2023年春天，首尔江南区一位创业公司CEO凌晨两点还在逐个打开竞争对手的网站，把价格一条条抄进电子表格。

他同时开着三十来个标签页，一边翻App Store的用户评价，一边跳到Blind论坛扫招聘帖，再切到Crunchbase查融资记录。这套流程每月重复一遍。

同一时刻，别的城市、别的办公室里上演着几乎相同的场景。投资分析师刷着几十个新闻站点赶早间简报，研究生在PubMed里筛几百篇论文写文献综述初稿，市场部负责人翻过去的投放数据，凭经验估下一个项目的胜算。

这四件事有一个共同的结构。

收集海量信息，过滤噪声，找出规律，整理成人能做判断的形式。耗时长，是因为信息散落在各处；容易出错，是因为人的注意力有上限。

Cowork在这四类调研工作中替你完成收集和整理。

它打开浏览器巡访竞争对手网站，读取新闻源生成摘要，分析论文输出对比表，从历史数据构建预测模型。留给人的事情是：对机器整理好的结果提出质疑、做出解读、拍板决策。

信息收集和情报是两回事。信息收集回答的是「发生了什么」，情报回答的是「这对我们意味着什么」。

Cowork以压倒性的速度搞定前者。后者仍然属于人。读机器整理的报告时，你不仅要看写了什么，更要留意它漏掉了什么。

1 自动化竞争对手深度分析

一、为什么需要

竞争对手分析不是截几张屏幕贴上去就完事的。它更像搭建一套侦察体系。

你需要知道对手有没有调价、有没有上新功能、在招什么岗位、用户在哪里吐槽。这些信息不会集中在一个地方，而是散落在官网、博客、社交媒体、应用商店、评测平台和招聘页面上。

人来做这件事，会碰上两个问题。一个是时间。要分析三家竞争对手，就得逐一查看价格页面、比对功能清单、去G2或Capterra读用户评价、到LinkedIn了解招聘动态。

把数据搬进Excel做对比表，再写成管理层能读的报告，至少要花好几天。报告放上桌的时候，市场已经又走了一步。

另一个是一致性。人累了会跳过一个标签页，会盯着熟悉的对手看而漏掉新冒出来的小公司。周五下午写的分析和周一早上写的，深度不一样。Cowork不会跳过。清单上的每一个目标，它都用同样的深度去查。

二、能做什么

Cowork的竞争分析结合了两项技术。一项是Claude in Chrome（让AI直接操控Chrome浏览器的扩展程序）。Cowork导航到指定URL，滚动页面，读取价格表，截图分析页面布局。另一项是子智能体并行处理。三家竞争对手就派出三个子智能体同时行动，主智能体负责汇总结果。

最终产出两份文件：一份是按竞争对手逐项对比价格、功能和目标客户的Excel矩阵，一份是包含战略洞察的Word格式情报报告（Intelligence Report）。

[须知] 网页抓取的法律边界

用浏览器自动化抓取竞争对手网站的公开信息，技术上完全可行。但「能抓」和「可以抓」是两码事。robots.txt作为网站所有者管控自动化访问的手段，已沿用超过三十年。动手之前，先查看对方网站的使用条款、robots策略和访问频率限制。有官方API就用API，别直接解析HTML。需要登录的页面、付费内容、含个人信息的区域一律不碰。分清技术上做得到和法律上允许做，是自动化的第一条原则。

三、怎么做：基本用法

从采集一家竞争对手的公开信息、生成一份摘要文档开始。

操作步骤

① 在桌面新建一个名为「竞争对手_分析」的文件夹。

② 打开Claude Desktop应用，点击顶部的「Cowork」选项卡。

③ 在左侧边栏中，为「竞争对手_分析」文件夹授予读写权限。

④ 进入设置 > 连接器（Connector），确认Claude in Chrome已启用。Chrome扩展程序需显示为已连接状态。

⑤ 输入以下提示词。

「请访问竞争对手A的网站（www.competitor-a.com），收集以下信息：1) 价格页面中各套餐的价格及包含功能；2) 产品介绍页面中的核心价值主张和目标客户信息；3) 博客中最近三个月内与产品更新相关的文章。将收集到的信息整理成Word文件，保存到这个文件夹。」

