自動化競品分析：終端裡的 AI Agent + 網頁抓取

週二早上，三個瀏覽器分頁的深淵

早上九點。產品主管說中午之前要一份最新的競品定價比較。你打開三個瀏覽器分頁 — 每個競品的定價頁一個。你滾動。你把數字複製到試算表。你發現其中一家上個月改了方案。你回去重新確認，然後發現漏掉了藏在「聯繫銷售」按鈕後面的企業方案。你從頭來過。

兩小時後你有了一張比較表。一週內就會過時。下週二，整個流程再來一次。

大多數團隊就是這樣做競品情報的。手動、慢、而且結果的保鮮期跟生魚片差不多。一個產品經理追蹤五個競品的定價、功能和更新紀錄，每週花三到五小時在本質上是機械性的工作：開一個 URL、找到對的數字、複製到表格、重複。

有更好的做法。一個帶無頭瀏覽器的 AI agent 可以自動拜訪每個競品頁面、把你要的資料精確抽取成結構化格式，而且可以平行處理所有競品。三個競品在兩分鐘內分析完，不是兩小時。整個流程在你的 terminal 裡跑，而且你可以排程讓它每週一早上自動執行，完全不用碰瀏覽器。

本文走過完整的設定步驟。具體範例是比較三個 AI CLI 工具的定價頁 — Claude Code、Gemini CLI 和 Codex CLI — 但這個 pattern 適用於任何競品分析場景。

你需要什麼

工具：

• Claude Code — 負責執行分析的 AI agent。需要 Claude 訂閱（Pro $20/月起）。各 AI CLI 工具的完整比較在 2026 AI CLI 工具完全指南。
• Playwright MCP server — 讓 Claude Code 透過無頭 Chromium 瀏覽器瀏覽網頁。MCP 是 Model Context Protocol 的縮寫 — 它是讓 AI agent 存取外部工具的標準協議。不需要另外安裝 Playwright，MCP server 會處理。
• Termdock（建議） — 用來同時跑多個 agent session。單一 agent 用任何 terminal 都行。

時間： 初次設定 15 分鐘。之後每次分析不到 10 分鐘。

步驟一：設定 MCP Server 的網頁瀏覽能力

Claude Code 本身不會瀏覽網頁。它需要一個 MCP server 把瀏覽器操作暴露為可呼叫的工具 — 想像成給 agent 一雙手來點擊、一雙眼睛來讀網頁。

Playwright MCP server 啟動一個無頭 Chromium 實例，提供 navigate、snapshot、click 和 evaluate（在頁面上執行 JavaScript）等工具。

在你的專案 .mcp.json 中加入：

{
  "mcpServers": {
    "playwright": {
      "command": "npx",
      "args": ["@anthropic-ai/mcp-playwright@latest"],
      "env": {
        "DISPLAY": ""
      }
    }
  }
}

或設定在 ~/.claude/mcp.json 讓所有專案都能使用網頁瀏覽功能。

啟動 Claude Code 並要求它瀏覽任意 URL 來驗證：

claude
> Navigate to https://example.com and tell me the page title

如果 Claude Code 回傳了頁面標題，就沒問題了。如果它說找不到瀏覽器工具，檢查 npx 能不能找到 @anthropic-ai/mcp-playwright 套件，以及防火牆有沒有擋住 Chromium 的對外連線。

步驟二：定義抽取 Schema

有用的競爭情報和一堆雜亂文字之間的差距，就在一件事：你在開始抽取之前就決定好要抽什麼。這就是 schema 的意義。

定價比較的 schema 長這樣：

## 抽取 Schema：定價頁

針對頁面上找到的每個定價層級，抽取：

- **層級名稱**（例如「Pro」「Enterprise」）
- **月費**（美元，月繳）
- **年費**（美元，年繳折算月均）
- **用量限制**（請求數、token、席位 — 看單位是什麼）
- **主要包含功能**（列出前 5 個差異化功能）
- **主要未包含功能**（相較更高層級的顯著缺失）
- **免費層級細節**（如果有的話）
- **最後驗證日期**（今天的日期）

