新客户产品调研工作流
适用场景：新客户来找我们做 GTM / 叙事咨询，在正式接洽前需要先摸清其产品和公司情况。
全流程总览
[触发] 新客户接触
│
▼
Step 1 Penn 发相关文章/背景材料给 Claude
│
▼
Step 2 Claude 起草《调研任务书》→ 存入 00_Inbox/
│
▼
Step 3 Penn 拿任务书分别让 ChatGPT / Gemini 各写一份深度报告（Claude 不参与）
│
▼
Step 4 Claude 用 agent-reach 做社媒多平台实时调研
│
▼
Step 5 Claude 整理两份 AI 报告格式（统一 metadata / 清理 AI 残留标记）
│ → /clean-ai-export
▼
Step 6 Claude 综合三方来源写《最终调研报告》→ 存入 00_Inbox/
│
▼
Step 7 Claude 用 AI 产品分析框架逐维度分析
│
▼
Step 8 入库 Good / Bad Case → 03_Resources/Good Cases/ 或 Bad Cases/
│
▼
Step 9 更新 02_Areas/AI Product Research/Daily Collection
│
▼
Step 10 如有新洞察，反哺 03_Resources/Frameworks/AI产品分析框架.md
│
▼
Step 11 整理归档：相关文件移动到 01_Projects/{客户名} GTM/
│
▼
[完成] 准备好进入正式接洽
各步骤详解
Step 1｜触发与材料收集
执行者：Penn
Penn 向 Claude 提供客户相关材料，包括但不限于：
- 官方微信文章、媒体报道链接
- 产品官网
- 已知的融资公告、PR 稿
产出：Claude 在对话中建立初步认知。
Step 2｜起草《调研任务书》
执行者：Claude
基于收到的材料，起草一份结构化的内部调研任务书（供员工或 AI 工具执行，非客户访谈问题）。
标准结构：
- 公司基本信息（注册地、创始人、融资）
- 产品核心功能与体验
- 产品分发与运营现状（官网、App、Steam、社媒）
- 媒体与舆论声量
- 创作者与 UGC 生态（如适用）
- 团队背景核实
- 竞争格局
每模块输出格式：事实 / 信息来源 / 初步判断，找不到的信息标注”未找到”，不猜测填充。
文件命名：{客户名}-{产品名} 调研任务书.md
存放：00_Inbox/（后续移至项目文件夹）
Step 3｜AI 深度调研（ChatGPT + Gemini）
执行者：Penn（独立操作，Claude 不参与）
将任务书分别交给 ChatGPT（Deep Research）和 Gemini（Deep Research）各生成一份深度报告。
导出格式：Markdown 文件命名规范（Claude 稍后统一整理）：
2026-XX-XX - ChatGPT调研 - {客户名}-{产品名}.md2026-XX-XX - Gemini调研 - {客户名}-{产品名}.md
注意：两份报告的原始导出通常含有 AI 专属残留标记，无需手动清理，交给 Step 5 处理。
Step 4｜Claude 社媒实时调研
执行者：Claude（使用 agent-reach 工具）
覆盖渠道：X/Twitter、YouTube、Reddit、小红书、抖音、微信公众号、Steam、Exa 全网搜索
重点核查项：
- 社媒粉丝量、互动数据的真实性（警惕 PR 通稿数字）
- 第三方自然讨论 vs 官方主导讨论的比例
- Steam 等平台的实际用户数据
产出：调研数据直接写入《调研报告》草稿。
Step 5｜整理 AI 报告格式
执行者：Claude
对 ChatGPT / Gemini 导出的两份报告执行：
- 重命名：统一为
YYYY-MM-DD - {来源}调研 - {客户名}-{产品名}.md - 补充 frontmatter：统一
tags / created / status / source字段 - 清理 AI 残留标记：使用
/clean-ai-export- Unicode PUA 不可见字符
- ChatGPT
entity["type","name","desc"]标记 - ChatGPT
citeturn\d+search\d+引用标记 image_group{...}占位符
文件状态：status: source（标明为原始素材）
Step 6｜综合写最终调研报告
执行者：Claude
整合三方来源（自有社媒调研 + ChatGPT + Gemini），输出一份结构化的综合报告。
合并原则：
