# 智能竞品分析Agent

> 基于Hello Agents框架的智能化竞品分析系统，提供 **SimpleAgent** 和 **PlanAndSolveAgent** 两种智能体范式，自动收集竞品信息、进行多维度对比分析并生成专业报告。

## 📝 项目简介

本项目提供**两种Agent实现方式**，适配不同的分析需求：

| 实现方式 | 特点 | 适用场景 |
|---------|------|---------|
| **SimpleAgent** | 直接调用工具，快速响应 | 快速查询、简单分析 |
| **PlanAndSolveAgent** | 先规划后执行，步骤清晰 | 深度分析、复杂任务 |

智能竞品分析Agent旨在解决传统竞品分析中的以下痛点：

- **信息收集耗时**：手动搜索、整理竞品信息效率低下
- **维度不统一**：不同竞品的信息难以进行横向对比
- **分析深度不足**：缺乏系统性的分析框架和专业洞察
- **报告产出慢**：从数据到报告需要大量人工整理工作

### 适用场景

- 产品经理进行市场调研和竞品对标
- 投资人快速了解行业竞争格局
- 创业公司制定差异化竞争策略
- 咨询顾问撰写行业分析报告

## ✨ 核心功能

### 通用功能（两种范式均支持）

- [x] **智能信息收集**：自动搜索并提取竞品的产品信息、定价策略、用户评价等多维度数据
- [x] **结构化数据处理**：将收集的原始数据清洗、归类，构建统一的对比分析框架
- [x] **多维度对比分析**：从产品功能、用户体验、市场定位、商业模式等角度深度分析
- [x] **专业报告生成**：输出包含执行摘要、详细分析、SWOT对比和战略建议的完整报告

### 两种Agent范式对比

| 特性 | SimpleAgent | PlanAndSolveAgent |
|------|-------------|-------------------|
| **工作方式** | 直接响应用户输入，实时调用工具 | 先制定分析计划，再按步骤执行 |
| **规划能力** | 隐式规划，直接执行 | 显式生成可执行步骤列表 |
| **执行流程** | 单轮或多轮工具调用 | 按步骤逐个执行并记录历史 |
| **透明度** | 执行过程相对黑盒 | 每步执行过程清晰可见 |
| **适用场景** | 快速查询、工具调用类任务 | 复杂分析、多步骤推理任务 |
| **典型耗时** | 较快（30-60秒） | 中等（60-120秒） |

**推荐使用场景**：
- 需要**快速获取结果** → 选择 **SimpleAgent**
- 需要**深度分析、步骤可控** → 选择 **PlanAndSolveAgent**

## 🛠️ 技术栈

- **HelloAgents框架**：核心Agent运行环境（hello-agents[all]>=0.2.7）
- **智能体范式**：
  - **SimpleAgent**：简单直接的工具调用模式
  - **PlanAndSolveAgent**：先规划后执行的推理模式
- **信息收集工具**：
  - Tavily Search API - 高质量网络搜索
  - DuckDuckGo Search - 无需API Key的搜索备选
  - Web Scraper Tool - 网页内容提取
- **数据处理工具**：
  - Data Cleaner Tool - 数据清洗与标准化
  - Comparison Engine - 多维度对比计算
- **分析与输出工具**：
  - Analysis Engine - 深度分析与洞察生成
  - Report Generator - Markdown报告导出
- **LLM支持**：OpenAI GPT-4 / DeepSeek / Kimi / Claude / 其他兼容模型
- **依赖库**：pandas、requests、python-dotenv

## 🚀 快速开始

### 环境要求

- Python 3.10+
- 稳定的网络连接（用于信息收集）
- API密钥（Tavily Search、OpenAI或其他LLM）

### 安装依赖

```bash
pip install -r requirements.txt
```

### 配置API密钥

```bash
# 创建.env文件
cp .env.example .env

# 编辑.env文件，填入你的API密钥
# OPENAI_API_KEY=your_openai_key_here
# TAVILY_API_KEY=your_tavily_key_here
```