輸出為 markdown 表格，每個層級一列。

把這個存為 schemas/pricing-comparison.md。你會在 agent prompt 中引用它。Schema 獨立成檔案代表你可以不改 prompt 就切換 — 功能比較用 schemas/feature-comparison.md，更新追蹤用 schemas/changelog-tracker.md。同一個引擎，換不同燃料。

步驟三：撰寫 Agent Prompt

Prompt 告訴 agent 怎麼用瀏覽器工具和 schema。以下是單一競品分析的 prompt：

你是競爭情報分析師。你的任務：

1. 用 playwright 瀏覽器工具導航到指定 URL
2. 對頁面做 snapshot 了解結構
3. 按照下方 schema 抽取定價資訊
4. 如果定價頁連結到子頁面（例如「查看完整功能比較」），
   導航過去並抽取額外資料
5. 輸出結果為結構化 markdown 表格

## 抽取 Schema

[schemas/pricing-comparison.md 的內容]

## 目標

- 公司：{COMPANY_NAME}
- URL：{PRICING_URL}

## 規則

- 只抽取頁面上可見的資料。不推測、不猜測。
- 如果某個資料點不存在，寫「未列出」而非猜測。
- 在輸出中包含每個資料點的來源 URL。

步驟四：執行單一競品分析

在擴展到平行執行之前，先用一個競品測試。先做 prototype，再 scale。

claude --prompt "$(cat <<'EOF'
你是競爭情報分析師。用 playwright 瀏覽器工具
導航到 https://claude.ai/pricing 並抽取所有定價層級資訊。

針對每個層級，抽取：
- 層級名稱
- 月費（美元）
- 用量限制（每個時段訊息數、功能）
- 主要包含功能（前 5 項）

輸出為乾淨的 markdown 表格。只包含頁面上可見的資料。
EOF
)"

Claude Code 會：

1. 透過 Playwright MCP server 啟動無頭瀏覽器
2. 導航到定價 URL
3. 對頁面做 snapshot 了解 DOM 結構
4. 抽取定價資料
5. 格式化並回傳 markdown 表格

單頁抽取通常需要 30-60 秒。有動態內容的頁面（JavaScript 渲染的定價計算器、互動式滑桿）會更久，因為 agent 可能需要跟 UI 元素互動才能看到所有層級。

處理動態內容

有些定價頁把真正的價格藏在分頁、切換或「顯示更多」按鈕後面，得點兩層才看得到。Playwright MCP server 的 click 工具處理這個：

導航到頁面後：
1. Snapshot 頁面
2. 如果有「月繳」和「年繳」的分頁，點擊每個分頁並抽取兩組價格
3. 如果有「查看所有功能」或「比較方案」的連結，點擊並抽取完整的功能矩陣

你描述要找什麼。Agent 決定要點擊哪些元素。就像跟研究助理說「年繳價格也幫我抓一下」，而不是自己寫 CSS selector。

步驟五：擴展到平行執行

一次處理一個競品已經比手動快了。三個競品同時跑，數學完全不一樣。

平行模式

開三個 terminal 面板。在 Termdock 中，把視窗分成三個垂直面板。在每個面板中，啟動一個 Claude Code session 針對不同競品：

面板 1 — Claude Code 定價：

claude --prompt "分析 https://claude.ai/pricing 的定價。抽取所有層級、\
價格、用量限制和主要功能。輸出為 markdown 表格。" \
> output/claude-code-pricing.md

面板 2 — Gemini CLI 定價：

claude --prompt "分析 https://ai.google.dev/gemini-api/docs/pricing 的定價。\
抽取所有層級、價格、速率限制和主要功能。輸出為 markdown 表格。" \
> output/gemini-cli-pricing.md

面板 3 — Codex CLI 定價：

claude --prompt "分析 https://openai.com/chatgpt/pricing/ 的定價。\
抽取所有層級、價格、用量限制和主要功能。輸出為 markdown 表格。" \
> output/codex-cli-pricing.md

三個 agent 同時跑。每個啟動自己的無頭瀏覽器實例，導航到目標 URL，獨立抽取資料。實際花費時間：三個加起來 1-2 分鐘，對比依序執行的 6-10 分鐘。

