Competitor Analysis

When asked to analyze competitors:

1. Identify the top 3-5 competitors in the target segment
2. For each competitor, assess:
   • Product positioning and key differentiators
   • Pricing model and tiers
   • Target audience and market share estimates
   • Strengths and weaknesses
3. Create a comparison matrix
4. Identify gaps and opportunities for differentiation

两个字段都有明确的工程含义：

- **`name`**：技能唯一标识，这里为 `competitor-analysis`，与技能目录名保持一致（目录见 [skills/competitor-analysis/](https://gitcode.com/GitHub_Trending/de/deepagents/blob/c71cd511841358c318b8fa6aa3222ecfd7890a64/examples/deploy-gtm-agent/skills/competitor-analysis/?utm_source=gitcode_repo_files)）。
- **`description`**：技能的“广告位”。它既说明技能做什么（Analyze competitors in a given market segment），又显式列出了**触发短语**（Trigger on: competitive landscape, competitor analysis, market comparison, competitive positioning）。模型正是靠这段描述判断“当前用户请求该不该调用此技能”。

### 源码印证：frontmatter 是如何被解析的

技能的解析逻辑在 [skills 中间件](https://gitcode.com/GitHub_Trending/de/deepagents/blob/c71cd511841358c318b8fa6aa3222ecfd7890a64/libs/deepagents/deepagents/middleware/skills.py?utm_source=gitcode_repo_files) 中。从源码结构看，关键行为有四点，都与上面这份文件严格对应：

1. **frontmatter 缺失或非法会直接跳过**。解析函数用正则匹配 `---` 之间的 YAML 块，若找不到合法 frontmatter，只记录 warning 并跳过该技能文件（[skills.py#L397-L401](https://gitcode.com/GitHub_Trending/de/deepagents/blob/c71cd511841358c318b8fa6aa3222ecfd7890a64/libs/deepagents/deepagents/middleware/skills.py?utm_source=gitcode_repo_files#L397-L401)）。
2. **`name` 和 `description` 是必填项**。解析时两者都取 `str(...).strip()`，任一为空即跳过该技能并告警 “missing required 'name' or 'description'”（[skills.py#L417-L420](https://gitcode.com/GitHub_Trending/de/deepagents/blob/c71cd511841358c318b8fa6aa3222ecfd7890a64/libs/deepagents/deepagents/middleware/skills.py?utm_source=gitcode_repo_files#L417-L420)）。这解释了为什么示例文件的 frontmatter 恰好只有这两个字段——它们是最小合法集。
3. **可选字段还有 `allowed-tools`、`compatibility`、`metadata`、`license`**（[skills.py#L448-L469](https://gitcode.com/GitHub_Trending/de/deepagents/blob/c71cd511841358c318b8fa6aa3222ecfd7890a64/libs/deepagents/deepagents/middleware/skills.py?utm_source=gitcode_repo_files#L448-L469)）。competitor-analysis 未声明 `allowed-tools`，即表示不额外限制工具，与它“纯推理 + 生成报告”的技能定位相符。
4. **渐进式披露（progressive disclosure）**。中间件注入系统提示时明确写着：*“you see their name and description above, but only read full instructions when needed”*（[skills.py#L737](https://gitcode.com/GitHub_Trending/de/deepagents/blob/c71cd511841358c318b8fa6aa3222ecfd7890a64/libs/deepagents/deepagents/middleware/skills.py?utm_source=gitcode_repo_files#L737)）。也就是说，Agent 平时只看到 `name: competitor-analysis` 及其 description；只有请求命中触发条件时，才会读取完整正文并按四步流程执行。这正是把“触发词”写进 description 的原因——它承担了一级路由的职责。

