shield_lock
JinDaGe
← Back to skills
extension
Category: Data & AnalyticsNo API key required

阿拉丁·AI短剧竞品对标工坊｜爆款拆解·题材热度·差异化空白·付费墙参考

阿拉丁出品的 AI 短剧竞品对标工坊：把同题材竞品剧/爆款剧清单一键拆解成可落地的对标情报——题材热度与竞争密度分级(扎堆/蓝海苗头)、高频爆款套路频次、题材×套路差异化空白矩阵(找蓝海切口)、集数与更新节奏与付费墙位置分布、竞品强度100分制排行与标杆剧、并回灌选题/变现/剧本闭环。产出自包含 HTML 对标看板+Markdown 报告+CSV 台账。纯本地零依赖离线可用，竞品数据不出本机。skillhub 短剧类零竞品对标/爆款拆解技能，蓝海空白。

personAuthor: user_d18c97eahubcommunity
downloadDownload package

阿拉丁·AI短剧竞品对标工坊

立项前 10 分钟，把手头收集到的同题材竞品剧/爆款剧清单一键拆解，看清这条赛道有多卷、 别人靠什么套路火、付费墙普遍卡第几集、哪里还有差异化空白，用确定性数据支撑选题决策， 不再盲目跟风扎堆题材被淹没。

为什么需要：短剧赛道题材高度扎堆——甜宠、逆袭、战神、重生轮番卷生卷死。盲目跟风既定 爆款题材，往往一上线就被同质化淹没、跑不出量。上线前用竞品对标把「题材竞争密度、爆款套路 频次、付费墙位置、差异化空白」摸清楚，才能选对切口、把有限的投流预算花在刀刃上。

与选题环的分工：选题工具从热点/趋势生成创意；本技能从具体竞品剧清单拆解已有 爆款，找出竞品尚未覆盖的差异化空白，两者互补——先对标看清战场，再定选题切入。

与投后复盘的分工：复盘工具看自己上线后的逐集数据；本技能看对手的公开数据做投前 对标。一个知己、一个知彼。

数据安全：纯 Python 标准库，零第三方依赖、零云端 API，竞品情报全程不出本机。所有结论 可复算：同输入必同输出，评分、矩阵、排行都可版本管理与复现。

何时触发

  • 用户说「帮我拆解一下同题材的竞品短剧」「看看这条赛道卷不卷」
  • 用户问「这些爆款短剧都靠什么套路火的」「哪个题材还有蓝海空白」
  • 用户纠结「我的短剧付费墙该卡第几集」，想参考竞品普遍位置
  • 用户要做短剧立项/选题，需要投前竞品情报支撑决策
  • aladin-drama 系列闭环中，选题/变现/剧本环需要竞品对标数据回灌
  • 关键词：短剧竞品对标、爆款拆解、同题材竞品分析、差异化定位、题材扎堆、蓝海题材、付费墙参考、标杆剧

何时不触发

  • 从零头脑风暴选题创意（用选题生成向工具更合适，本款需要已有竞品清单做输入）
  • 自己账号/自己短剧上线后的逐集数据复盘（用投后复盘向工具）
  • 自媒体图文/短视频账号级的对手账号追踪（本款面向短剧逐剧级对标）
  • 通用商业/产品竞品分析（SWOT/五力/定价），本款专注短剧领域维度
  • 抓取平台数据（本款不联网，竞品数据由用户提供 JSON/CSV）

快速开始

# 1) 多源导入归一（竞品清单 JSON 或 CSV；可带我方计划题材/平台用于差异化定位）
python scripts/rival_ingest.py --json assets/sample_rivals.json \
    --my-genre 甜宠 --my-platform 红果 --out _rival_ir.json

# 2) 竞品拆解分析（题材热度/套路频次/差异化矩阵/排播规律/强度排行/回灌）
python scripts/rival_analyze.py --ir _rival_ir.json --out _rival.json

# 3) 渲染对标看板 + 报告 + 台账
python scripts/rival_report.py --analysis _rival.json \
    --out-html rival_board.html --out-md _rival_report.md --out-csv rival_table.csv

