嘉宾分享_黑客级竞品调研：超前预判，从一份“Cursor”竞品报告谈起_@张和老师

我一直要求学员们，用“黑客级”的思路去做竞品调研，他们也确实产出了很多高质量的报告。最近，一份关于 AI 编程工具 「Cursor」的报告，就做得很典型，产出质量非常高。所以我想借这个机会，拿它当个案例，和大家分享一下为什么要做？怎么做？。

为什么 AI 时代，我们必须换一种方式做竞品分析？原因很简单：传统PM罗列功能、对比 UI、画流程图那套方法，正在迅速失效。AI 产品的真正核心竞争力，比如模型、数据、算法策略和技术架构，全部都藏在用户界面之下。

我一直跟团队和学员们强调一个理念：“深度优先，超前预判”。你必须具备把“信息”转化成“知识”甚至“智慧”的能力。而这，要求你转换思维，从一个产品“使用者”变为一个系统“拆解者”。

这套方法论，我把它拆解为三层，下面我结合这份 「Cursor」报告，来给你讲透。

第一层：表面洞察- 人人都能看到的“共识”（What）

常规的调研（我称之为“一级PM调研”）通常就停在这一层了。他们会做什么呢？

• 看评测与新闻：了解产品大概功能和市场反馈。

• 上手体验：亲自试用，了解用户流程和核心交互。

• 功能对比：做个表格，拉出竞品 A、B、C 的功能矩阵。

这些工作是基本功，是必要的，但远远不够。

为什么？因为它只回答了 “What”（它是什么，卖给谁）——这些信息是决策的“背景板”，而不是“决策依据”。

在这份「Cursor」报告里，学员们也漂亮地完成了这一层：他们详细分析了「Cursor」的市场规模（TAM/SAM/SOM）、融资历史、用户画像等等。

这是非常扎实的基本功。但我告诉他们，“黑客级”调研，必须从超越这一层开始。

第二层：深度拆解—— 探寻冰山之下的“How”

这一层是“黑客级”调研的核心。我们要从“黑盒”走向“白盒”，通过逆向工程，回答“How”（它是如何实现的）。这要求你（PM）必须有极强的技术好奇心和一手信息挖掘能力。

在「Cursor」这份报告中，学员们对“第二层”的挖掘堪称典范。他们没有停留在“Cursor 很好用”这个体验层面，而是去回答“Cursor 为什么这么好用？”

【案例一：逆向“上下文”——Cursor 的核心护城河】

他们从公开的开发者访谈、技术博客、甚至 Github 提交记录中拼凑线索。

比如，他们通过分析安装包和网络请求，证实了「Cursor」的核心决策是“Fork VS Code”而非“做插件”。我带你们看看，他们是怎么做的——

1）定位核心架构：他们发现Cursor 的成功并非插件，而是对 VS Code 的“分支”（Fork），这使其获得了对编辑器的完全控制权。

2）挖掘 RAG 系统：通过研究技术博客和社区讨论，他们发现，Cursor 的上下文系统（RAG），并非简单的向量检索——Cursor 使用 Merkle 树 来跟踪文件变更，这使其无需“每次都重新上传整个代码库”。

3）深挖技术选型：他们进一步发现，Cursor 的向量数据库选型是 Turbopuffer。这是一个关键的“黑客级”洞察——Turbopuffer 专为低成本和高吞吐设计，使 Cursor 的运营成本比传统向量数据库低 20 倍，还解决了企业的隐私顾虑。

