AI Agent工作流实战：市场调研与产品工厂用例拆解

做AI Agent落地这段时间我手里最实用的一套组合用例就是openclaw里的Market Research市场调研和Product Factory产品工厂。这两个用例最初是英文文档我边翻译边改成自己能跑通的工作流中间改了十几版参数折腾了小半个月。这篇就是这个阶段的完整笔记适合正在搭Agent工作流的同学尤其是想用AI跑通调研—分析—出产品方案这条链路的人。先交代背景openclaw是我对这套多智能体编排方案的项目代号底层就是大模型调用加任务编排核心思路是让多个智能体节点各管一段活用结构化数据把上下文往下传。把这两个用例放在一起做翻译笔记是因为它们本身就构成一条流水线市场研究负责把外面的世界长什么样搞清楚产品工厂负责根据结论把东西造出来。这篇文章不聊虚的直接从我翻译文档时踩的坑、改的参数、跑通后的效果讲起。1. 这组用例在我的Agent工作流里是什么定位1.1 为什么偏偏是这两个用例先说传统做法。以前做市场调研流程基本是开一堆网页、翻竞品官网、整理表格、写PPT一个人起码要忙三四天而且中间大量时间花在信息搬运上。调研结束之后的产品方案又是另一个人的活不仅要重新读一遍调研材料还得再花两三天写PRD、排功能优先级。两件事都做完了往往已经过去一周。这两件事本质上有一个共性它们都是信息收集→结构化整理→生成内容的过程。市场研究收集的是外部市场信息产出结构化分析报告产品工厂收集的是这份报告产出产品概念和MVP方案。这种高度模式化的任务只要把规则定清楚就很适合拆给智能体去跑。openclaw里的这两个用例英文原文正是按照输入—处理—输出三段式来组织的。市场研究那边输入是一句话调研主题输出是一份带置信度标注的市场报告产品工厂那边输入就是这份报告的结构化数据输出一套完整的产品方案文档。两个用例一拼刚好拼成一条自动化链路。1.2 openclaw工作流的基本控制逻辑openclaw这类多智能体编排方案核心很简单把一个大任务拆成若干个节点每个节点绑定一个智能体角色节点之间用结构化数据传递结果。我习惯把它类比成工厂里的传送带——每个工位只负责自己那一段活干完了就把半成品放到下个工位工位之间不直接聊天只递东西。具体到我这套配置里节点大概分成几类触发节点接收用户原始输入解析节点把输入翻译成结构化任务书采集节点负责调搜索工具拿外部数据分析节点做归因和提炼生成节点写最终内容最后还有一个校验节点检查输出质量。实际跑的时候有些节点可以并行。比如市场研究里的竞品分析可以把头部品牌A、头部品牌B、新兴品牌C拆成三个采集节点同时跑最后汇总到一个分析节点。这种并行设计非常节省时间我试过从串行的40多分钟压缩到20分钟以内。中间结果一定要落盘。openclaw这批用例的英文文档里反复出现一个词叫checkpoint早期翻译的时候我把它理解成断点续跑后来发现它真正的价值是某个节点挂了重跑时不用把前面所有节点重新执行一遍直接从上个检查点接着跑就行。这个设计在做长链路任务时几乎是刚需。1.3 翻译这份用例时我给自己定的三条规矩我不是第一个翻译这份文档的人但翻得能不能用差别很大。给自己定了三条规矩。第一术语不硬翻。像Agent、Workflow、Pipeline、Prompt这类词英文文档里是日常词汇直接翻成代理工作流管道提示词虽然没错但放进中文技术语境里很别扭。我选择保留英文原文首次出现时给中文解释后面统一用英文或统一用中文绝不混着来。第二结构重排。英文文档是按功能模块组织的讲完市场研究的所有节点再讲产品工厂的所有节点。我读第一遍的时候很晕因为实际使用场景是先跑市场研究、再跑产品工厂文档却把它们拆开讲。翻译笔记里我按任务链路重新组织先讲调研怎么跑再讲工厂怎么接最后才是联调。第三所有示例本地化。英文用例里的调研示例都是国外市场的消费品数据源和搜索工具也不同。我全部换成国内能访问的源、国内熟悉的品类这样才能真正照着跑起来。2. 市场研究用例拆解从一句话到一个可信度够用的报告2.1 触发输入与需求解析节点市场研究用例的入口非常轻一句话就能触发。我在实际使用中经常直接甩给它帮我调研一下2026年自动猫砂盆的市场机会。这句话进入到第一个节点——需求解析Agent它会先把这句话翻译成一份结构化的调研任务书。解析节点做的事情很多人低估了。它不光是抽关键词而是要明确几个要素研究的品类边界是什么、时间范围取多长、优先看哪个地域市场、竞品范围怎么圈、最终报告要输出哪些字段。