企业官网建设流程全解析

我做过一个AI研究团队的项目，里面一共设置了9个不同角色，行业分析是其中一个专门岗位。当时团队做行业研究的时候，最容易出现的问题是：AI特别擅长讲“宏大叙事”，一说就是万亿市场、千亿赛道、未来可期，但真正要回答“我们该不该入场、以什么方式入场”时，反而没有多少能用来决策的信息。

这篇就单独拆一下“行业分析师”这个Agent角色怎么搭，怎么设计提示词，怎么把“不靠宏大叙事做判断”这条原则落到具体输出里。如果你也在搭自己的AI研究团队，或者想让AI帮你做行业分析，可以从这个角色开始改。

1. 9人研究团队里，为什么要专门放一个“行业分析师”

1.1 行业分析师和普通研究员的差别

在AI团队里，普通研究员做的事情偏“资料整理”：给定一个行业关键词，去搜集市场规模、玩家格局、融资情况、技术趋势、政策动向，然后输出一份信息汇总。

行业分析师不一样。它的职责不是把资料铺开，而是基于一个具体决策问题，判断这个行业现在值不值得进入、以什么姿势进入、有什么前置条件。换句话说，研究员回答“行业里有什么”，分析师回答“我们该怎么办”。

我搭团队时，这两个角色经常要互相配合。研究员先给素材，分析师再基于素材给判断。如果直接把研究员当成分析师用，报告会非常完整，但看完不知道下一步做什么。这是多数AI行业分析失败的原因。

1.2 行业分析师在团队里的位置

9人团队里既有做数据采集的、做政策解读的、做财务测算的，也有做竞争分析和战略规划的。行业分析师的位置比较靠前，它主要完成三件事：

• 把一个模糊的“要不要进入某个行业”转化为可拆解的判断框架。
• 把行业研究里的宏观信息收敛成跟“我们”强相关的几个关键变量。
• 在最终结论里明确给出限制条件、风险点和反方观点。

所以我给这个角色的定位是：连接宏观信息和微观决策的翻译层。它不负责最终拍板，但负责把决策所需的信息边界画出来。

1.3 为什么宏大叙事会成为AI分析的通病

大型语言模型在训练语料里见过大量研报、新闻稿、行业白皮书，这些内容普遍带有“行业空间广阔”“未来将保持高速增长”“有望催生千亿市场”之类的表述。模型学到的是：谈到行业分析，就要讲潜力、讲趋势、讲想象空间。

模型并不知道你在做一个“是否入场”的真实决策，它默认你的需求是“了解这个行业怎么样”，所以它会本能地生成一份功能够全但指向性很弱的报告。

要解决这个毛病，不能靠在提示词里写“不要宏大叙事”这种模糊要求，需要从角色定义、任务输入、输出格式、约束条件多个层面同时调整。

2. 我给行业分析师设计的输入、输出和工作流

2.1 第一步：明确“分析触发源”

每次让行业分析师干活之前，先要给它一个明确的分析触发源。这个触发源不能是“帮我分析一下新能源行业”，而是类似：

• 我们是一家做to B软件的公司，计划进入企业知识管理赛道，需要判断这个行业是否适合我们。
• 我们团队只有5个人，预算有限，想评估AI写作工具类产品是否还有机会。
• 我们犹豫是否要从外包服务转向自研产品，想看看行业付费客户的真实支付意愿。

在系统提示词里，我会把分析触发源拆成几项输入变量：

输入越具体，AI做判断时就越难躲进“宏观正确”。如果只给它一个行业名词，它大概率会输出一篇四平八稳的行业综述。

2.2 第二步：让分析师先写“决策问题”而不是“行业概述”

我调整过很多版提示词，最终发现一个有效的顺序变化：先让AI输出它理解后的决策问题，再让它做分析。

Prompt里可以这样写：

你是一名行业分析师。用户会提供我方身份、决策问题和行业范围。 第一步，请先用不超过200字重述你要回答的决策问题。 重述时不能出现“行业前景广阔”这类表达。 只允许说明： - 我方想做什么 - 我方当前的资源约束 - 本分析要解决的唯一核心问题 - 哪些内容超出本次分析范围