為什麼平行 Agent 需要獨立面板

每個 Claude Code session 維護自己的 MCP server 連線和瀏覽器實例。它們不共享狀態。這是特性，不是限制。共享 cookie 或快取的瀏覽器 session 會在競品之間洩漏狀態 — 想像一個 session 的登入 token 跑進另一個。隔離的 session 保證乾淨的抽取。

實際需求：每個 agent 需要一個 terminal。像 Termdock 這樣的 terminal multiplexer 讓這件事變得可管理。你在一個視窗中看到所有三個 agent 同時工作、即時抓到錯誤、如果某個網站暫時掛掉就重跑那一個 agent — 不影響其他的。

步驟六：合併與比較

三個 agent 都完成後，你有了個別的 markdown 檔案。最後一哩路是把它們餵回一個 agent 做跨競品比較：

claude --prompt "$(cat <<'EOF'
我有三份競品定價分析。比較它們並產出：

1. 統一的比較表，所有競品為欄位
2. 三種開發者類型的「最佳性價比」建議：
   - 獨立開發者，預算有限
   - 專業開發者，中度使用
   - 團隊負責人，跨多專案重度使用
3. 關鍵差異化：每個工具有什麼是其他工具沒有的？

## 競品資料

### Claude Code
$(cat output/claude-code-pricing.md)

### Gemini CLI
$(cat output/gemini-cli-pricing.md)

### Codex CLI
$(cat output/codex-cli-pricing.md)
EOF
)" > output/competitive-comparison.md

輸出是一份文件，包含：

• 標準化的比較表格（所有價格統一格式、相同的層級分類）
• 定性分析（差異化因素、缺口、定位）
• 針對每種使用者類型的可行動建議

這就是你會寄給產品團隊、放進策略文件、或用來做定價決策的交付物。花了五分鐘，不是五小時。

變成每週可重複執行的任務

跑一次的競品分析很有用。每週一早上你倒咖啡時自動跑完的競品分析是策略優勢。

自動化腳本

#!/bin/bash
# weekly-competitive-analysis.sh
# 執行方式：bash weekly-competitive-analysis.sh

set -euo pipefail

DATE=$(date +%Y-%m-%d)
OUTPUT_DIR="competitive-intel/$DATE"
mkdir -p "$OUTPUT_DIR"

COMPETITORS=(
  "Claude Code|https://claude.ai/pricing"
  "Gemini CLI|https://ai.google.dev/gemini-api/docs/pricing"
  "Codex CLI|https://openai.com/chatgpt/pricing/"
)

SCHEMA=$(cat schemas/pricing-comparison.md)

# 階段一：平行抽取
PIDS=()
for entry in "${COMPETITORS[@]}"; do
  IFS='|' read -r name url <<< "$entry"
  slug=$(echo "$name" | tr '[:upper:]' '[:lower:]' | tr ' ' '-')

  claude --prompt "你是競爭情報分析師。\
用 playwright 瀏覽器工具導航到 $url。\
按照此 schema 抽取定價資料：$SCHEMA \
公司：$name。輸出為 markdown。" \
    > "$OUTPUT_DIR/${slug}-raw.md" &

  PIDS+=($!)
done

# 等待所有抽取完成
for pid in "${PIDS[@]}"; do
  wait "$pid"
done

echo "抽取完成。合併中..."

# 階段二：合併與比較
COMBINED=""
for entry in "${COMPETITORS[@]}"; do
  IFS='|' read -r name url <<< "$entry"
  slug=$(echo "$name" | tr '[:upper:]' '[:lower:]' | tr ' ' '-')
  COMBINED+="### $name\n$(cat "$OUTPUT_DIR/${slug}-raw.md")\n\n"
done

claude --prompt "比較這些競品定價分析。\
產出統一比較表和關鍵差異化因素。\
資料：$COMBINED" \
  > "$OUTPUT_DIR/comparison-report.md"

echo "報告已儲存到 $OUTPUT_DIR/comparison-report.md"

排程執行

加到 crontab，每週一早上自動跑：

# 每週一早上 8:00 執行競品分析
0 8 * * 1 cd /path/to/project && bash weekly-competitive-analysis.sh

或者如果你偏好手動觸發，建立一個 alias：

alias comp-analysis='cd /path/to/project && bash weekly-competitive-analysis.sh'