⑥ Cowork会制定计划并显示在侧边栏中。确认「访问价格页面 → 访问产品介绍页面 → 浏览博客」的顺序后，批准执行。

⑦ 浏览器自动打开，Cowork逐页访问。标签页边框变为橙色，表示Cowork正在控制该标签页。⑧ 任务完成后，文件夹中会生成一份Word文档。

四、怎么做：进阶案例

把竞争对手扩展到多家，同时加入评价数据。

① 输入以下提示词。

「请分析AI应用构建工具市场的三家竞争对手：Replit、Lovable、Bolt。访问各自网站，收集以下内容：

1) 各套餐价格及免费试用条件；2) 核心功能与局限；3) 主要价值主张和目标客户群；4) G2评价中近六个月反复出现的正面关键词和负面关键词。请用子智能体同时调查三家。结果输出为Excel对比矩阵和Word报告两份文件。」

② Cowork侧边栏会显示三个子智能体同时运行，分别标注为Replit负责、Lovable负责、Bolt负责。

③ 大约5到10分钟后，文件夹中生成两份文件。打开Excel，各竞争对手的价格、功能、评价关键词排列在同一行中。

五、怎么做：实战应用

在对比矩阵之上，加入战略洞察和定位图谱，产出一份正式报告。

① 输入以下提示词。

「基于前面对Replit、Lovable、Bolt的分析数据，制作一份面向管理层的竞争情报报告，按以下结构编排：

管理层摘要，三句话概括核心发现；竞争对手定位图谱，横轴为技术门槛（非开发者友好 ↔ 面向开发者），纵轴为价格区间（低价 ↔ 高价），说明各竞争对手所处位置；价格对比表，按免费、基础、专业、企业四个层级逐项对比；功能SWOT矩阵，列出各竞争对手的优势、劣势、机会、威胁；客户评价情感分析，统计正面与负面关键词频次及近期趋势；对我方的启示，指出可切入的定位空白和进入策略建议。输出为Word报告，另附一份Excel原始数据表。」

② Cowork会复用或新建子智能体来执行任务。如果某个环节数据不足，Cowork会自行判断「需要补充检索」，进而搜索新闻报道或技术博客。这一决策过程会显示在侧边栏中。

③ 打开生成的报告，定位图中标注了各竞争对手的位置，SWOT矩阵里写着诸如「Lovable对非开发者的可及性较高，但在可扩展性方面存在短板」之类的分析。

六、机器读不到的东西

Cowork生成的报告，是基于网页上公开文本的分析结果。竞争对手刻意隐藏的信息、定价页面背后不可见的折扣条件、招聘启事背后组织架构调整的深层脉络，都在机器的分析范围之外。

竞争对手突然降价，究竟是现金流断裂所致，还是为了垄断市场的战略选择？机器无法判断。评测网站的评分趋势它能展示出来，但那些评价是竞争对手自导自演的，还是真实用户的声音，只有人能分辨。

报告的真正价值，在数据收集结束之后才开始。矩阵中排列整齐的数字指向某个方向，是顺着数字走，还是凭直觉去读数字背后市场隐藏的另一面，取决于拿着报告的人如何决断。

七、遇到问题怎么办

(1) 无法从某个竞争对手的网站抓取数据，，可能是对方启用了反爬虫保护（bot protection），或者页面需要JavaScript渲染才能加载。可以指示Cowork：「如果该页面无法访问，请从缓存版本、新闻报道或评测网站中寻找替代来源，收集相同信息。」

(2) 评价数据量太少，，如果是初创企业或B2B产品，公开评价本身就不多。可以这样扩大搜索范围：「如果G2上的评价不足5条，请在Reddit和Hacker News上搜索该产品的相关讨论。」

(3) Excel对比表的指标口径不统一，，A公司写的是「每月100次」，B公司写的是「不限量」，很难放在同一列比较。在提示词中加上：「无法直接对比的项目，保留原文不动，并将该单元格设为黄色背景。」这样，需要人工判断的地方就一目了然了。

2 最新行业新闻与趋势简报

一、为什么需要

投资人和企业高管每天早上睁开眼，打开手机屏幕，迎面就是数百条新闻标题。

欧盟关于AI监管的新法案、半导体企业的财报发布、撼动全球供应链的地缘政治消息，全部混在一起。从这片巨大的噪音中挑出今天真正影响自己业务的三条新闻，再用三行字讲清楚它意味着什么，是每天早晨都要经历的一场苦差事。