这个洞察的价值是什么？

它解释了「Cursor」商业模式的可扩展性（低成本）和市场准入（解决隐私问题）的底层技术原因。

【案例二：从“竞品”看“自己”——拆解代码搜索的“路线之争”】

一个“黑客级”的调研，绝不只看单个产品。而是需要行业全景视野。他们发现，AI 代码工具在核心“上下文”问题上，存在三条截然不同的技术路线：

1）实时搜索派（如 Claude Code）：完全放弃 RAG，而是采用 Agentic 方式，按需调用 grep、glob 等工具实时搜索。

2）图结构派（如 Aider）：使用 AST（抽象语法树）将代码解析为图结构。

3）混合 RAG 派（如 Cursor）：使用向量化 + RAG，但通过 Merkle 树和 Turbopuffer 等技术创新，来优化性能和成本。

这个发现的价值又是什么？

它揭示了「Cursor」成功的偶然性与必然性。当你的团队在做技术选型时，是应该“实时搜索”还是“混合 RAG”？这份报告提供了千金难换的决策依据。

这就是“黑客级”调研的力量，它提供的不是观点，而是基于深度拆解的事实与权衡（Trade-offs）。

第三层：战略洞察—— 导出“So What”的行动（我们该怎么办）

1、做调研，最终的目的，不是写出一份完美的报告，而是为了形成超前的战略预判和正确的产品决策。

2、一份像「Cursor」这样的深度报告，是“战略层”的弹药。它回答了终极问题：“So What”（我们该怎么办）。

3、这正是我指导学员时，要求他们达到的最终目的。调研的前两层是“输入”，而这一层是“输出”——将深度洞察转化为驱动团队的实际行动。

以下是我个人工作中的一些实践案例，用以说明，这种“第三层洞察”在实战中是如何发挥价值的：

【案例一：提前半年预判苹果的端侧 AI 架构】

• 洞察（来自第二层）：2023年，我通过研究谷歌发布的端侧 AI Core 框架论文，发现其通过微调和适配器（LORA 热拔插）技术，解决了手机端侧一个“基础模型如何适应几百个不同场景”的问题。

• 行动（我的第三层）：当时我们内部的自研大模型团队，尚未关注此方向。我立即推动大模型算法和 OS 工程团队，往这个方向预研。

• 结果：六个月后，苹果在 WWDC 上发布了 Apple Intelligence，采用了几乎完全相同的技术架构。而我们因为提前布局，极大地减少了追赶的时间。

【案例二：在公司内部成功立项战略级项目】

• 洞察（来自第二层）：我通过研究一篇苹果公司关于“ GUI 多模态大模型”的学术论文（Ferret UI），预判“AI Agent 通过界面识别（GUI）与系统交互”将成为未来的关键技术方向。

• 行动（我的第三层）：我以此为依据，撰写报告在公司内部建议立项。

• 结果：这个方向，后来成为了公司的战略级项目，获得了巨额资源投入。

这就是通过超前预判，帮助团队提前“占坑”。

总结：成为一个“深度优先”的黑客型 AI 产品经理

AI 产品经理的竞争，本质上是认知深度的竞争。

这份「Cursor」调研报告，就是“深度优先”理念的绝佳产物。他们从人人可见的“市场规模”开始，一路挖到了“Merkle 树”和“Turbopuffer”，甚至洞察了整个赛道的“技术路线之争”。拥有这种级别的认知，才能做出远超他人的精准决策。

门槛确实很高，但是难走的路，才是壁垒最高的路。所以，想成为一个“黑客型”AI 产品经理，我的建议是：

1）坚持系统性学习：将每一次新闻，都转化为一次深入的知识学习或实践。

2）寻找最佳信息源：抛弃二手信息，拥抱官方文档、开发者大会、核心人物访谈和学术论文。

3.）深度优于广度：与其花时间体验 10 个落后的产品，不如把一个领先玩家（如 OpenAI、Cursor）的技术文档“从头到尾”读一遍。

4）将洞察转化为行动：最终的目标，是通过深度研究形成超前预判，并将其应用到自己的产品战略和日常工作中，创造实际价值。

ps，这份「Cursor」深度报告，由于包含了三期学员的相关个人信息 ，所以不便公开分享完整版。希望自己也能学会这套方法的同学，欢迎关注11月份的四期课程（及公开课）——

张和老师「AI实战训练营」四期课程，即将于11月中旬开启！本周末11月1号、2号晚8点，将进行2场直播公开课宣讲，欢迎报名~

（一）四期课程亮点预告

训练营经过前面3期、300+学员、半年多的深度打磨，在评测体系、实战体系、硅谷前沿洞察、学员共创氛围等几方面，有非常大的提升；所有这些，都将累积到四期训练营中。核心亮点包括——

