围绕DeepSeek在AI指导老师竞品分析中的提问框架，拆解角色设定、约束条件、多轮追问与证据校验，给出可复用的实战方法。
AI指导老师赛道在生成式AI接入后快速升温，学习规划、错题讲解、口语陪练和作文批改等场景都出现了新产品，团队做竞品分析时却常停留在功能清单对比。DeepSeek能够提升资料整理和维度拆解效率，但输出质量高度依赖提问结构。把提问框架拆开看，核心不是“问得更长”，而是让每个问题对应一个明确决策，并让模型在信息不足时暴露缺口。
1. 提问框架的决策映射与边界控制
竞品分析提问的第一步不是直接输入“分析一下竞品”，而是先明确这次分析要支撑什么决策。AI指导老师团队常见的决策包括是否增加错题归因模块、是否把家长端报告作为付费点、是否在口语陪练中加入音素级纠音。每个决策对应不同的分析对象和证据要求，提问框架需要把决策问题翻译成模型可执行的任务。例如要判断是否增加错题归因模块，提问可以写成“请以AI指导老师产品负责人的角色，对比三款公开可体验的初中数学AI指导老师产品，在错题讲解场景中的诊断入口、追问、反馈颗粒度和家长端可见信息，输出时区分公开资料、用户评论和你的推断，并列出信息缺口”。这个提问把角色、对象、场景、维度和证据要求放在一起，比泛泛要求“分析竞品优势”更容易得到可用结果。
边界控制同样关键。DeepSeek的训练数据存在截止时间，无法自动获取竞品最新版本、实时定价和内部运营数据，提问时必须限定材料来源和推断权限。实际操作中可以把竞品官网公开说明、应用商店评论、公开课截图文字和发布会信息作为输入材料，要求模型只在这些材料范围内归纳，遇到材料未覆盖的部分标注“信息不足”。AI指导老师领域还涉及未成年人隐私、内容合规和教学效果宣称，提问框架要明确排除无法验证的效果承诺，把分析重心放在交互流程、反馈颗粒度、家长沟通和服务履约上。边界越清楚，模型越不容易用看似完整的结构掩盖证据缺失。
2. 角色设定与信息约束的联动设计
角色设定不能停留在“资深教育专家”这类空泛身份，而要绑定具体决策场景和数据权限。让DeepSeek扮演“AI指导老师教研负责人”，它会自然关注学习闭环、教研成本和教师介入节点；让它扮演“家长体验设计者”，则会偏向报告可读性和信任建立。角色决定关注维度，信息约束决定输出可信度，两者需要联动设计。一个可复用的提问结构是：先给角色和任务，再给可用材料，随后限定时间范围、样本范围和输出格式，最后要求区分事实、推断和假设。比如“请以AI指导老师服务运营负责人的角色，基于我提供的三款产品公开介绍和二十条应用商店评论，归纳其在首次使用引导上的差异，输出为对比表文字描述，事实与推断分开标注，不要补充材料之外的数据”。
AI指导老师竞品分析容易陷入“一次性大提问”，让模型同时分析市场、产品、教学和商业四个层面，结果往往每层都浅。更稳妥的做法是把分析拆成市场层、产品层、教学层和商业层，每层单独提问，再把模型输出作为下一轮追问的素材。信息约束还要包括输出长度和证据等级，例如要求“每个判断最多用两句话说明依据，没有依据的判断直接删除”。这种约束会迫使模型收敛到可验证的信息上。实战中还可以要求模型先给出分析维度建议，由人工筛选后再逐维度深挖，避免提问者自己的分析框架尚未成形就让模型自由发挥。
3. 多轮追问中的证据链构建
DeepSeek单轮输出容易出现结构完整但证据薄弱的情况，多轮追问的目标是形成证据链，而不是反复改写措辞。第一轮可以让模型搭建分析框架，第二轮要求它为每个判断补充依据，第三轮做反证和边界测试，第四轮收敛成可复核的结论。以AI口语陪练竞品分析为例，模型可能判断某款产品“纠音反馈更及时”，追问时就应要求它说明依据来自公开资料、用户评论还是推断，并给出可观察指标，例如响应时长、纠音维度数量、是否给出音素级建议、是否支持重录对比。如果模型无法给出指标，这个判断就应降级为待验证假设。
证据链构建还需要主动引入反证。可以继续追问“如果该产品在弱网环境下延迟明显增加，原有结论是否成立”“如果家长端报告只展示评分不展示错音细节，反馈及时是否仍构成优势”。这类问题能暴露模型结论的适用条件，也能帮助团队区分功能存在和体验有效。AI指导老师领域的证据不能只看功能截图，还要关注教学效果证据和服务证据，例如纠音后是否给出针对性练习、错题讲解是否追溯到知识点和习惯标签、家长报告是否提供可执行建议。对于模型不确定的内容，应要求标注低置信度，并用同一问题换角色或换材料交叉提问，比较结论是否稳定。证据链越完整，竞品分析越能进入决策讨论，而不是停留在描述层面。
4. 分析结果向教学决策的转化
竞品分析的终点不是一份对比文档，而是AI指导老师团队可执行的教学决策。DeepSeek输出经过证据校验后，需要被转成决策卡：要解决的问题、支撑证据、可选方案、主要风险和下一步验证动作。例如分析发现竞品在错题讲解中同时给出知识点标签和习惯标签，团队不能直接照搬，而要判断自身产品是否具备对应的数据采集能力和教研解释能力。提问时可以要求模型“基于以上分析给出三个可执行方案，按投入产出排序，并说明每个方案需要补充验证的数据”。这样输出的方案更容易进入课程设计、提示词策略、服务流程和定价讨论。
在AI指导老师场景中，教学决策还要经过小样本验证。竞品在家长端展示“错因追问”脚本，不代表家长愿意为此付费，团队可以用一轮灰度测试观察报告打开率、续费意向和客服咨询类型。DeepSeek可以帮助设计验证问题和指标口径，但不能替代真实用户反馈。提问框架的最后一层应要求模型明确“哪些结论可以直接用于方案设计，哪些必须通过试用或访谈验证”，并把验证成本纳入方案排序。分析结果只有落到具体教学动作和验证动作上，竞品分析才真正完成从提问到决策的闭环。