有人用Google Alerts。

但Google Alerts依赖关键词匹配。设定了「AI监管」，它只会抓到正文里出现「AI监管」字样的文章。像「欧盟公布了针对高风险系统的新合规期限」这样的报道，因为关键词不完全吻合，就可能被漏掉。Cowork基于大语言模型的过滤机制在语义层面判断相关性，，即使文中没有「AI监管」这个词，只要内容与AI监管有关，就能被捕捉到。

二、能帮你做什么

设定Cowork的定时任务（Scheduled Task）后，到了指定时间，Cowork会自动唤醒，执行新闻采集、过滤、摘要，生成文件并保存到文件夹。每天同一时间，同样质量的简报准时送达。哪怕人忙得脱不开身或者生了病，它也不会停。

产出有两种形式。一种是文本简报：每条新闻三句话以内的摘要，再附上一句对自身业务的启示。另一种是卡片新闻样式的图片：借助Python脚本，把关键数据和一句话摘要渲染成视觉卡片。

[小贴士] 定时任务的运行条件，，Cowork的定时任务在用户本地电脑上运行，而非云端。

电脑必须处于开机状态，且Claude Desktop应用保持打开，任务才会执行。如果电脑休眠或应用已关闭，重新启动后会自动补跑之前积压的任务。

如果业务要求任务必须在精确时间执行，需要调整电脑的休眠设置，并让应用始终保持运行状态。

三、怎么做：基础用法

每天早上自动生成一份包含五条AI行业新闻摘要的文本简报。

操作步骤，，① 在桌面新建一个名为「每日简报」的文件夹。② 在Claude Desktop中切换到Cowork标签页，为该文件夹授予读写权限。③ 在聊天输入框中输入 /schedule，打开定时任务创建界面。④ 输入以下提示词：

「请在每天早上8点执行以下任务：通过网络搜索，筛选过去24小时内AI行业最重要的5条新闻。每条新闻用三句话以内概括，并附上来源URL。文件命名格式为'YYYY-MM-DD_AI_晨间简报.txt'，保存到该文件夹。」

⑤ Cowork会整理出任务名称、执行周期和任务内容供你确认。点击「Schedule」按钮完成设定。

⑥ 在左侧边栏的「Scheduled」标签页中，可以查看已注册的定时任务。

⑦ 第二天早上8点，文件夹里就会出现生成好的文本文件。

四、怎么做：进阶用法

指定具体的新闻来源，添加关联度标签和业务启示。① 编辑已有的定时任务或新建一个，输入 /schedule。

② 输入以下提示词：

「请在每天早上7点30分执行以下任务：新闻来源优先搜索TechCrunch、The Verge、韩国《电子新闻》、彭博科技版块。我是一家B2B SaaS企业的商务拓展负责人，请从这个视角筛选新闻。为每条新闻标注与我方业务的关联度（高/中/低），关联度为'高'的新闻附上一句话启示。保存为Word文件。」

③ Cowork会启用语义过滤，不是按关键词匹配，而是根据内容的实际相关性来筛选新闻。

五、怎么做：实战应用

在文本简报基础上增加卡片新闻图片，并自动推送到Slack频道。

① 在「设置 > 连接器」中确认Slack连接器已接入，指定Slack工作区和目标频道（例如 #晨间简报）。

② 用以下提示词创建定时任务：

「请在每天早上7点自动执行以下任务：通过网络搜索，筛选AI、半导体、云基础设施领域过去24小时的5条重要新闻。过滤重复报道，优先选择财报发布、正式产品上线等基于事实的文章，而非传闻。我是一名投资AI技术企业的风险投资人（VC），请从这个视角分析每条新闻的投资启示。将分析结果保存为'YYYY-MM-DD_晨间简报.docx'Word文件，存到该文件夹。用Python脚本将今天简报中最关键的3条新闻分别制作成卡片新闻图片（PNG格式），卡片上包含新闻标题、关键数据和一句话启示。

