前两天 Kimi K2 发布，这次好像不一样，带来的是 Agent级别的开源大模型
注意关键词：
- 「Agent 级别」意味着规划、工具调用、编程能力强，背后是1 T 参数 MoE“巨无霸”；
- 「开源」意味着便宜，不严谨的对比了一下，在 Claude Code 里，成本是 Claude Opus4 的 1/25 到 1/33
不是，这两方向真的能同时存在吗？
我决定把它放到我的垂直领域——数据分析场景下做复杂分析，看看表现如何。
正好我在做手机配件市场的竞品数据分析， 就直接拿Claude Code+Kimi 来跑完整落地的数据分析流程：数据采集、分析建模、复杂图表生成、再形成一份可以直接拿去给老板汇报的、带交互图表的HTML报告。
一、 方法论先行：“品类格子”分析框架
做市场分析，我们有一个非常落地的分析框架，叫“品类格子” ，专门用来回答诸如“我们的产品跟竞品比，差距在哪？”“下一个爆款该往哪个价格段打？”的战略问题。
品类格子，简单来说，就是把市场按“品类 x 价位段”画成一个棋盘，然后看你和你的竞争对手们，分别在哪些格子里落子，哪些格子还是空白。
“品类格子”的逻辑非常清晰，以终为始：
1. 最终目标 (Why)：为公司找到市场机会点，指导产品开发、定价和竞争策略。 2. 核心洞察 (What)：通过对比自家和整个市场的“品类格子”，看清我们在哪些品类、哪些价位段是强势区、弱势区，以及哪里是机会空白区。
3. 实现路径 (How)：
- 品类归一：不同品牌对同一品类的叫法五花八门（比如“Charger”和“Power Adapter”），需要用AI把它们统一成标准品类。
- 价位段划分：根据所有产品的价格分布，合理地划分出几个标准价位段。
- 数据采集：爬取自家和所有核心竞品网站的产品数据。
- 数据处理：
- 可视化分析：绘制“品类格子”热力图、品牌定位散点图等，直观展示竞争格局。
- 策略建议：基于可视化洞察，给出可落地的业务建议。
这个框架，就是我们指挥AI干活的“作战地图”。
二、工具准备
Claude Code 安装
见教程：再见 Cursor，从0到1用上Claude Code后，惊呼这才是生产力工具｜保姆级教程
Kimi K2 API获取与配置
- 前往Kimi开放平台申请API Key
https://platform.moonshot.cn/console/api-keys ，去这里创建你的api
新注册用户默认有免费赠送15元额度，创建好API Key 等待下一步使用
在 claude code 中使用 k2
方法一，最简单的方式，就是用这个项目提供的方法https://github.com/LLM-Red-Team/kimi-cc
复制上一步创建好的API key，打开终端粘贴就可以了⬇️
bash -c "$(curl -fsSL https://raw.githubusercontent.com/LLM-Red-Team/kimi-cc/refs/heads/main/install.sh)"
方法二，
配置环境变量来实现，复制以下命令到命令行，回车：
# 告诉claude将所有通常指向 api.anthropic.com 的 API 调用重定向到 Moonshot AI 的兼容端点
export ANTHROPIC_BASE_URL=https://api.moonshot.cn/anthropic
export ANTHROPIC_AUTH_TOKEN=你的kimiAPIkey
claude最终进入 Cladue Code 后看到如图界面，即可！
Playwright MCP 安装
Playwright 是一个可以通过代码编程的方式控制浏览器的工具。
而 Playwright MCP就可以直接让 AI 控制浏览器了，相关文章：
用Cursor「自动开发」Playwright网页自动化脚本，并打包成api给工作流调用
用 Playwright MCP 让 AI 改它自己写的屎山代码
在这里，是来解决数据采集问题的。
在终端里手动安装：
claude mcp add playwright -s user -- npx @playwright/mcp@latest
更绝的是，可以直接提需求让 AI 给你装
帮我安装 playwright MCP
不论哪个方式，最终输入指令/mcp，确保看到以下界面，才算是安装完成。
三、 Step 1: Playwright MCP，一句话搞定全网数据采集
数据采集，是所有分析的起点，也是过去最耗时、最繁琐的环节。但现在，Claude Code的出现，让这件事变得异常简单。