## 正文设计：四步竞品分析工作流

技能正文是一份编号明确的执行清单，四步环环相扣：

| 步骤 | 动作 | 产出 |
|------|------|------|
| 1 | 在目标细分市场中识别 3–5 家头部竞争对手 | 竞品短名单 |
| 2 | 对每家竞品逐一评估：产品定位与关键差异化点、定价模型与档位、目标客群与市场份额估计、优势与劣势 | 单竞品画像 |
| 3 | 构建对比矩阵（comparison matrix） | 横向可比的表格化结论 |
| 4 | 识别差异化缺口与机会点（gaps and opportunities） | 可直接输入 GTM 策略的可执行洞察 |

这个写法有两条值得借鉴的模式：

- **“When asked to …”的条件式开头**。正文不是一段泛泛的角色扮演，而是绑定触发场景的行为规范，与 frontmatter 的 Trigger 短语互相呼应。
- **子项粒度可控**。第 2 步把“评估”拆成定位、定价、客群份额、优劣势四个固定维度，保证不同运行之间的输出结构一致，便于第 3 步的矩阵化汇总——对下游（如 GTM 策略章节）而言是可预期的结构化输入。

## 技能如何被用到：deploy-gtm-agent 的完整链路

competitor-analysis 不是一个孤立技能，而是 [deploy-gtm-agent 示例](https://gitcode.com/GitHub_Trending/de/deepagents/blob/c71cd511841358c318b8fa6aa3222ecfd7890a64/examples/deploy-gtm-agent/README.md?utm_source=gitcode_repo_files) 中 supervisor 级技能。该示例是一个用 `deepagents deploy` 部署的 GTM（go-to-market）策略 Agent，协调一个**同步**的 market-researcher 子 Agent 和一个**异步**的 content-writer 子 Agent：市场研究阻塞等待结果后再写策略，内容创作在后台运行、就绪后并入最终方案。

### 1. 目录结构与配置

示例的实际目录为：

examples/deploy-gtm-agent/ ├── AGENTS.md # Supervisor Agent 指令 ├── agent.json # 部署配置（模型） ├── README.md ├── skills/ │ └── competitor-analysis/ │ └── SKILL.md # 本文档主角：竞品分析技能 └── subagents/ └── market-researcher/ ├── AGENTS.md ├── agent.json └── skills/ └── analyze-market/ └── SKILL.md

- **Supervisor 模型配置**：[agent.json](https://gitcode.com/GitHub_Trending/de/deepagents/blob/c71cd511841358c318b8fa6aa3222ecfd7890a64/examples/deploy-gtm-agent/agent.json?utm_source=gitcode_repo_files) 声明 `name: deepagents-deploy-gtm-agent`，运行时模型为 `openai:gpt-5.4-nano`。
- **子 Agent 配置**：[subagents/market-researcher/agent.json](https://gitcode.com/GitHub_Trending/de/deepagents/blob/c71cd511841358c318b8fa6aa3222ecfd7890a64/examples/deploy-gtm-agent/subagents/market-researcher/agent.json?utm_source=gitcode_repo_files) 使用 `openai:gpt-5.4-mini`，描述为“Researches market trends, competitors, and target audiences to inform GTM strategy”。

### 2. Supervisor 如何委派竞品分析

[顶层 AGENTS.md](https://gitcode.com/GitHub_Trending/de/deepagents/blob/c71cd511841358c318b8fa6aa3222ecfd7890a64/examples/deploy-gtm-agent/AGENTS.md?utm_source=gitcode_repo_files) 定义了工作流：

1. 收到要发布的产品/功能后，先把市场研究委派给 market-researcher 子 Agent——明确列举的任务包括 **competitor analysis**、TAM/SAM/SOM 估算、受众分群；
2. 用研究结果制定覆盖定位、定价、渠道选择的 GTM 策略；
3. 通过 content-writer 异步子 Agent 发起所需的营销物料创作；
4. 监控异步任务并把交付物整合进最终 GTM 计划。