将做好的3张卡片新闻图片发送到Slack的 #晨间简报 频道。」

③ Cowork注册定时任务后，首次执行时会调用Python的Pillow库生成图片，通过Slack连接器自动将卡片新闻发布到指定频道。

④ 还可以增加一个按周汇总的定时任务：统计每日简报中反复出现的关键词和主题，单独生成一份「本周趋势报告」。

六、机器会遗漏的东西

机器在筛选和摘要新闻的过程中，算法的判断不可避免地介入其中。被机器认为不重要而丢弃的那些文章里，可能藏着改变世界的微弱信号。

人每天读新闻也容易忽略的，是缓慢的变化。昨天和今天的新闻看起来差不多，但跟一个月前比，格局已经不一样了。智能体能在每日粒度上用数据捕捉到这种变化，可「这个变化是否真的构成有意义的转折」，判断权在人手里。

机器整理出来的启示，是基于过去数据的推断，不是对未来的确定性预言。翻看设计精美的卡片新闻时，不要盲信经过机器视角编辑的世界，随时回到原文去核实的习惯不能丢。

四 遇到这些问题怎么办

(1) 预约时间到了，任务却没有执行 大概率是电脑进入了休眠状态，或者Claude Desktop应用已经关闭。重新打开应用，积压的任务会自动开始执行。如果需要每天定时运行，可以在操作系统的节能设置中，为对应时段开启自动唤醒。

(2) 新闻摘要太浮于表面 如果没有在提示词中明确指定角色，Cowork会从笼统的视角做总结。把关注领域收窄，比如写成「我是一名重仓半导体板块的分析师，请聚焦英伟达、台积电、三星电子的业绩和供应链变化」，分析的深度会完全不同。

(3) 卡片新闻图片上的韩文乱码 这是Python图像生成库找不到韩文字体时出现的问题。在提示词中注明「韩文字体请使用系统已安装的Malgun Gothic」，或者提前把要用的字体文件(.ttf)放进文件夹，就能解决。

3 专业文献与学术调研

一 为什么需要这个功能

假设一位研究者要调查「维生素D补充对免疫功能的影响」。在PubMed输入关键词，瞬间涌出成千上万篇论文。从中辨别哪些是荟萃分析、哪些是临床试验，判断样本量是否充足，筛选近五年内的研究，再把结论相互矛盾的论文摆在一起比较，直到完成一份完整的文献综述(Literature Review)，往往要花上几周甚至几个月。

光PubMed一个平台就收录了超过3900万篇生物医学文献。在这个量级下，靠单一关键词检索，会漏掉大量相关论文。用「vitamin D supplementation」搜出来的结果，和用「cholecalciferol AND immune response」搜出来的结果，重叠部分可能不到一半。只有把同义词、下位概念、MeSH词表(Medical Subject Headings，美国国立医学图书馆管理的医学主题分类体系)组合起来，检索范围才能真正覆盖全面。设计检索式本身就是一项专业技能。

二 它能做什么

Cowork把这个过程大幅压缩。用户抛出一个宽泛的主题，它会拆解成多个子查询，同时投入学术数据库进行检索。采集到的论文按研究类型分类，从每篇论文中提取研究设计、受试者人数、测量指标、主要结果，生成结构化的对比表格。它会区分结论一致的领域和结论矛盾的领域，并标出需要进一步研究的空白地带(Research Gap)。

最终产出的是一份具备引言、方法论、对比分析、结论等完整结构的学术综述文档。每个论断后面都附有参考论文的引用标注。

Cowork的Opus 4.6模型拥有100万token(约75万个英文单词)的上下文窗口(Context Window)，在技术上完全可以同时加载数十篇论文全文，进行交叉分析。

[知识补充] 什么是证据金字塔？

在医学研究中，并非所有论文都具有相同的证据权重。系统性文献综述(Systematic Review)和荟萃分析位于最顶端，随机对照试验(RCT, Randomized Controlled Trial)紧随其后，观察性研究和病例报告则排在下层。这套等级体系被称为证据金字塔(Evidence Pyramid)。指示Cowork进行文献综述时，要求它按照这个金字塔分配权重，产出的学术严谨性会明显提升。