1. 全网最深度的、实操性极强的LLM评测驱动体系！

• 核心思路是“look at your data”，在错误类型分析上，下足够深入和体系的功夫；接着建立一套代码+LLM as judge的自动化高效评测机制。关于LLM as judge怎么做，也非常讲究。

• 这套体系，是张和老师结合自己两年多的LLM落地经验、自动驾驶评测、硅谷领先SaaS案例、多个领先论文，整理总结出来的，内部用起来屡试不爽。

2. 独一无二的“输入、实战、输出”三大实战模式

黑客级调研是“输入”，从零做AI产品是“实践”，AI产品知识整理是“输出”，整体深度贯彻了费曼学习法。

2.1 输入：黑客级竞品调研小组实战（3周）

• 以小组为单位，对某款硅谷或国内领先产品，进行底朝天式的逆向级调研，包括相关的市场和竞品全面摸排、主创成员的推特、该产品详细的技术架构。

• 并且，小组成员会一起搭建核心的评测集case，实际摸索产品的技术边界。最终产出一份，接近于该领域创业团队深度的报告，“能用于立项进军该方向”的程度。

2.2 实践：从0到1打造一款AI产品（4周）

• 与市场上的AI代码开发应用课程不同，我们一方面带大家上手AI代码工具，一方面带大家做一款“有深度、面试时拿得出手的AI产品”！在实战过程中，张和老师会全程提供关于产品方向、Prompt调试、workflow编排、Agent工具设计等方面的指导。

• 做一款小游戏、有趣的网站其实没那么难，但能不能让项目成为“求职AI产品经理的核心亮点项目”，是非常需要资深AI产品面试官的视角的！

• 三期课程结束后，已有十几个同学，凭借训练营做的AI产品项目，在面试中与面试官侃侃而谈几十分钟，拿下知名公司的AI产品offer！

2.3 输出：面试求职角度的“AI产品知识输出整理”（3周）

• 从准备AI产品经理面试的角度，更系统地整理（近2个月）课程中学到的所有AI技术知识、产品方法论、对Agent/上下文工程等的实战心得体会，进而输出为文档。

• 学员从“讲给面试官听”的角度，用5-10分钟时间，系统讲解自己在AI产品某个方面的文档和心得，张和老师会站在面试官角度提供反馈，比如哪里不够本质、精炼，哪里还可以更能体现自己的踩坑经验。

• 很多同学在这个阶段，已经能写出非常有深度的AI产品相关的公众号文章，对于求职起到了直接的作用！

（二）本周末，张和老师会来咱们社群「」直播分享（2天公开课），欢迎大家观看交流

一、时间 & 主题

11月1号（周六），20点，公开课 DAY 1

主题：评测驱动如何破解AI落地90%难题 & 产品经理转AI最佳路径

1. AI产品落地最常见的难题

2. 评测驱动-一招致胜的AI产品方法论，最新全网最深度体系讲解

3. 产品经理转型AI，内部转岗/求职如何选、赛道如何选

11月2号（周日），20点，公开课 DAY 2

主题：产品经理学AI——如何从认知到实操，碾压面试官

1. 如何掌握超越95%身边人的AI学习体系，不在硅谷胜在硅谷？

2. AI深度调研->从零打造AI产品->个人品牌，用输出倒逼输入

3. 从零到一打造属于自己的AI项目：什么样的项目，能让你从认知到实操，碾压面试官。

二、参与方式

加小助理乐乐微信（下图二维码），发送“直播”二字，乐乐会加你进本次分享的专属微信群；人数限额500人，先到先得。

在直播前后及过程中，会有张和老师分享答疑、相关资料、PPT截图等福利机会，发放到群里。

视频回放，会在直播后的1~2天内，发到专属微信群，以及咱们知识星球「」里。

黄钊hanniman，前腾讯PM，前图灵机器人-人才战略官/AI产品经理，13年AI、16年互联网经验；社群“”（8年）和自媒体“hanniman”（11年）；作品有《》、「」。