我一开始偷懒输入里没写时间范围结果报告里混进了五年前的数据整个参考价值大打折扣。我自己固定下来的调研任务书大概长这样{ topic: 自动猫砂盆, time_range: 2024-2026, geo_scope: 国内市场优先海外作为趋势参考, competitor_scope: [传统宠物用品品牌, 新消费品牌, 科技跨界品牌], required_fields: [ 市场规模与增速, 竞争格局, 用户核心痛点, 技术趋势, 机会缺口 ], min_source_count: 2, confidence_threshold: high_or_medium }注意min_source_count这个字段。它要求每个关键结论至少有两个独立来源支撑否则不进入报告。这个参数是后来才加的一开始没加的时候AI会基于一篇热度很高的自媒体文章把某个错误结论当成行业共识写进报告。2.2 信息采集与清洗链路任务书生成之后进入采集节点。采集节点不是一股脑把所有搜索结果拉回来而是按关键词组去搜。比如自动猫砂盆这个主题会被拆成市场规模头部品牌动态用户评价技术专利等多个关键词组每个关键词组最多翻3页搜索结构。这里有个容易忽略的细节搜索结果里面噪声特别大。电商平台的商品标题、问答社区的口水帖、新闻稿里的营销话术都会被搜索工具当成有效结果捞回来。所以采集节点后面必须跟一个清洗节点做三件事去掉明显重复的内容我设置去重阈值是0.82高于这个相似度的只保留一条、剥离广告和推广语、把网页正文截取成干净的纯文本。清洗完之后还有一个置信度标注环节。每条录入的信息会被标注为High、Medium、Low三档High表示来源权威且多个信源交叉验证过Medium表示来源质量一般但可参考Low表示只有单条网络来源、需要人工复核。为什么要花力气标置信度因为下一站就是产品工厂如果调研报告里塞了一堆低置信度的结论产品工厂会把这些结论当作事实去生成方案最后产出一个建立在沙地上的产品概念。所以我在分析节点里加了一条规则Low置信度的信息只允许出现在报告的待验证假设一栏不允许进入已有结论。2.3 市场报告的JSON输出结构市场研究用例的最终输出我在翻译时坚持改成JSON结构而不是自然语言长文。原因很实际产品工厂用例是程序化消费这份报告的JSON可以让下游节点精准取值不用再做一遍文本解析。报告结构长这样{ report_id: MR-2024-1101, generated_at: 2026-02-06T14:30:00Z, market_overview: { size_estimate: ..., growth_rate: ..., data_confidence: medium }, competitive_landscape: [ {brand: ..., positioning: ..., strengths: [], weaknesses: []} ], user_pain_points: [ {pain: ..., evidence: [..., ...], severity: high} ], trends: [..., ...], opportunity_gaps: [ {gap: ..., potential: ..., supporting_evidence: [...]} ], assumptions_to_validate: [...] }每个字段对应报告里的一个章节。opportunity_gaps这个字段是给产品工厂用的核心输入后面所有产品概念都从这里来。3. 产品工厂用例拆解研究结论怎么变成产品方案3.1 从机会缺口到产品机会点产品工厂的第一个节点接收市场研究报告的JSON做的事情是机会点提炼。它会把报告里的opportunity_gaps逐条拿出来补全成更完整的产品机会点描述。举例说明。假设调研报告里有一条机会缺口是用户普遍抱怨自动猫砂盆的清理模块拆卸困难且官方耗材贵。机会点提炼节点会把它补充成问题描述清理模块设计复杂用户需要仔细阅读说明书才能拆卸证据来源来自两个电商平台的36条商品评论和3条深度测评市场规模粗估该细分品类年GMV约几十亿量级其中配件和耗材占比将近三成可切入角度免拆卸清洁结构、兼容第三方耗材、模块化快拆设计注意这里不是让AI天马行空想方案而是要求每个机会点都必须带证据来源没有证据支撑的机会会被打回。