三 怎么操作：基础用法

先从最基本的开始：把事先收集好的10篇论文PDF交给Cowork阅读，让它生成一份对比摘要表。

操作步骤

① 在桌面新建一个名为「文献_综述」的文件夹。

② 把之前下载好的10篇论文PDF放进这个文件夹。

③ 在Cowork标签页中，给这个文件夹授予读写权限。

④ 输入以下提示词。

「请阅读这个文件夹里的全部10篇PDF论文，从每篇论文中提取以下信息，生成一张Excel对比表。列设置：作者、发表年份、研究类型(RCT/观察性研究/荟萃分析等)、受试者人数、主要干预措施、测量指标、核心结果、研究局限性、引用信息。提取完成后保存为'论文_对比表.xlsx'。」

⑤ Cowork会依次读取PDF并提取数据。论文篇幅较大时，会拆分出子智能体进行并行处理。⑥ 文件夹中会生成一个Excel文件，每篇论文占一行，信息一目了然。

四 怎么操作：进阶案例

不手动放入PDF，而是给Cowork一个主题，让它通过网络检索自行查找论文。

① 输入以下提示词。

「请以'维生素D补充对呼吸道感染预防的效果'为主题，进行文献综述。检索PubMed和Google Scholar，优先采集近5年内发表的荟萃分析和随机对照试验。至少收集15篇以上，从每篇论文的摘要中提取研究设计、样本量、给药剂量、主要结果，生成对比表。如果有结论相互矛盾的论文，请分析造成结果差异的方法论原因。」

② Cowork会自动扩展检索词。

不仅使用「vitamin D supplementation AND respiratory infection」，还会同时投入「cholecalciferol AND upper respiratory tract infection」「25-hydroxyvitamin D AND pneumonia prevention」等变体查询。

③ 采集到的论文按证据金字塔进行分类，荟萃分析获得更高的权重。

五 怎么操作：实战运用

生成一份完整的文献综述报告，并识别出研究空白。

① 在前面进阶案例获取的数据基础上，追加以下提示词。

「请基于已采集的论文数据，撰写一份正式的文献综述报告，按以下结构组织。引言，研究背景和综述目的；检索策略，使用的数据库、检索词、纳入与排除标准；证据汇总，维生素D每日1000IU以下给药组与2000IU以上给药组的效果对比，不同年龄段的结果差异；矛盾分析，对结论相左的论文进行方法论差异的逻辑解释；研究空白，指出既有研究尚未覆盖的人群(儿童、亚洲人群等)和条件；参考文献，将所有引用论文的书目信息按学术格式整理。请生成Word文件，并另附一份Excel对比表。」

② Cowork会拆分子智能体，一组分析低剂量论文，另一组分析高剂量论文，再由主智能体汇总整合。

③ 完成的报告中会包含这样的批判性分析：「维生素D每日1000IU给药可降低呼吸道感染发生率，这一结论在5项RCT中得到了一致验证，但另有2项研究未观察到显著差异。这种不一致可以用受试者基线维生素D水平的差异来解释。」

六 不只是医学领域的事

同样的框架可以直接套用到法学、工学、社会科学等领域。比如要比较AI基本法的各国立法案例，EU AI Act、美国的行政命令、中国的《生成式人工智能服务管理暂行办法》、日本的AI指南，Cowork可以系统地采集并生成对比表，研究者就能把精力集中在分析和解读上。专利纠纷中的现有技术检索、判例检索和技术文献调查，同样的结构一样适用。

七 机器看不到的东西

Cowork生成的文献综述是初稿。机器擅长分析论文中的数据和方法论，但它无法完全考量数据产生时现实世界的复杂变量。一篇受药企资助、在研究设计上带有微妙偏倚的论文，机器很难百分之百识别出来。当绝大多数研究支持某个定论时，机器也可能把少数提出颠覆性假说的论文当作误差而排除。

评估论文的方法论是否站得住脚，解读结论相互矛盾的深层原因，做出最终判断，这些是专业人员的职责。Cowork是缩短专家抵达判断所需时间的工具，不是替代判断本身。原本耗时数周的工作压缩到几天，省下来的时间让研究者能够思考得更深入。这才是这项技术真正的承诺。

八 遇到这些问题怎么办

(1) Cowork读不了论文PDF PDF如果是扫描件(内容以图片而非文字形式保存)，需要先做OCR处理。指示Cowork：「这份PDF是扫描件，请先进行OCR识别，再提取文本。」分辨率较低的扫描件可能导致识别率下降。

