返回顶部
c

content-product-analyzer内容产品分析器

produce a commercial teardown of a post, creator profile, product page, landing page, or app page from urls, screenshots, or pasted text. use to infer audience, positioning, growth mechanics, monetization signals, credibility, sentiment, and opportunities to borrow or avoid. supports multi-link bundles and competitor comparison; separate observed facts from supported inferences and unknowns; use mixed-mode web verification when public urls are provided or freshness matters and cite sources.

作者: admin | 来源: ClawHub
源自
ClawHub
版本
V 1.0.0
安全检测
已通过
105
下载量
免费
免费
0
收藏
概述
安装方式
版本历史

content-product-analyzer

内容产品分析器

将原始内容或产品输入转化为结构化的商业拆解。聚焦于商业价值、受众、定位、增长机制、可信度、情感倾向以及可借鉴或需规避的机会点。

支持的输入类型

  • - 单一对象:一篇帖子 / 一个创作者主页 / 一个产品页面 / 一个落地页 / 一个应用页面
  • 组合包:针对同一产品或营销活动的多个URL / 截图 / 文本片段
  • 竞品集:多个产品/页面进行并排对比

证据模式(必须明确选择)

1) 仅用户提供 - 仅使用用户粘贴的内容或截图中可见的信息。 - 不得声称外部事实。

2) 混合模式
- 适用条件:用户提供公开URL,或用户要求“最新信息/定价/评价/当前排名”,或时效性明显重要。
- 通过公开来源进行验证和补充。
- 优先顺序:官方网站 → 原始平台页面 → 定价/文档 → 信誉良好的评价来源。
- 引用公开来源的事实性声明。

不可协商的规则

  • - 从证据出发,而非凭感觉。
  • 清晰区分:
- 观察到的事实(直接可见/可引用) - 有依据的推断(合理且与证据关联) - 未知项(明确列出)
  • - 优先进行商业和战略分析,而非技术实现细节。
  • 对于截图:仅声称可见或直接暗示的内容。
  • 在没有证据的情况下,不得夸大粉丝心理、收入、转化率或热度。
  • 当输入信息稀疏时:声明置信度低,并保持建议轻量化。

工作流程

1) 识别对象类型:帖子 / 创作者主页 / 产品页面 / 落地页 / 应用页面 / 组合包。 2) 选择证据模式:仅用户提供 vs 混合模式。 3) 首先提取可观察到的事实。 4) 推断受众、定位、增长/病毒传播机制、变现方式、情感倾向。 5) 区分已确认的事实 vs 推断 vs 未知项。 6) 按顺序生成两种输出: - 结构化摘要 - 详细拆解 7) 以针对以下角色的具体建议结尾: - 创作者(内容包装、钩子、格式、受众共鸣) - 独立开发者(定位、MVP、定价、分发、差异化)

分析视角(选择相关项,不必全部使用)

针对创作者 / 帖子 / 社交主页

评估:
  • - 内容主题与承诺
  • 钩子结构与注意力机制
  • 语气/人设与风格特征
  • 互动结构(回复/收藏/转发/行动号召)
  • 可能的受众及其动机
  • 可信度信号与弱信号
  • 商业意图(赞助、线索获取、联盟营销、社群漏斗、产品漏斗)
  • 可复用的部分 vs 依赖人设的部分

针对产品 / 落地页 / 应用页面

评估:
  • - 核心问题与目标用户
  • 定位与品类框架
  • 价值主张清晰度
  • 功能包装 vs 差异化
  • 定价/变现信号
  • 社会证明、信任、风险
  • 可营销性(分享/购买/忽略的触发因素)
  • 异议点与独立开发者的机会空间

要求的输出格式

1) 结构化摘要(简洁)

适用时使用以下字段:
  • - 对象类型
  • 一句话定位
  • 目标用户
  • 用户想要的结果
  • 内容/产品风格特征
  • 增长或传播机制
  • 商业模式/变现线索
  • 可信度信号
  • 风险或不足
  • 可借鉴点
  • 建议动作
  • 结论置信度: 高 / 中 / 低

2) 详细拆解(长文)

使用以下默认结构(可根据需要调整):

分析标题

核心信息提炼

仅包含信号最强的事实。

结构化拆解

主题/受众/风格/机制/商业逻辑。

用户与市场判断

目标用户是谁,对应何种欲望或痛点,市场信号。

商业价值与增长判断

变现线索、留存/漏斗逻辑、可能成功或失败的原因。

风险、槽点与反证

缺失、夸大、薄弱或具有误导性的内容。

可复用方法

创作者/独立开发者实际可以借鉴的内容。

建议

定制化建议:
  • - 针对创作者:主题创意、钩子模式、受众角度、内容方向。
  • 针对独立开发者:定位、MVP、变现、差异化、市场进入策略。

一句话结论

尖锐的最终判断。

竞品对比附加模块(当用户提供2个以上竞品时)

如果用户要求“竞品对比 / compare / vs”,在拆解后附加此部分:

竞品对比矩阵

创建一个Markdown表格,对比:
  • - 定位描述
  • 目标用户 / 待完成工作
  • 关键差异化因素
  • 定价 / 方案结构信号
  • 信任与证明
  • 分发渠道推测
  • 可能的切入点(用户为何开始使用)
  • 可能的锁定效应(用户为何留下)
  • 风险 / 缺口

对比结论与切入策略

  • - 最容易复制 vs 有防御性的部分
  • 未被充分服务的细分市场
  • 为用户推荐的切入点
  • 3–7个行动项(按顺序排列)

质量标准

一个好的回答应:
  • - 读起来像一位敏锐的操盘手,而非泛泛的总结者
  • 包含明确的判断,而不仅仅是描述
  • 同时呈现上行潜力和失败模式
  • 在证据充足时,至少提出3条具体建议
  • 对不确定性保持诚实

标签

skill ai

通过对话安装

该技能支持在以下平台通过对话安装:

OpenClaw WorkBuddy QClaw Kimi Claude

方式一:安装 SkillHub 和技能

帮我安装 SkillHub 和 content-product-analyzer-1776052448 技能

方式二:设置 SkillHub 为优先技能安装源

设置 SkillHub 为我的优先技能安装源,然后帮我安装 content-product-analyzer-1776052448 技能

通过命令行安装

skillhub install content-product-analyzer-1776052448

下载

⬇ 下载 content-product-analyzer v1.0.0(免费)

文件大小: 6.35 KB | 发布时间: 2026-4-14 12:57

v1.0.0 最新 2026-4-14 12:57
Initial release of Content Product Analyzer: Structured, evidence-based teardown for content and product pages.

- Supports analysis of posts, creator profiles, product/landing/app pages, including bundles and competitor comparisons.
- Explicit evidence modes: user-only vs. mixed-mode (verifies/cites public data when allowed).
- Strict workflow: separates observed facts, supported inferences, and unknowns; prioritizes commercial and strategic insight.
- Outputs both a compact structured summary and a detailed long-form teardown with concrete, actionable recommendations.
- Customizes advice for creators and indie builders; includes competitive analysis when relevant.
- Enforces clarity on confidence levels and acknowledges uncertainty when evidence is sparse.

Archiver·手机版·闲社网·闲社论坛·羊毛社区· 多链控股集团有限公司 · 苏ICP备2025199260号-1

Powered by Discuz! X5.0   © 2024-2025 闲社网·线报更新论坛·羊毛分享社区·http://xianshe.com

p2p_official_large
返回顶部