我试过不加这条规则时AI经常会编出看似合理但没有任何数据支撑的伪机会比如用户渴望更智能的语音交互一看就是猜的。3.2 产品概念生成与筛选机会点提炼完之后进入概念生成节点。这个节点每个机会点生成3个产品概念一批下来大概是9到15个再由筛选节点选出综合评分最高的两到三个进入MVP方案环节。概念生成和概念筛选我用了两组不同的温度参数。生成时temperature调到0.85让模型放开思路多一些天马行空的组合筛选时temperature降到0.4让模型严格按规则打分少一些主观波动。筛选规则固定在三条技术可行性、与现有方案的差异性、目标市场规模是否足够支撑一款产品。每条规则单独打1到5分加权求和权重分别是0.4、0.3、0.3。这个设计参考了产品评审时的常见逻辑但真正落地的时候我发现还要再加一条与用户痛点的匹配度不然很容易选出一个技术上很酷但用户根本不关心的方案。3.3 MVP方案文档输出最终选中的产品概念会进入一个综合输出节点生成一份轻量级产品方案文档包含四块内容产品概念卡一段话讲清楚产品是什么、给谁用、解决什么问题、功能优先级列表用P0/P1/P2分级、用户旅程描述用户从知道产品到持续使用的完整路径、验证计划列出去验证方案是否可行的小实验。这部分的配置我在openclaw里写成下面这样product_factory: input_node: market_research_report concept_count_per_opportunity: 3 top_k: 2 temperature: generation: 0.85 screening: 0.4 screening_weights: feasibility: 0.4 differentiation: 0.3 market_size: 0.3 outputs: - product_concept_card - feature_priority_list - user_journey - validation_plan注意input_node指向的是market_research_report也就是市场研究用例的最终输出节点。两个用例就是这么接上的。如果市场研究那份报告还没跑完产品工厂会一直等这是通过openclaw的节点依赖机制实现的不需要自己写调度代码。4. 翻译笔记里的关键决策4.1 术语映射表整份翻译笔记里我卡了最久的就是术语处理。中文AI技术社区里同一个英文词能有好几种译法选择一多就容易乱。我最终固定下来的映射关系如下英文原文我的译法备注Agent智能体不译作代理避免和网络代理混淆Workflow工作流指整个任务编排流程Pipeline流水线特指节点串行执行的链路Trigger Node触发节点负责接收原始用户输入Tool Call工具调用智能体调外部搜索、数据库等能力System Prompt系统提示词常用缩写SPContext Window上下文窗口模型的单次输入上限Checkpoint检查点中间结果落盘位置Confidence Score置信度High/Medium/Low三档这张表看着简单但它在多个人协作时特别有用。我和团队里的成员约定讨论用例功能时必须用统一术语否则文档里一会儿代理一会儿智能体很容易出现理解偏差。4.2 结构重排与本地化适配英文文档是按功能模块介绍的我的翻译笔记按任务流程重新组织之后阅读体验好了很多。具体来说我把整个文档拆成三条链路调研链路、生成链路、联调链路。调研链路讲清楚市场研究怎么跑生成链路讲清楚产品工厂怎么用联调链路讲清楚两个用例怎么对接。本地化适配是另一块正事。英文用例里默认的搜索数据源在国内网络环境下基本跑不通就算能跑返回的内容质量和相关性也差一大截。我换了本地可用的几个搜索和资讯源并且针对中文内容特点做了处理中文网页噪声大广告多清洗节点的正则规则要单独加中文报告的写作习惯和英文报告不一样我要求AI在生成报告时用结论先行的结构每段先说结论再给证据而不是像英文报告那样先铺背景。4.3 参数配置的翻译原则openclaw的配置文件本身也是英文翻译笔记里我把每行配置都加了注释但加注释的方式有讲究。我不写这个参数是温度这种废话而是写温度生成概念时取高值筛选时取低值防止AI太保守或太发散。实际改配置的时候最大感受是参数之间会互相影响不能只改单独一个。比如把概念生成温度调高了筛选温度不动结果就是AI生成了很多奇思妙想但筛选环节依然只挑最保守的最后产出的方案还是没有惊喜。