞品监控的质量很大程度取决于提示词里的事件定义。与其让模型自由发挥，不如把可能的事件类型和判断标准全部列清楚。比如版本升级类事件通常包含版本号、发布日期、更新日志，定价调整类事件会出现价格、订阅计划、免费额度等关键词。提示词中可以使用条件判断式的描述：如果文本同时出现版本号和功能更新描述，则归为版本升级；如果只出现价格或订阅变化，则归为定价调整。这样的定义能减少模型犹豫，也能让不同批次的分析结果保持一致。
抽取字段也要尽量结构化。推荐使用JSON作为输出格式，字段包括company、event_type、title、summary、impact_level、source_date、confidence。在提示词中给出每个字段的类型和可选值，例如impact_level只能是high、medium、low，confidence只能是0到1之间的一位小数。这样后续程序可以直接解析，不需要再做文本清洗。下面是一个基础模板。
你是一名竞品情报分析助手。请根据给定的文本，判断其中是否包含竞品动态事件。如果包含，输出JSON对象，字段如下：
{
"company": "公司名称，字符串",
"event_type": "事件类型，只能是功能发布、版本升级、定价调整、合作生态、高管变动、融资并购、舆情风险之一",
"title": "事件标题，不超过30个字",
"summary": "事件摘要，不超过80个字",
"impact_level": "影响程度，只能是high、medium、low",
"source_date": "事件发生日期，格式为YYYY-MM-DD，未知则为空字符串",
"confidence": 0.0到1.0之间的小数，表示判断置信度
}
如果文本中不包含任何竞品动态事件，输出空JSON对象{}。
给定文本：
{source_text}
这个模板强调输出格式和可选值，可以减少模型随意发挥。需要特别注意的是，Prompt中的事件类型和字段名称要保持和下游数据库一致。如果后续表格里用的是product_focus这种英文键名，就不要在提示词里用中文键名，否则增加一层映射成本。建议从一开始就统一用英文键名，中文值可以保留。
二、用Python批量调用大模型处理多来源信息
单个文本分析看不出价值，只有批量处理才能形成动态监控。可以用Python脚本读取RSS源、数据库或Excel中的待分析文本，逐条调用大模型接口，把返回的JSON存入表格。这里给出一个简化示例，演示如何封装提示词并解析结果。实际生产环境需要加入重试、限流和错误日志。
import json
import openai
client = openai.OpenAI(api_key="your-api-key")
SYSTEM_PROMPT = """你是一名竞品情报分析助手。请根据给定的文本，判断其中是否包含竞品动态事件。如果包含，输出JSON对象，字段如下：
{
"company": "公司名称，字符串",
"event_type": "事件类型，只能是功能发布、版本升级、定价调整、合作生态、高管变动、融资并购、舆情风险之一",
"title": "事件标题，不超过30个字",
"summary": "事件摘要，不超过80个字",
"impact_level": "影响程度，只能是high、medium、low",
"source_date": "事件发生日期，格式为YYYY-MM-DD，未知则为空字符串",
"confidence": 0.0到1.0之间的小数，表示判断置信度
}
如果文本中不包含任何竞品动态事件，输出空JSON对象{}。
"""
def analyze_text(text):
user_prompt = "给定文本：\n" + text
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=[
{"role": "system", "content": SYSTEM_PROMPT},
{"role": "user", "content": user_prompt}
],
temperature=0.1,
response_format={"type": "json_object"}
)
content = response.choices[0].message.content
try:
result = json.loads(content)
except json.JSONDecodeError:
result = {}
return result
sample_text = "A公司今日发布3.2版本，新增智能推荐模块，同时下调专业版订阅价格。"
print(analyze_text(sample_text))
代码中把temperature设成0.1是为了让输出更稳定。抽取型任务提示词不需要创造性，低温度能降低随机性。response_format指定json_object只适用于支持该参数的模型，如果模型不支持，可以去掉，并在提示词中强调只输出JSON。解析时一定要捕获JSONDecodeError，因为即使约束了JSON，模型偶尔仍会返回多余解释或格式错误。实际处理RSS时，可以先提取标题和摘要拼接成待分析文本，也可以把整篇正文截断到模型上下文限制以内。
批量处理可以使用线程池或异步请求提高吞吐，但要注意接口限流。建议每条请求之间加一个很小的延迟，并在并发数上做控制。分析结果需要记录原始文本哈希，避免同一条信息重复入库。对于confidence低于0.6的结果可以丢弃或标记为待人工复核，这样能减少噪声。
三、从单次分析到每日监控报告
动态监控讲究持续性。每天定时抓取竞品官网、社交媒体、行业资讯和招聘平台的信息，经过模型分析后汇总成日报。这个流程可以用任务调度工具来实现，比如Linux下的cron或者Airflow。调度脚本每天执行一次，读取新增文本，调用分析函数，把结构化结果写入数据库。之后再用一个聚合提示词，把当天所有high影响事件整理成报告摘要。
聚合提示词的设计和抽取提示词不同。抽取阶段要求逐一判断，聚合阶段更关注归纳和排序。可以给模型输入当天的结构化JSON列表，要求输出三段内容：重要事件、需要关注的信号、建议行动。提示词里要指定输出长度，比如每段不超过120字，并排除低置信度条目。这样生成的日报可以直接发送给产品、市场和研发团队。
你是一名竞品策略分析师。以下是今日竞品动态的结构化事件列表。
请从中筛选出impact_level为high的事件，按时间顺序排列，并生成报告。
报告包含三部分：
1. 重要事件：每条不超过50字，说明公司、事件和影响。
2. 需要关注的信号：归纳2到3条趋势性信号。
3. 建议行动：给出2到3条可执行建议。
事件列表：
{event_list_json}
聚合时需要注意上下文窗口。如果一天事件很多，可能需要分批次聚合，或者只把high和medium事件放入报告。上下文窗口不是越大越好，过多无关事件会分散模型注意力。另一个做法是把事件先按公司分组，每组单独总结，最后再合并。经验上，单次聚合的事件数量控制在20条以内效果更好。
四、控制幻觉与持续优化提示词
大模型在做分析时可能出现幻觉，例如给不存在的版本号编造更新内容，或者把竞品A的事件归到竞品B。要降低这种风险，提示词里必须强调只依据给定文本，不要补充外部知识。对于关键字段，可以要求模型在文本中定位原文片段作为依据。比如version字段后面增加source_quote字段，让模型把支持判断的那句话摘出来。如果找不到原文，就输出null。这样能明显提高可信度。
另一个实用方法是加一个复核环节。对于抽取结果中confidence在0.5到0.7之间的记录，用第二个提示词进行二次校验。校验提示词只问一个问题：该事件是否确实出现在文本中，并给出是或否。两轮判断不一致的，交由人工处理。这样不需要很大成本就能过滤大部分幻觉和误判。
提示词优化需要数据反馈。可以把人工复核结果记录下来，每周统计哪些事件类型最容易判错，然后修改提示词中的定义。例如如果发现模型经常把合作伙伴的新闻当成融资事件，就在融资并购定义里加入明确排除项，如不包含投资方与被投资方关系的文本不归为融资并购。用规则加示例的方式逐步收敛，比单纯换模型更有效。
最后提醒，竞品动态监控系统不要追求全自动。人工复核和提示词迭代是持续工作。先把核心数据源跑通，形成稳定的结构化输出，再逐步扩展渠道和事件类型。这样可以在不显著增加人力的情况下，获得比人工更及时、更全面的竞品动态视图。
