拒绝伪需求：利用“AI 逆向工程”思维，快速拆解竞品技术路线图
摘要：
在 AI 赛道，竞品分析如果不深入到模型层和提示词层，就是在做“伪需求”。你抄了它的界面（UI），却不知道它背后是用 GPT-4 还是 Llama 3，是用 RAG 还是长上下文，这会导致巨大的研发资源浪费。
本文将分享一套“AI 逆向工程”工作流：利用 Perplexity 进行情报扫描，利用 Chrome DevTools 抓包数据，最后用 GPT-4o 反推竞品的 System Prompt 结构与模型体量。
01. 认知升级：从“看皮囊”到“看骨相”
传统 APP 的壁垒在功能逻辑，AI 应用的壁垒在模型选型与提示词工程（Prompt Engineering）。
当竞品上线了一个“超好用的文档润色功能”时，初级 PM 会说：“我们也做一个润色按钮。”
而高阶 AI PM 会问：
1. 模型层： 他用的是通用大模型，还是微调过的垂直模型？
2. 架构层： 他的响应速度这么快，是用了 Groq 这种推理加速芯片，还是模型量化了？
3. 策略层： 他的输出为何如此稳定？System Prompt 里加了什么约束条件？
02. 第一步：OSINT 情报扫描 —— Perplexity 的降维打击
不要用 Google 或百度搜竞品技术栈，信息噪音太大。Perplexity 是目前最高效的技术情报挖掘机。
实操场景：
假设竞品 App 上线了一个“法律合同审查”功能，准确率极高。你想知道他们背后的技术供应商。
工具：Perplexity Pro (开启 Copilot)
侦查 Prompt：
"Analyze the technical stack of [竞品App名称]'s newly launched contract review feature.
Focus on:
1. Which LLM provider are they partnering with? (OpenAI, Anthropic, or self-trained?)
2. Search for their engineering team's tech blogs, GitHub issues, or PR announcements regarding 'contract review'.
3. Are they using Vector Database (like Pinecone/Milvus) for RAG?"
Perplexity 的价值：
它会深度检索技术论坛、招聘JD（招聘要求往往暴露技术栈）、CTO 的访谈记录。你可能会惊讶地发现：“原来他们早在半年前就招聘了精通 LangChain 的工程师，并且使用了 MiniMax 的国产模型接口。”
03. 第二步：Prompt 结构逆向 —— Chrome DevTools + GPT-4o
竞品到底给 AI 下了什么指令，才让输出效果这么好？虽然我们看不到后端的 System Prompt，但我们可以通过“输出反推输入” 。
实操 SOP：
1. 抓包（Sniffing）：
- a. 打开竞品网页版，按 F12 打开 Chrome DevTools。
- b. 进入 Network 面板，筛选 Fetch/XHR。
- c. 执行一次核心功能（例如：点击“润色文案”）。
- d. 在网络请求中找到 /chat 或 /completions 接口，复制其 Response（通常是 JSON 格式的 Markdown 文本）。
2. 反推（Reverse Engineering）：
- a. 将竞品的输入（你的提问）和输出（它的回答）喂给 GPT-4o。
逆向分析 Prompt (发给 GPT-4o)：
GPT-4o 的输出：
它会给你一个高度还原的 Prompt 模板。通过这种方式，你能快速吸收竞品在“语气控制”和“边界防御”上的心法。
04. 第三步：深度推演 —— 用 Token 速率反推模型体量
这步最硬核。竞品不告诉你他用了什么模型，但**响应速度（Latency）和生成速率（Tokens/sec）**不会撒谎。
核心指标：
● TTFT (Time To First Token)： 首字生成时间。反映了服务器负载或是否使用了 RAG（检索增强）。
● TPS (Tokens Per Second)： 生成速度。反映了参数量大小。
实操逻辑：
1. 录屏测速： 录制竞品生成长文本的过程。
2. 计算 TPS： 生成总字数 / 生成总耗时。
3. 对标参考系（2024年Q4 行业均值）：
测得 TPS | 推测模型体量/技术路线 | 可能性分析 |
> 100 tokens/s | 极速/小模型 | 极大概率使用了 Groq 推理芯片，或 Llama-3-8B 级别的量化小模型。成本极低。 |
30 ~ 60 tokens/s | 主流大模型 | 类似 GPT-4o / Claude 3.5 Sonnet 的标准 API。兼顾智商与速度。 |
< 10 tokens/s | 超大模型 或 复杂 RAG | 可能是 GPT-4-32k 旧版，或者后端跑了极其复杂的 Agent 工作流（联网+检索+思考）。 |
深度分析：
如果竞品 TTFT 很慢（>3秒），但 TPS 很快，说明他在后端先跑了一遍 RAG（检索数据库），然后再流式输出。
如果 TTFT 极快但内容很傻，说明没有任何 RAG，直接裸调模型。
结论价值：
通过这个分析，你能算出竞品的Token成本。如果他 TPS 很高且免费开放，说明他用的是廉价小模型，你可以用更强的模型在质量上降维打击他；如果他 TPS 很低且收费昂贵，说明他背后有复杂的 Agent 链条，你需要评估研发壁垒。
05. 总结
● 用 Perplexity 扫清技术栈盲区。
● 用 Chrome + GPT-4o 偷师提示词逻辑。
● 用 TPS 速率 摸清成本底牌。
下期预告：
很多 AI 产品死在了“数据标注”这一环。下期我们将深入基建层，讲解 《标注员的职业进化：如何利用 Coze 搭建自动化“预标注”智能体》
#CompetitorAnalysis #ReverseEngineering #PromptHacking#