(2) 引用格式不符合要求 不同学术期刊使用不同的引用格式。在提示词中明确指定想要的格式即可。比如写「参考文献请使用Vancouver格式，按序号编排」，就能得到对应的格式。

(3) 怀疑出现了幻觉(Hallucination) Cowork可能引用并不存在的论文，或者错误概括真实论文的结论。务必抽取产出文档中5到10篇关键论文的DOI编号，到PubMed上逐一核实。在提示词中加上「每条引用必须附上DOI编号，无法确认来源的文献不要使用」，可以降低幻觉风险。

4 决策机器人的搭建

一、为什么需要决策机器人

市场部负责人提出了一项网红营销方案。

方案内容是向一位拥有50万粉丝的美妆博主支付3000万韩元，委托其制作产品测评。CEO问了一句：「这次投放的预期回报率是多少？以前做过类似的投放，效果怎么样？」

市场部负责人凭直觉能回答，但拿不出数据。过往的投放结果散落在好几个电子表格里，成功和失败的原因从未被系统地梳理过。

经验丰富的实战人员，直觉大多是准的。问题在于，如果无法用数字来解释这种直觉，就很难在组织内部形成说服力。把「感觉不错」变成「参照过往相似案例，成功概率72%」，这就是决策机器人要做的事。

二、决策机器人做什么

决策机器人通过学习历史数据，在输入新项目条件后，计算预期ROI（投资回报率，Return on Investment）和成功概率。Cowork用两种方式来实现它。

一种是模式分析。Cowork读取包含过往投放费用、博主画像、效果指标的CSV文件，建立统计标准，辨别在哪些条件下投放走向了成功或失败。

另一种是多角度情景分析。不是由一个AI给出答案，而是在Cowork内部同时运行市场分析智能体、财务建模智能体和魔鬼代言人（Devil's Advocate，故意提出反对意见以发现决策漏洞的角色）智能体，让它们从不同视角对方案进行验证。

三、怎么做：基本用法

从分析过往投放数据、判断新投放的成功可能性开始。

跟着做

将过往网红投放数据整理成CSV文件。列的构成如下：博主名称、粉丝数、平均播放量、互动率、内容类型（视频/图片/图文）、产品品类、支付金额、投放周期、转化数、销售增量、ROAS（Return on Ad Spend，广告支出回报率）。数据达到20条以上，分析的可信度会明显提升。

② 在桌面新建一个名为「决策_机器人」的文件夹，把CSV文件放进去。

③ 在Cowork中授予该文件夹访问权限，输入以下提示词。

「这个文件夹里的CSV文件是我们公司过去网红营销投放的数据。请分析这些数据，回答以下问题。1) 区分成功投放（ROAS 3倍以上）和失败投放的关键变量是什么？2) 粉丝数与ROAS之间是否存在相关性？3) 不同内容类型之间的效果是否有差异？请将分析结果整理成一份Word摘要报告和一份Excel详细分析表。」

④ Cowork读取数据并执行统计分析，借助Python的pandas和scikit-learn库提取变量之间的相关性与规律。

⑤ 报告中会出现这样的分析：「相比粉丝数本身，互动率与ROAS的相关性更强。粉丝数在10万至30万区间的中小博主，平均ROAS达到4.2倍，表现最佳。」

四、怎么做：进阶案例

在分析结果的基础上构建预测模型，输入新的投放条件来预判结果。

① 输入以下提示词。

「基于刚才的分析数据，请搭建一个预测模型：输入新投放条件后，能计算预期ROAS和成功概率。输入变量：粉丝数、互动率、内容类型、产品品类、预算。输出：预期ROAS区间、成功概率（ROAS达到3倍以上的概率）、风险因素。模型完成后，请用以下条件测试：粉丝50万、互动率3.2%、视频测评、美妆品类、预算3000万韩元。」

② Cowork构建回归分析或决策树（Decision Tree）模型，给出测试结果。形式类似：「预期ROAS 2.8至4.1倍，成功概率67%，风险因素：该博主近三个月互动率呈下降趋势。」