这一步的作用有两个。第一个作用是让用户检查AI有没有理解错问题，如果连问题都重述偏了，后面内容再丰富也没用。第二个作用是让AI尽早进入“受限状态”，它能生成的内容空间被压缩到和决策问题相关，而不是整个行业。

我在实测中发现，加了这步之后，“行业市场规模有多大”这类内容会明显减少，取而代之的是“我们在这个市场里能切到哪一块”。

2.3 第三步：定义强制输出结构

我给行业分析师的输出结构做了固定模板，不允许它自由发挥。模板不是一篇研报，更像一份决策备忘。

{ "决策问题": "一句话说明研究的核心问题", "核心结论": "3到5条，每条必须包含判断和原因", "关键假设": "列出分析所依赖的重要假设，至少3条", "行业事实": "只列可验证的信息，并标注验证难度", "与我方相关的机会": "逐条说明机会成立的前提条件", "与我方相关的风险": "逐条说明风险一旦触发会带来什么影响", "反方观点": "站在对立面质疑核心结论，至少3条", "待验证问题": "目前资料无法回答的问题清单", "建议动作": "给出短期和长期的行动建议" }

注意，这里我把“行业事实”和“与我方相关的机会”分开。很多AI报告的问题在于，它把行业整体数据和“我们能吃到什么”混在一起。行业增长30%不代表我们能增长30%，这两件事之间有巨大的鸿沟。

如果不分开，AI很容易得出“行业高速增长，所以我们应该进入”这种跳跃式结论。

2.4 第四步：让AI标注信息置信度

AI生成的行业分析，最怕就是把预测当事实。所以我要求每个关键判断后面必须带一个置信度标签，可选值只有三个：高、中、低。

• 高：来自可靠数据源，且多方交叉验证，比如上市公司财报、官方统计。
• 中：来自行业报告或公开报道，但数据口径不一致。
• 低：属于推断、类比或趋势外推，没有直接数据支撑。

这个设定看起来简单，但对抑制AI的“宏大叙事”非常有效。模型在写“未来五年复合增长率将达到30%”时，如果能被要求标注置信度，它会倾向于把这句话改写得更谨慎，或者补充数据来源。因为它知道如果只标一个“低”，整句话的信服力会下降。

实测下来，AI输出里的绝对化表达明显减少。以前常见“必将”“一定”“毫无疑问”基本消失了，换成“在当前数据下”“从公开信息看”“存在较高不确定性”。

3. 让行业分析结果能落地执行的关键设计

3.1 要有一个“我方条件”的约束清单

行业分析不能只在行业层面转，必须回到“我方”这个主体。我给行业分析师增加的约束清单包括：

• 我方预算范围
• 我方团队规模
• 我方现有客户或渠道
• 我方技术能力边界
• 我方可接受的最长回收周期
• 我方不愿触碰的业务类型

这些约束条件在每轮对话里都必须存在。如果用户没有提供，AI可以主动提问补全，但不能直接假设。

我在提示词里写的是：

如果用户未提供上述约束信息，你必须先明确询问，再继续分析。 如果用户明确选择“不做假设”，你应在报告中指出这些未定约束对结论的影响。

这个机制很关键。很多AI行业分析看起来“正确但无用”，就是因为它默认了一个理想化条件：用户资金充足、团队能力强、渠道畅通、技术没问题。一旦把这些理想条件去掉，很多所谓的行业机会根本不成立。

3.2 用“行业拆分维度”来压制泛化输出

我让行业分析师不要直接分析整个行业，而是先拆维度。常用的拆法有这几个：

每次只按这个结构去做信息收集和判断。AI不太容易跑偏，因为每个维度都指向一个具体问题，而不是一句“行业整体向好”。

3.3 评分卡代替形容词

我还让行业分析师在最后输出一张简化的评分卡。每个维度打分，1到5分，5分表示“非常符合我方进入条件”。

评分卡的好处是：它强迫AI把“行业值得进入”这种综合判断拆成多个可校准的子判断。哪个维度弱，一眼就能看到。

### 行业进入条件评分卡 | 维度 | 评分 | 依据 | 关键限制 | | --- | --- | --- | --- | | 需求真实性 | 4 | 已有客户主动询价，付费场景清晰 | 需要验证复购率 | | 付费能力 | 3 | 大客户预算充足，中小企业付费意愿低 | 我方当前客户偏中小企业 | | 竞争密度 | 2 | 头部产品完善，新进入者窗口收窄 | 除非找到垂直场景 | | 进入壁垒 | 3 | 研发难度可控，但销售渠道积累不足 | 冷启动成本偏高 | | 替代风险 | 4 | 目前没有直接替代方案 | 大厂可能跟进 | | 政策环境 | 5 | 无特殊资质要求 | 需要注意数据合规 |