同时给出三条约束：所有建议必须基于 market-researcher 的研究数据；策略要附清晰理由与证据；给 content-writer 的内容简报必须包含目标受众、关键信息与语气指引。也就是说，competitor-analysis 产出的对比矩阵与机会点，会作为“研究数据”直接进入策略制定环节。

### 3. 子 Agent 侧的呼应技能

market-researcher 自带一个姊妹技能 [analyze-market/SKILL.md](https://gitcode.com/GitHub_Trending/de/deepagents/blob/c71cd511841358c318b8fa6aa3222ecfd7890a64/examples/deploy-gtm-agent/subagents/market-researcher/skills/analyze-market/SKILL.md?utm_source=gitcode_repo_files)，frontmatter 同样是 `name` + 带 Trigger 短语的 `description`（Trigger on: market analysis, market size, TAM SAM SOM, market opportunity, industry analysis），正文六步：界定市场边界 → 估算 TAM/SAM/SOM（含方法论）→ 关键趋势与增长驱动 → 绘制竞争格局 → 进入壁垒评估 → 给出机会总结与明确建议。

对比两个技能可以看到清晰的分工：**analyze-market 管“市场有多大、趋势是什么”，competitor-analysis 管“对手是谁、差距在哪”**。子 Agent 的 [AGENTS.md](https://gitcode.com/GitHub_Trending/de/deepagents/blob/c71cd511841358c318b8fa6aa3222ecfd7890a64/examples/deploy-gtm-agent/subagents/market-researcher/AGENTS.md?utm_source=gitcode_repo_files) 还规定了交付规范：把完整 Markdown 报告写入 `/memories/subagents/market-researcher/market-research-report.md`，其余结构化字段仅作摘录，并在返回中给出 `full_report_path`——这让长报告与短摘要分离，避免污染上下文，是部署型 Agent 中处理长输出的实用做法。

## 部署与调用

按 [README](https://gitcode.com/GitHub_Trending/de/deepagents/blob/c71cd511841358c318b8fa6aa3222ecfd7890a64/examples/deploy-gtm-agent/README.md?utm_source=gitcode_repo_files) 的操作步骤：

1. **准备密钥**：`OPENAI_API_KEY`（模型访问）与 `LANGSMITH_API_KEY`（deploy 必需）。README 建议复制 `.env` 并填入密钥。
2. **一键部署**：

   ```bash
   deepagents deploy

README 说明：subagents/ 下定义的子 Agent 会在部署时被发现并自动接线；同理，skills/ 下的技能（即 competitor-analysis）随 Agent 一并部署。 3. 在 LangSmith 中验证：部署后打开 Agent，README 给出的测试提示词恰好覆盖技能触发场景，例如 “Help us position our vector database product against Pinecone and Weaviate” ——这类“对标某几家竞品”的请求会命中 competitor-analysis 的触发词。 4. 通过 SDK 查询：

from langgraph_sdk import get_client

client = get_client(url="https://<your-deployment-url>")
thread = await client.threads.create()

async for chunk in client.runs.stream(
    thread["thread_id"], "agent",
    input={"messages": [{"role": "user", "content": "Build a GTM plan for our new Python SDK for AI agents"}]},
    stream_mode="messages",
):
    print(chunk.data, end="", flush=True)

部署 URL 在 LangSmith 的 Deployments 页面查看。

适用前提：该示例依赖 LangSmith 部署能力与 OpenAI 模型端点（openai:gpt-5.4-nano / openai:gpt-5.4-mini），更换模型需修改各自的 agent.json。

复刻一份同类技能：可复用模板

结合上面源码级的解析约束，编写一个新技能的最小模板如下：

---
name: my-skill-name
description: >-
  One line stating what the skill does.
  Trigger on: phrase one, phrase two, phrase three.
---

# My Skill Title

When asked to …:

1. Step with an explicit, checkable output
2. Step with fixed evaluation dimensions
3. Step producing a comparison/structured artifact
4. Step ending in actionable recommendations