工作流程

  1. 导入归一 rival_ingest.py：读竞品清单 JSON（顶层数组或 rivals/items 包裹）或 CSV/TSV（中文表头别名自动匹配）；数值清洗（万/亿/千分位/百分号）；题材归一到 15 标准 题材，从简介+标签识别 10 类爆款套路；同名同平台去重 → _rival_ir.json。
  2. 竞品拆解 rival_analyze.py：题材热度与竞争密度分级 → 套路频次排行 → 题材×套路 差异化空白矩阵 → 排播规律（集数/付费墙/更新节奏）→ 竞品强度 100 分制评分与标杆剧 → 对标建议与 feedback 回灌契约 → _rival.json。
  3. 报告与看板 rival_report.py：自包含 HTML 对标看板（题材分布条形图 + 差异化矩阵 热力图 + 竞品排行 + 机会清单）+ Markdown 报告 + CSV 竞品台账。
  4. 语义级创意（Hy3）：脚本给确定性数据；差异化定位话术、套路换壳创新、标杆剧「为什么 火」的深度归因由模型 + 人工完成。

能力边界

能做：

  • 竞品短剧多源导入归一（JSON/CSV/TSV，中文表头别名，人类数值自动清洗）
  • 题材热度与竞争密度分级（扎堆/适中/蓝海苗头）、10 类爆款套路频次统计
  • 题材 × 套路差异化空白矩阵（标出扎堆格与竞品未覆盖的高价值组合 = 机会点）
  • 排播规律统计（平均集数区间、付费墙平均位置及占总集数百分比、更新节奏分布）
  • 竞品强度 100 分制评分与排行、自动选出标杆剧
  • HTML 对标看板 + MD 报告 + CSV 台账 + JSON feedback 回灌契约（选题/变现/剧本）
  • 编码自愈（utf-8/gb18030/utf-16），Windows/macOS/Linux 通用，全程可复算

不能做：

  • 不联网抓取平台播放/榜单数据（竞品数据需用户提供，凭证真实性自行核对）
  • 不替代创意判断（差异化选题的最终定夺需人工/模型）
  • 不预测某题材未来一定火（只呈现当前竞品格局，不做趋势预言）
  • 不做自己短剧的投后逐集复盘（那是复盘环的范畴）
  • 不生成短剧剧本/分镜（只做对标情报，产出回灌给剧本环）

输入与输出

| 方向 | 内容 | |------|------| | 输入 | 竞品清单 JSON（数组或 rivals 包裹）/ CSV/TSV（中文表头别名）；可选 --my-genre/--my-platform | | 中间 | _rival_ir.json（归一竞品 IR）→ _rival.json（题材/套路/矩阵/排播/排行/feedback） | | 输出 | rival_board.html（自包含看板）；_rival_report.md（对标报告）；rival_table.csv（竞品台账）；feedback 回灌契约 |

重要约束

  • 不联网：全程本地运行，竞品情报不出本机（T=可信，对标情报敏感）
  • 可复算：确定性规则，同输入必同输出；评分/矩阵/排行可复现（R=可复现）
  • 不臆造：只统计实际填写的数据；缺失字段按缺失处理，不编造播放量或结论（A=准确）
  • 人机分工：脚本管归类/统计/评分，差异化创意与深度归因交给模型+人工（C=可控）
  • 情报定位：结论为投前对标参考，最终选题决策以创作者判断为准（E=可解释）

参考资料（按需读取）

| 文件 | 何时读 | |------|--------| | references/genre-trope-taxonomy.md | 需要了解 15 标准题材、10 类套路词典与竞争密度/空白判定规则时 | | references/benchmark-algorithm.md | 需要了解强度评分算法、数值清洗、数据契约与 feedback 回灌结构时 | | references/usage-examples.md | 需要完整场景示例（JSON/CSV 导入 / 闭环联动 / Hy3 语义层）与输入字段速查时 |