有了这张表，决策者能快速看出主要障碍。比AI写“该行业综合评分较高”要有用得多。

3.4 强制输出“我们可以不做什么”

AI天然喜欢做加法，习惯把每个方向都说得有价值。为了对抗这个倾向，我在输出结构里增加了一个特殊要求：

在“建议动作”部分，必须包含“明确不建议做的事”清单。 每条都必须直接回应核心结论。 禁止出现“可以关注”“可以探索”这类模糊表态。

实测效果很好。比如分析某个行业时，AI会写：

• 不建议在预算有限的情况下做全品类平台。
• 不建议在没有渠道资源时直接对标头部产品做通用型工具。
• 不建议在前3个月内追求覆盖所有客户类型，容易分散资源。

这些内容比“建议积极布局”更接近真实验证逻辑。因为真正做决策的人需要的不只是“可以做什么”，更需要知道“哪些方向会浪费资源”。

4. 一个实际生成的示例拆解

4.1 输入示例

为了让说明更具体，我给一个简化版示例。假设我方身份是一家做企业定制开发的小团队，想评估是否进入“企业AI知识库工具”这个行业。

我方身份：5人小团队，之前做企业官网和内部管理系统定制开发，有政府和企业客户资源。 决策问题：是否应该在现有业务之外，开发一套标准化的企业AI知识库工具产品。 行业范围：企业知识管理、AI搜索、智能问答，面向中小企业。 特殊约束：初期不能投入太多研发人力，希望6个月内能产出可销售版本。

4.2 输出关键片段

在这个输入下，行业分析师Agent生成了一段核心判断，内容大意是：

• 企业AI知识库赛道确实有需求，但中小企业付费意愿和客单价存在明显分层。愿意为知识库付高价的，通常是知识密集型企业，比如律所、咨询公司、研究机构；零售、制造类中小企业的预算反而有限。
• 我方现有客户如果以政府和传统企业为主，转化路径可能偏长。因为这些客户采购习惯偏项目制，不一定能接受标准化SaaS订阅。
• 更可行的切入口，是把知识库工具打包到现有定制开发项目里，先做轻量模块，积累真实使用反馈后再独立成产品。

这显然比“企业知识管理行业前景广阔”有用得多。因为它直接关联到“我方是谁、我方客户是谁、我方资源够不够”这些实际变量。

4.3 为什么这组输出能破除宏大叙事

关键在于整个生成过程里，发生了几次信息过滤：

• 第一次过滤在决策问题重述阶段，AI把“分析AI知识库行业”压缩成“5人团队要不要做标准化产品”。
• 第二次过滤在行业拆维阶段，AI不再谈整体市场空间，而是聚焦“愿意付费的人是谁”。
• 第三次过滤在评分卡阶段，AI必须给我方客户类型、预算、渠道限制打低分或问题标注。
• 第四次过滤在反方观点阶段，AI自己质疑“现有客户是否能转化为SaaS订阅用户”。

最后得到的内容自然以风险、边界、前提条件为主，因为每个步骤都在逼着AI收敛到决策语境里。

5. 实操中会踩的坑和调试方法

5.1 问题一：AI还是忍不住写“未来几年市场规模将达到”

这个现象很容易发生在没有给明确时间范围和分析任务的时候。调整方法有两个。

第一，在提示词里加一条负面约束，明确禁止某些表达：

禁止使用以下表述： - 市场前景广阔 - 未来可期 - 具有巨大的发展潜力 - 随着技术的不断发展 - 将成为新的增长点 如果出现这些表达，请用“在什么条件下、什么范围内有机会”替代。