Playwright MCP能直接操作浏览器去浏览和抓取网页内容。
但采集之前，我们也得知道要采集什么，可以让 AI 先根据我们的分析方法给我们一个数据字段要求.csv
先让 Claude Code 跑一个网站的 数据采集试试水：
请你调用 playwright mcp工具，@playwright 启动一个浏览器,对网站 https://www.mous.co/
进行访问，采集这个品牌的数据，需要的数据字段要求看：数据字段要求.csv
不需要把所有产品都抓下来，但要求包含所有品类category_original，然后每个品类抓 top热门产品，总共至少20
个产品；把采集到的数据保存到 csv 文件中。注意不是让你写一个 playwright 脚本，而是调用 playwright
mcp工具来完成需求。前面你已经安装好了，如果没找到这个工具就先启动服务。老实说，有点被震撼到了，这个视频展示了 Claude Code 是怎么根据我们一句话很丝滑的自己规划步骤、访问网站、定位元素、抓取数据、保存成CSV文件：
采集到的结果表。
说实话，刚开始设想这个案例的时候我是担心的，因为实在太复杂了，我上次人工做的时候花了 3 天，但没想到前面这个需求Claude Code + Kimi K2这么轻松就给完成了。
信心大增！于是，我直接把17个竞品网站的URL列表丢给它，让它一口气全爬完。
为了防止AI在执行过程中反复问我要权限，打断流程，我开启了Claude Code的“狂飙模式”：
claude --dangerously-skip-permissions
这行命令能一次性授予AI所有权限，实现真正的“无人值守”自动化。
即可一次性提前授予 Claude Code 所有权限，后续不再弹出授权询问，实现“无人值守”操作。
看到这个Bypassing Permissions就说明设置好了。
当时已经是晚上 1 点多了，我设置完AI 后，我就去睡了。
第二天起床的时候，第二次震惊！CC真的就跑了 2 个小时，消耗 28.2k token，网站就给抓完了。
要知道，这些是不同独立站，而不是标准结构的电商平台，无法写一个通用的 python 脚本去爬，ai 工作流也不行。
此时，我只花了 5 分钟讲清楚我要什么。
所以这里可以看出来，大部分原先工作流的场景，甚至是 RPA 的场景都会被这样的 Agent Coding 替代
三、 Step 2-4: 一次性完成数据分析与报告生成
数据准备好了，接下来就是数据分析师的主场。
过去，我和AI协作是小心翼翼的，让它干一步，我检查一步，生怕它“发疯”乱搞。但鉴于Claude Code和它背后的Kimi K2在第一步表现如此惊艳，于是我有个很大胆的想法：让 AI 一次性帮我完成多个数据分析步骤的执行，但具体要什么还是得说清楚的：
这是我要做的Claude Code+数据分析场景：市场竞品分析。
```
业务背景是：
公司中，做什么产品，往往受产品结构限制，而产品结构是公司的「战略」，例如我们常见的畅销品、利润品等
更具体的，产品结构可以通过「品类格子」来量化：按不同品类、不同价格段划分的多象限矩阵
此时，再基于多竞品的数据，能形成整个市场的「品类格子」
通过把自己公司和市场的对比，就能看出来可以看出公司当前哪些价位段、哪些品类上比较强势，哪些还比较弱，进而得出产品策略
Claude Code方案：
➕playwright mcp 爬虫，把自家网站和竞品网站的产品信息爬下来，形成 csv
基于 csv 做品类格子矩阵：
1️⃣ 因为不同公司的品类定义不同，可以利用 AI 做品类划分
2️⃣ 对价位段做标准划分
可视化：做市场品类格子象限图，标出自家公司的产品
最终得出结论，给出业务建议
```
方案中的 1 爬虫已经完成了 ，数据放在了文件夹`各品牌产品数据`
现在需要你完成 2.品类格子矩阵分析和 3.可视化、4. 结论建议
注意不能直接用 AI 做分析，而是要决定好分析方法后写 python 脚本来完成分析，最后把可视化和结论建议做成 html
这个过程的文件都要保存到文件夹`数据分析-kimi`中
最终数据分析报告 html 要求：
1. 数据说明与数据分析方法简述
2. 市场总览、品牌竞争分析
3. 品类分析 ➡️ 品类竞争格局
4. 价位段分布 ➡️ 品牌平均价格对比雷达图
5. 「品类格子」分析
- 品牌市场定位分析：覆盖品类数-平均价 散点图，气泡大小代表产品数
- 市场竞争度：手机配件品类-价位段 分布热力图
- 各品牌在不同品类的产品数 分布热力图
3-5 每个小节都要有数据分析小结论结论
6. 分析结论与建议
汇总前面的小结论，形成整体建议：