后来我把筛选规则里的差异性权重同步调高才把那些真正不同的概念捞出来。5. 实操中的坑与调优实录5.1 调研结果陈旧AI自己不知道第一次跑通市场研究用例的时候我让它调研一个消费电子品类。报告出来之后我拿了几条核心数据去核对发现里面的市场排名和去年一模一样问题出在采集节点用了缓存数据。Openclaw默认会对搜索结果做缓存避免每次跑同样任务都重复请求外部接口这本身没问题问题在我没设过期时间。后来我在缓存配置里加了TTL24小时内同一关键词直接复用缓存超过24小时必须重新采集。另外任务书里也强制要求报告标注数据采集时间和数据置信度。这两条加完报告明显健康多了。这里分享一个排查技巧如果怀疑数据太旧直接在触发输入里加一个强制刷新标记格式为force_refresh: true采集节点读到这个标记就跳过缓存逻辑。实际测试下来这个参数比去配置文件里改TTL方便得多适合临时需要最新数据的场景。5.2 产品概念同质化严重产品工厂第一次跑出来9个概念里有8个长得差不多核心功能大同小异区别只有外观词换了一下。解法分两层。第一层把概念生成的temperature从0.7调高到0.85让模型有更多探索空间。第二层也是更有效的我在概念生成节点加了一个反共识检查步骤要求模型主动寻找与主流方案相反的方向并解释为什么值得考虑。反共识提示词我后来固定成这样你现在是产品脑暴助手。你已经看到了前面的共性方案。请主动寻找一个和它们方向相反但逻辑自洽的产品思路并且用尽量多的证据说明这个方向为什么有机会。如果找不到如实说找不到不要硬编。加了这一条之后跑出来的方案才真正出现张性。比如在宠物用品场景下主流思路是把设备变聪明反共识方向是把设备变便宜变简单甚至回到半手动但更可控的状态这种方案听起来不性感但它确实对应一个真实需求。5.3 长流程中断与重试陷阱市场研究和产品工厂串起来之后整个链路要跑二十到三十分钟中途经常遇到节点超时或者外部接口返回异常。最早期的问题是一挂全挂某个采集节点超时整个任务直接终止前面跑的二十分钟全部白费。解决方法是三步节点加超时重试、中间结果落盘、任务幂等设计。超时重试我设置的是最大重试3次每次间隔递增第一次等10秒第二次等30秒第三次等60秒。检查点每完成一个节点就写一次磁盘重跑时直接从最后一个成功的检查点恢复。幂等设计指的是同一个输入数据无论处理几次结果都一样不会因为重试导致重复入库或重复扣费。这三步做完之后长链路跑挂的概率下降了很多而且就算挂了恢复时间也从重新跑一遍变成续跑剩余部分。如果有朋友在做类似的定时任务我强烈建议在架构里提前考虑这三个点不要等任务跑挂了再补代价完全不同。6. 这组用例沉淀下来的复用模板6.1 我固定住的概念生成提示词模板产品工厂里最核心的概念生成节点我最终固化了一版提示词模板经过十几轮调整目前长这样你是产品概念生成器。输入是一份市场研究报告的结构化摘要。 任务针对每一个机会点生成3个不同的产品概念。 要求 1. 每个概念必须包含一句话定位、目标用户、核心功能、差异点、主要风险 2. 不同概念之间要有实质差异禁止只换关键词 3. 必须引用报告中的证据字段作为概念依据 4. 不要给出无法落地的空想保持技术可实现性 5. 最后输出为结构化列表不要写长篇分析固定模板的好处是稳定。AI生成内容的随机性本来就大有了统一模板输出格式至少是稳定的下游筛选节点解析起来不用天天改代码。6.2 后续扩展方向这组用例我已经不止用在做产品调研了。同样的链路改一下输入就能变成技术选型调研、内容选题策划、竞品周报生成。比如市场研究部分输入换成某个开源框架的生态现状产品工厂换成基于生态缺口的技术方案设计跑出来的效果也一样好。最近在试的扩展是把周维度定时任务接进来让市场研究每周自动跑一次数据进本地库对比上周变化形成趋势简报。这个方向跑通之后市场调研就不再是项目制的一次性任务而是持续滚动的情报系统。我个人在实际使用中的体会是openclaw这两个用例真正值钱的不是英文文档本身而是把文档翻译成自己能跑通的环境之后反复调参过程中积累的那批规则。这里的规则包括置信度过滤、最低来源数、反共识检查、检查点恢复。这些细节才是Agent工作流能不能从demo能跑变成日常能用的工具的分水岭。如果你也准备照着类似思路搭一套建议从一条最简单的调研链路开始先把数据可靠性和容错做好再考虑接产品生成。链路长了之后返工的成本会指数级上升把地基打稳比什么都重要。