第二，把输出模板里“行业事实”和“核心结论”的先后顺序固定住。先让AI写核心结论，结论里有判断、有约束，再去列行业事实。如果顺序反过来，AI容易先写一堆宏观背景，到后面就越写越泛。

5.2 问题二：AI对行业事实的时效性把握不准

行业分析最怕模型拿着两年前的数据当最新动态。我不是完全相信大模型自身的知识库，通常会在工作流前面加一个资料检索环节，或者明确要求AI区分“已知实时信息”和“模型自身记忆”。

在提示词里可以这样写：

• 所有数据必须标注时间范围。
• 如果无法确认最新数据，直接写“未获取到最新数据”，不要用旧数据推测当前状态。
• 涉及市场规模、增长率、市场份额等量化信息时，至少给出两个独立来源供交叉验证。

如果你搭建的AI团队支持工具调用，最好把搜索能力接进去。无法接搜索时，在输出开头加一段“信息来源说明”，把不确定的地方标清楚，也能大幅降低误导概率。

5.3 问题三：报告偏“行业视角”，不贴“我方视角”

这是最最常见的坑。原因在于用户输入里缺少“我方条件”，AI只能用默认的行业分析范式来补。解决办法就是前面提到的约束清单。

当你发现自己收到的分析报告里全是“行业如何如何”，没有“我方是否具备条件”时，回看输入是否完整：

一旦这些信息缺失，AI会把“我方”替换成一个不存在的理想主体。理想主体做什么都能成功，行业门槛再高它也能进入，这样的分析没有实际参考价值。

5.4 问题四：反方观点生成得敷衍

很多Prompt会说“请给出反方观点”，但AI生成的反方观点通常很弱，比如“也存在一定风险”“竞争可能加剧”。这是典型的为了满足格式而写的废话。

我后来把反方观点的要求改成“必须推翻核心结论”，提示词如下：

请在反方观点中尝试证明核心结论不成立。 每条反方观点必须包含： - 结论：核心结论错在哪里 - 论据：哪些事实或逻辑支持这个质疑 - 触发条件：什么情况下这个质疑会成为现实 如果反方观点和核心结论没有明显冲突，就必须重写。

这样改之后，AI会给“可以进入该行业”的结论找出一堆真实的反驳点，比如“中小企业客户决策周期长，6个月开发完不代表6个月能卖出去”“标准化产品需要持续售后，5人团队可能撑不起客户成功团队”。这些才是决策者真正需要提前想清楚的。

5.5 如何评估行业分析师Agent的输出质量

很多人问“怎么判断AI做得对不对”。我的建议是，看完报告先不要看结论对不对，而是看这三条：

• 这份报告是否回答了我输入的那个具体问题，而不是回答了一个更宏大的问题。
• 报告中是否存在“我方优势”“我方资源”“我方限制”这些概念，如果没有，说明角色跑偏了。
• 建议动作是否可以直接转为下一条任务。比如“联系3家目标客户做访谈”“整理近一年竞品定价表”“计算新产品的毛利下限”，这表示输出是行动导向的。

如果一个行业分析Agent跑完，你拿到的东西比写Prompt时还多，并且没有让你更清楚下一步该做什么，就该回到角色定义和工作流里去调了。

6. 后续迭代方向

目前这个行业分析师Agent还比较依赖人工输入约束条件。后续我准备做两个增强：

一是把历史项目的行业分析结果记录下来，做成一个小型案例库。每次分析新行业时，让Agent先检索历史案例，看是否有相似场景可以直接参考。

二是把评分卡和财务测算Agent连起来。行业分析师给出一个维度的判断之后，财务模型可以用这个判断校准收入预测。行业分析师再也不需要自己去编市场规模数字，只需要给“目标客户数量”“客单价范围”“销售转化率预期”三个变量，剩下的交给专门角色去算。

如果你也在搭类似的AI研究团队，我建议不要一开始就同时做9个角色。先挑一个高频使用的岗位，把输入、输出、约束、评分卡跑顺，再复刻到其他角色上。分析团队本质上不是越多角色越好，而是每个角色都有明确的边界和交付物。

“行业的宏大叙事不是我们入场的理由”这句话，放到AI Agent设计里，其实可以翻译成一句话：从一开始就别让AI有机会偏离你要做的那个具体决策。