- 市场进入机会
- 产品组合优化
- 定价策略
- 竞争策略
以及其他你认为有价值的分析与结论。这个Prompt非常长，也非常具体，几乎就是一份完整的数据分析需求文档（SOP）。我把对最终报告的所有期望，包括图表类型、分析维度、结论结构，全都清晰地告诉了它。
结果，Kimi K2完全没让我失望。它不仅理解了我的复杂需求，还真的就一步到位，生成了一大堆过程文件和最终的HTML报告。
报告整体不错，但还有点小问题，例如这里：可视化图表都 看不到
但实际上是有的，分布在了不同的 html 里
于是我让它修复：把各 html 的图嵌入到最终报告 html 里
最终报告market_analysis_report.html中看不到图表，我看各种图表分散在不同
html，需要把它们都嵌入到最终报告里，确保最终报告什么都包含。包括底下文字也看不清。但经过1-2轮简单的微调，一份高质量、专业化的市场分析报告就出炉了。
最终报告长这样：
四、 成果复盘：一份“专业级”的市场洞察报告
让我们来看看最终的成果。这份由AI主导生成的报告，从专业数据分析师的角度看，质量相当高：
- 结构完整：从市场总览、品牌竞争、品类分析，到价位段分布、核心的“品类格子”分析，再到最终的结论建议，逻辑层次非常清晰。
- 专业级可视化，兼具深度与美感：Kimi生成的一系列交互式图表（品牌定位气泡图、竞争热力图、价格雷达图），直观地揭示了市场格局。
- 品牌定位分析：通过动态气泡图，各品牌是“大而全”的巨头，还是“小而美”的垂直玩家，其市场占位一目了然。
- 品类格子热力图：直接用色块饱和度标出了哪些“品类 x 价位段”的格子是竞争红海，哪些是机会蓝海，市场机会一目了然。
- 结论有深度：基于数据分析，给出了关于市场进入机会、产品组合优化、定价策略等具体、可落地的建议。
为了更好地理解整个分析过程，我还让Kimi K2帮我解读了它自己生成的那些过程文件，它也梳理得井井有条，清晰地展示了从原始数据到最终报告的完整链路
Claude Code+Kimi 给的实在是太多了，让我直接退订了 Cursor：
数据分析-kimi/
├── 📊 数据文件层
│ ├── processed_product_data.csv # 清洗后的标准产品数据（416个产品）
│ ├── category_matrix.csv # 品类-价位段矩阵数据
│ └── analysis_results.json # 分析结果汇总JSON
├── 📈 可视化层
│ ├── brand_positioning.html # 品牌市场定位散点图
│ ├── category_competition_heatmap.html # 品牌-品类竞争热力图
│ ├── price_radar_chart.html # 品牌价位段分布雷达图
│ ├── category_price_heatmap.html # 品类-价位段竞争热力图
│ ├── price_distribution.html # 价格分布箱线图
│ └── brand_comparison.html # 品牌综合对比图
├── 📋 报告层
│ ├── market_analysis_report.html # 标准版分析报告
│ ├── enhanced_market_analysis_report.html # 增强版完整报告
│ ├── integrated_market_analysis_report.html # 集成版报告
│ └── embedded_market_analysis_report.html # 嵌入式报告
├── 🔧 核心脚本层
│ ├── category_matrix_analysis.py # 数据清洗+矩阵构建主脚本
│ ├── generate_visualizations.py # 可视化图表生成
│ └── generate_report.py # HTML报告生成
└── 📖 项目文档
└── README.md # 项目说明文档这次实战，我确实觉得Kimi K2给我带来了惊喜，这类Agentic 编程助手正在重塑数据分析的工作流：
从原来的“做一步、看一步、卡一步”到现在“把需求想明白，把结果等出来”，释放生产力带来的效率迭代，人效起码提升 2 到 3 倍。
从“人指挥，AI执行”到“人给目标，AI自主规划”：我们不再需要一步步地教AI怎么做，而是可以把一个高阶、复杂的目标（“做一份品类格子分析报告”）直接抛给它，它能自主地规划路径、调用工具、解决问题。
能掌握并驾驭这种全新的人机协作模式，或许才是我们每个人，在AI时代真正的核心竞争力。
以上