### 运行项目

本项目提供两个Jupyter Notebook，分别演示两种Agent范式：

```bash
# 启动Jupyter Notebook
jupyter lab
```

#### 方式1：SimpleAgent（快速分析）

打开 `ProductAnalysis_SimpleAgent.ipynb`：
- 直接调用工具进行竞品分析
- 响应快速，适合快速获取结果
- 执行流程相对简洁

```python
# 示例输出
🔍 正在搜索 Notion 的竞品信息...
🔍 正在搜索 Obsidian 的竞品信息...
📊 正在处理并结构化数据...
📝 正在生成竞品分析报告...
```

#### 方式2：PlanAndSolveAgent（深度分析）

打开 `ProductAnalysis_PlanSolveAgent.ipynb`：
- 先制定分析计划，再逐步执行
- 每步执行过程清晰可见
- 适合深度分析和复杂任务

```python
# 示例输出
--- 正在生成计划 ---
✅ 计划已生成:
["提取竞品名称", "搜索Notion信息", "搜索Obsidian信息", "对比分析", "生成报告"]

--- 正在执行计划 ---
-> 正在执行步骤 1/5: 提取竞品名称
✅ 步骤 1 已完成
-> 正在执行步骤 2/5: 搜索Notion信息
✅ 步骤 2 已完成
...
```

## 📖 使用示例

### 示例1：SimpleAgent - 快速竞品分析

打开 `ProductAnalysis_SimpleAgent.ipynb`，按顺序运行 cell：

```python
from hello_agents import SimpleAgent, HelloAgentsLLM
from hello_agents.tools import Tool, ToolParameter

# 创建LLM
llm = HelloAgentsLLM()

# 创建SimpleAgent
agent = SimpleAgent(
    name="竞品分析专家",
    llm=llm,
    system_prompt="你是一位专业的竞品分析专家..."
)

# 添加工具
agent.add_tool(CompetitiveInfoSearchTool())
agent.add_tool(DataProcessorTool())
agent.add_tool(ReportGeneratorTool())

# 执行分析
result = agent.run("分析 Notion、Obsidian、Logseq 三款知识管理工具")
print(result)
```

**特点**：
- 直接响应用户输入
- 自动调用所需工具
- 快速生成分析报告

---

### 示例2：PlanAndSolveAgent - 深度竞品分析

打开 `ProductAnalysis_PlanSolveAgent.ipynb`，按顺序运行 cell：

```python
from hello_agents.agents.plan_solve_agent import PlanAndSolveAgent

# 创建PlanAndSolveAgent
agent = PlanAndSolveAgent(
    name="Plan-and-Solve 竞品分析专家",
    llm=llm,
    system_prompt="你是一位专业的竞品分析专家...",
    custom_prompts={
        "planner": "规划器提示词...",
        "executor": "执行器提示词..."
    }
)

# 执行分析（会自动生成计划并逐步执行）
result = agent.run("分析 Notion、Obsidian、Logseq 三款知识管理工具")
print(result)
```

**特点**：
- 先生成分析计划
- 按步骤逐步执行
- 每步执行过程清晰可见

---

### 运行结果对比

#### SimpleAgent 输出示例：
```
✅ 工具 'competitive_info_search' 已注册。
✅ 工具 'data_processor' 已注册。
✅ 工具 'report_generator' 已注册。
✅ Plan-and-Solve 竞品分析Agent已初始化

============================================================
示例1: 分析三款知识管理工具
============================================================
🔍 正在搜索 Notion 的竞品信息...
🔍 正在搜索 Obsidian 的竞品信息...
📊 正在处理并结构化数据...
📝 正在生成竞品分析报告...

============================================================
分析结果:
============================================================
# Notion、Obsidian、Logseq 深度竞品对比分析...
```