- 以自有调研为可信度基准（实时、有原始数据）
- ChatGPT 报告通常提供最详细的产品细节和 Steam 数据
- Gemini 报告通常有较好的竞品分析框架，但叙述偏 PR 口吻，需适当降权
- 所有无法独立核实的数据标注来源，不作为已验证事实引用
文件命名：{客户名}-{产品名} 调研报告.md
frontmatter：status: final + sources: [自有调研, ChatGPT, Gemini]
Step 7｜产品框架分析
执行者：Claude
调用 03_Resources/Frameworks/AI产品分析框架.md 逐维度分析：
- 时代定位（Enable vs Native）
- 场景边界（效率型 / 连接型 / 能力解锁型）
- 叙事策略（检查叙事强弱点、反模式）
- 技术可行性
- 商业模式
- 竞争定位
- 记忆与个性化
- 文化与市场适配
- Agent-native 壁垒（B2B 产品适用）
⚠️ 注意：框架主要针对 B2B/Agent 产品设计。消费级内容平台需转换视角——见框架顶部”适用范围说明”。
输出：各维度评分 + 一句话定性 + 对 GTM 的含义。
Step 8｜入库 Good / Bad Case
执行者：Claude
判断标准：
- Good Case：产品概念/方向正确，有可学习的设计原则，即使市场验证早期也可入库（加 caveat）
- Bad Case：存在根本性的产品设计错误（Enable 伪装 Native、场景判断错误、叙事无法证伪等）
文件命名：Case - {公司/产品} - {一句话标签}.md
文件内容：
- 为什么是好/坏案例（2-3 个核心理由）
- 关键设计模式或反模式
- GTM 参考（如适用）
- 相关文件链接
存放：
03_Resources/Good Cases/03_Resources/Bad Cases/
Step 9｜更新 Daily Collection
执行者：Claude
在 02_Areas/AI Product Research/Daily Collection/ 创建或更新当日收集记录，简要记录该产品的核心发现和分类结论。
Step 10｜反哺框架（按需）
执行者：Claude（发现新洞察时执行）
如果本次分析揭示了框架未覆盖的新维度、新模式或新反模式，写回 03_Resources/Frameworks/AI产品分析框架.md：
常见反哺类型：
- 新的场景类型（如”能力解锁型”）
- 新的叙事模式或反模式
- 新的竞争分析维度
- 框架适用范围的边界说明
每次反哺必须更新框架底部的”框架演进记录”。
Step 11｜归档整理
执行者：Claude
将所有相关文件从 00_Inbox/ 移动到项目文件夹：
01_Projects/{客户名} GTM/
├── {客户名}-{产品名} 调研任务书.md
└── Research/
├── {客户名}-{产品名} 调研报告.md ← 综合报告
├── YYYY-MM-DD - ChatGPT调研 - {客户名}-{产品名}.md
└── YYYY-MM-DD - Gemini调研 - {客户名}-{产品名}.md
Case 文件留在
03_Resources/Good Cases/或Bad Cases/，不移入项目文件夹——Case 是产品分析的沉淀，独立于项目存在。
最后执行 /use-git-agent 提交变更。
工具索引
| 步骤 | 工具 |
|---|---|
| Step 4 社媒调研 | /agent-reach（xreach / mcporter / exa / yt-dlp 等） |
| Step 5 格式清理 | /clean-ai-export |
| Step 7 框架分析 | AI产品分析框架 |
| Step 11 提交 | /use-git-agent |
典型完成时间参考
| 步骤 | 时间估计 |
|---|---|
| Step 2 起草任务书 | 15 min |
| Step 3 ChatGPT/Gemini 调研 | 30-60 min（Penn 独立操作） |
| Step 4 社媒调研 | 20-40 min |
| Step 5 格式整理 | 5 min |
| Step 6 综合报告 | 20 min |
| Step 7 框架分析 | 20 min |
| Step 8-11 入库归档 | 15 min |
参考案例
首个完整执行案例：Case - LinearGame Yoroll - AI原生互动影游平台
项目文件：01_Projects/LinearGame-Yoroll GTM/