核心观点
功能清单只能告诉我一个产品“有什么”，不能告诉我它“为什么存在”。真正有价值的产品分析，需要从功能继续往前追问：谁在什么场景下使用它，原来的任务哪里不顺，产品改变了哪一步，以及这种改变是否足以产生价值。
背景与问题
最初做 ChatGPT 和 Perplexity 拆解时，我很容易写出一份结构完整的报告：定位、功能、亮点、限制、竞品差异一项不少。但读完之后，真正重要的判断仍然不够清楚。
问题不在模板，而在于我把模板当成了结论。一个产品分析框架应该帮助我观察，而不是替我思考。
观察与实践
我现在会先完成一次真实任务，再开始写拆解。比如，使用 AI 搜索工具完成一个需要多来源核对的问题，记录搜索、引用、追问和整理过程中具体发生了什么。
通过这样的顺序，产品差异会变得更具体：引用并不等于可信，答案完整也不等于任务完成，真正关键的是用户是否可以用更少的认知成本得到可以继续使用的结果。
我的判断
产品经理思维的核心不是会写一份漂亮的分析报告，而是能够在信息不完整时，指出一个最值得验证的判断。
对 AI 产品来说，这个判断通常包括三部分：用户在做什么任务，AI 介入之后改变了哪一步，结果是否足够可靠以进入下一步工作。
好的拆解不是“我知道这个产品的所有功能”，而是“我知道它在什么时刻真正有用”。
实际产出
- 建立从用户、场景、痛点、流程到 AI 介入点的分析顺序
- 将产品拆解从科普表达调整为观察和判断
- 为后续 AI 产品机会评估助手整理输入维度
延伸阅读 / 关联项目
这套判断顺序后来进入了 AI 产品评估助手的报告结构，也成为我判断一个 Demo 是否值得继续构建的基础。