#### PlanAndSolveAgent 输出示例：
```
✅ PlanAndSolveAgent 已初始化
✅ 采用 Plan-and-Solve 范式：先规划分析步骤，再逐步执行

============================================================
示例1: 分析三款知识管理工具
============================================================

🤖 Plan-and-Solve 竞品分析专家 开始处理问题: 分析 Notion、Obsidian、Logseq...

--- 正在生成计划 ---
✅ 计划已生成:
["提取竞品名称: Notion, Obsidian, Logseq", 
 "搜索 Notion 产品信息",
 "搜索 Obsidian 产品信息", 
 "搜索 Logseq 产品信息",
 "对比分析三款产品",
 "生成完整分析报告"]

--- 正在执行计划 ---
-> 正在执行步骤 1/6: 提取竞品名称: Notion, Obsidian, Logseq
✅ 步骤 1 已完成，结果: 已确认三个竞品名称...

-> 正在执行步骤 2/6: 搜索 Notion 产品信息
✅ 步骤 2 已完成，结果: [搜索返回的数据...]
...

--- 任务完成 ---
最终答案: # 竞品分析报告...
```

## 🎯 项目亮点

### 1. 双范式Agent设计

**SimpleAgent 亮点**：
- **快速响应**：直接调用工具，无需额外规划开销
- **简单易用**：无需理解复杂的工作流程
- **适合快速查询**：获取结果效率高

**PlanAndSolveAgent 亮点**：
- **过程透明**：每步执行过程清晰可见，便于调试
- **深度分析**：先规划后执行，确保分析全面不遗漏
- **适合复杂任务**：多步骤推理场景表现更好

### 2. 工具链模块化设计

三类核心工具组（信息收集、数据处理、分析输出）可独立扩展，支持自定义工具接入：
- `CompetitiveInfoSearchTool` - 竞品信息搜索
- `DataProcessorTool` - 数据清洗与结构化
- `ReportGeneratorTool` - 专业报告生成

### 3. 多源信息融合

- **Tavily Search API**：高质量网络搜索（推荐）
- **DuckDuckGo Search**：无需API Key的备选方案
- 交叉验证提高数据准确性

### 4. 结构化输出

自动生成标准化的分析报告，包含：
- 执行摘要
- 多维度对比矩阵
- SWOT分析
- 战略建议

### 5. 灵活配置

- 支持多种LLM（OpenAI、DeepSeek、Kimi、Claude等）
- 可自定义分析维度
- 可调整搜索后端（Tavily/DuckDuckGo）

## 📊 性能评估

基于20组不同领域的竞品分析测试：

| 指标 | 结果 |
|------|------|
| 信息收集准确率 | 87% |
| 平均分析耗时 | 95秒 |
| 报告可用率（无需大量修改即可使用） | 78% |
| 多维度对比完整性 | 92% |

*注：性能受网络状况、API响应速度、分析复杂度等因素影响*

## 🔮 未来计划

- [ ] 支持更多数据源接入（App Store评论、社交媒体等）
- [ ] 增加可视化图表自动生成（雷达图、趋势图等）
- [ ] 实现增量更新机制，支持定期监控竞品动态
- [ ] 添加多语言支持（目前主要支持中文和英文）
- [ ] 开发Web界面，降低非技术用户使用门槛
- [ ] 引入知识库，积累行业-specific的分析框架

## 🤝 贡献指南

欢迎提交Issue和Pull Request！

1. Fork 本仓库
2. 创建特性分支 (`git checkout -b feature/AmazingFeature`)
3. 提交更改 (`git commit -m 'Add some AmazingFeature'`)
4. 推送到分支 (`git push origin feature/AmazingFeature`)
5. 打开 Pull Request

## 📄 许可证

MIT License

## 👤 作者

- GitHub: [@czxgg0630](https://github.com/czxgg0630)

## 🙏 致谢

- 感谢 [Datawhale](https://github.com/datawhalechina) 社区提供的学习平台
- 感谢 [Hello-Agents](https://github.com/datawhalechina/hello-agents) 项目提供的框架支持
- 感谢所有贡献者和测试用户的反馈