追蹤跨週變化

每次執行都存到日期標記的目錄。偵測兩週之間有什麼改變：

diff competitive-intel/2026-03-15/comparison-report.md \
     competitive-intel/2026-03-22/comparison-report.md

或者請 Claude Code 用白話摘要差異：

claude --prompt "比較這兩份每週競品報告，標出什麼改變了：\
定價更新、新層級、移除的功能、定位轉變。\
\
3 月 15 日那週：$(cat competitive-intel/2026-03-15/comparison-report.md) \
\
3 月 22 日那週：$(cat competitive-intel/2026-03-22/comparison-report.md)"

這給你一份競品動態的 changelog — 價格變動、新層級、功能新增 — 不用自己每頁去看。幾個月下來，這些 diff 累積成你的競爭版圖時間軸。

延伸到定價以外的場景

Pattern 不變，不管你抽的是什麼。換 schema 和 URL 就好，其他都一樣。

功能比較： 把 schema 改成抽取功能列表、整合支援、平台可用性。把 agent 導航到功能頁而不是定價頁。

更新紀錄監控： 把 agent 指向 /changelog 或 /releases 頁面。抽取日期、版本號和功能描述。跟上週的抽取結果做 diff，看看對手出了什麼貨。

徵才分析： 抓取競品的職缺頁面，了解他們的招聘重點。一家公司突然發了五個 ML 工程師職缺，那就是在公開宣布之前就釋放策略轉向的訊號。

文件深度： 計算競品文件的頁數、章節數和 code example 數。文件品質和開發者採用率正相關。一個競品的 code example 是你的兩倍，那它在 onboarding 的戰場上正在贏。

每種變體只需要一個新的 schema 檔案和更新的 URL。抽取、平行執行和比較的 pipeline 維持不變。

實際限制和對策

速率限制： 有些網站會擋快速的自動請求。Playwright MCP server 的行為像真實瀏覽器 — 它跑的是完整的 Chromium，帶真實的 user agent — 能避開多數的機器人偵測。如果你真的碰到速率限制，在 prompt 中加入指令：「每次換頁之間等 3 秒。」

JavaScript 密集頁面： 動態渲染定價的 SPA 完全沒問題。Chromium 會完整執行 JavaScript。Agent 可以等元素渲染完成再抽取資料。

登入限制內容： 如果競品資料需要認證，你可以在 Playwright session 中預設 cookie，或讓 agent 執行登入流程。這比較脆弱，而且需要維護帳號密碼 — 只在資料真的在登入牆後面時才用。

準確度驗證： AI 抽取不是萬無一失的。重大商業決策的資料，記得抽檢抽取結果和實際頁面。Agent 在輸出中包含了來源 URL，就是為了這個目的。信任，但要驗證。

工作流總結

對比手動工作流：每次分析 2-5 小時，結果在你完成前就過時了，而且沒有結構化的方式看跨週變化。

放在更大的脈絡中

競品分析只是一個 workflow。AI Agent 工作流指南涵蓋完整的 terminal 自動化模式 — 從每日站會報告到資料分析 pipeline 到多 agent code review。每一個都遵循相同的結構：定義任務、設定工具、讓 agent 平行執行、merge 結果。

這個 workflow 的運行成本很低。三個 Claude Code session 各抽取一個頁面，只用掉你每日訊息額度的一小部分。如果你在意成本，AI CLI 工具省錢工作流說明了如何根據複雜度把不同任務路由到不同工具。針對競品分析這個場景，Claude Code 的 structured output 品質值得這個成本 — 免費 AI CLI 工具排行列出了免費替代方案供你實驗。

平行執行模式 — 多個 agent，每個處理一個競品，全部同時跑 — 就是 Termdock 發揮價值的地方。把 terminal 分成三個面板、在每個裡面啟動一個 agent、看著三個同時抽取資料。一個原本吃掉你整個週二早上的任務，現在在你第一杯咖啡還沒喝完就跑完了。試一次。你不會想回到分頁和試算表的。