③ 可以不断调整条件，对比多种情景。把预算降到2000万韩元、分散给三位中小博主会怎样？内容类型从录播视频换成直播会怎样？将各情景的预期结果并排摆放，逐一比较。

五、怎么做：实战运用

组建智能体团队，打造一个从多角度验证商业决策的AI顾问委员会。

① 输入以下提示词。

「我们准备推出一个定价7500美元的AI领导力训练营。为了验证这个决定，请启动三位智能体组成的团队。

1号智能体，担任市场分析师。请在网上调研竞品训练营的价格区间、目标客户和差异化卖点。2号智能体，担任财务建模师。假设定价7500美元、目标学员50人、月营销费500万韩元、讲师费2000万韩元，计算盈亏平衡点和12个月收益预测。3号智能体，担任魔鬼代言人。请找出这个项目可能失败的理由，至少5条。重点挖掘现实风险，比如与现有免费内容的差异化不足、经济下行期高价培训需求萎缩等。请综合三位智能体的结果，生成一份1页的决策摘要，以Word格式输出，在推进（Go）、有条件推进（Conditional Go）、搁置（No-go）三个选项中给出推荐。」

② 三个子智能体同时开始工作。侧边栏会显示各智能体的进度和中间结果。

③ 最终生成的摘要中会包含类似这样的建议：「7500美元的定价在初期大概率构成进入门槛，建议先以2000美元的短期课程切入，再向结业学员推销全价课程，推荐有条件推进。」魔鬼代言人智能体指出的风险项会在单独章节中列出。

六、不只是网红营销

这套框架具有通用性。

判断是否进入新市场时，可以用同样的结构分析过往进入案例的成败因素，再代入新市场的条件。在人才招聘中，也可以基于历史招聘数据，搭建模型预测特定岗位的离职率或绩效表现。

诉讼策略同样适用。积累相似判例的胜诉率、审判庭倾向、各争点的采纳率数据后，就能变成一个评估新案件胜诉可能性的风险分析工具。

七、机器无法担保的事

机器算出的成功概率和预期回报率，建立在一个前提之上：过去的数据模式会在未来重复。疫情暴发、新竞争者出现、大众口味转变，这些都是数据里没有录入过的未知变量。

历史数据不足20条，统计可信度就会下降。市场环境剧变时，过去的规律无法预测未来。Cowork给出的数字不是板上钉钉的预言，而是有条件的估算。在理解这一点的基础上，将机器人的输出与自身经验相结合，才能做出更好的判断。

在一块看似完美的分析仪表盘前，落笔签下最终审批文件的那一刻，伴随这个选择而来的冒险和责任，留给的不是机器，而是做出决定的那个人。

八、遇到问题怎么办

(1) CSV数据的列名中韩混杂 Cowork可能会错误映射列。在提示词中注明「'粉丝数'列表示follower count，'支付金额'列表示payment amount」，告知各列含义，分析准确度会提高。

(2) 模型给出的预测过于乐观 如果历史数据中成功案例的记录远多于失败案例（只留下幸存记录的生存偏差），模型就会高估成功概率。这时可以指示：「考虑到我们的数据中失败案例可能记录不足，请对成功概率施加保守修正。」

(3) 魔鬼代言人智能体过于苛刻 这个角色的设定就是专挑弱点，结果难免偏向负面。在摘要中将魔鬼代言人的意见作为参考项，最终判断时对三位智能体的分析做均衡考量即可。

本章讨论的四项工作，是调研的四个不同切面。竞品分析描绘市场的当前地形，新闻简报每天捕捉地形的变化，学术调研梳理深层专业知识，决策机器人则从积累的数据中计算未来的概率。

在这四项工作中，Cowork扮演的角色是一样的：收集散落各处的信息，过滤噪音，整理成人可以做判断的形式。在这四项工作中，人要扮演的角色也是一样的：对机器整理出的结果保持怀疑，不仅关注文本里写了什么，同样关注文本里漏掉了什么，然后在此基础上做出决策。

首尔那位创业公司的CEO，再也不用熬到凌晨两点开着一堆浏览器标签页了。早上到公司，文件夹里已经躺着一份报告。真正变化的，是他读这份报告的时间里做的事。他不再手动搬运数据，而是去思考数据没有指向的地方。那段思考的时间，才是竞争对手分析真正产生价值的地方。