/projects/competitorresearch
Competitor Research Agent
Inteligencia competitiva desde análisis de sitios web
Competitor Research Agent
Inteligencia competitiva desde análisis de sitios web
09
Contexto del proyecto05
Problema
Competitor Research Agent aborda el reto de convertir Inteligencia competitiva desde análisis de sitios web en un sistema útil, gobernado y explicable.
Solución
Competitor Research Agent se organiza alrededor de límites explícitos, flujos inspeccionables y un stack de entrega visible que incluye Next.js, React, TypeScript y AI SDK.
Desafíos
El trabajo difícil es mantener autonomía, datos, herramientas y experiencia de usuario alineados sin ocultar riesgo operativo ni evidencia.
Innovación
El valor distintivo está en tratar la arquitectura como una superficie del producto: las capacidades se explican mediante responsabilidades, rutas de prueba y límites de entrega.
Experiencia de dominio
Competitor Research Agent demuestra criterio de ingeniería aplicada en arquitectura de producto, sistemas de agentes, límites de datos, controles y disciplina de entrega.
Evidencia del caso de estudio11
Resultados
- Competitor Research Agent convierte un concepto técnico en un flujo de producto revisable.
- Mantiene el comportamiento del sistema ligado a límites explícitos, evidencia y decisiones visibles para operadores.
- Crea una referencia de arquitectura reutilizable para trabajos relacionados de productos de IA.
Decisiones de arquitectura
- Competitor Research Agent separa las superficies de usuario de las responsabilidades de runtime y control de datos.
- Next.js y las decisiones de stack cercanas se presentan como decisiones de entrega, no como insignias decorativas.
- La evidencia, la revisión y el estado operativo siguen visibles para poder inspeccionar el sistema después de usarlo.
Señales de experiencia del dominio
Arquitectura de agentesGobernanzaEvidenciaUX operativaNext.js
Análisis técnico profundo09
Competitor Research Agent es un caso de estudio sobre Inteligencia competitiva desde análisis de sitios web. Inteligencia competitiva desde análisis de sitios web La profundidad está en hacer legibles los límites, la evidencia, el workflow y las decisiones de entrega.
Límite del sistema
Competitor Research Agent se presenta mediante responsabilidades claras para que usuarios, herramientas, datos y acciones de runtime no se mezclen en una llamada opaca al modelo.
Modelo de workflow
El flujo mantiene planificación, uso de herramientas, estado y presentación de resultados lo bastante separados para que un operador entienda qué ocurrió y por qué.
Postura de evidencia
La página trata pruebas, logs, artefactos y rutas de revisión como parte del producto, no como notas opcionales de implementación.
Stack de entrega
Next.js sostiene la historia de implementación mientras el stack alrededor cubre persistencia, interfaces, automatización y verificación.
Qué demuestra esto
- Competitor Research Agent expone decisiones de arquitectura como contenido de producto inspeccionable.
- Next.js se conecta con responsabilidades de runtime y entrega.
- El caso distingue experiencia de usuario, límites de herramientas, evidencia y operaciones.
- La estructura se puede reutilizar en productos agentivos relacionados.
6Indicador: intel tools
4Indicador: max scraped pages
3-5sIndicador: target extraction
1Indicador: battlecard
2Indicador: model paths
60sIndicador: stream cap
Stack tecnológico09
Next.js
Motivo técnico: Works well for a single-task research app because scraping, extraction, and chat can share one project boundary.
React
Motivo técnico: Supports rich views for pricing, features, stack badges, weaknesses, and battlecards.
TypeScript
Motivo técnico: Keeps the scraped profile, tool calls, and UI view models aligned as the analysis expands.
AI SDK
Motivo técnico: Runs the follow-up analyst loop with tool calling, streaming, and model-provider flexibility.
Google Gemini
Motivo técnico: Handles the conversational competitor analyst path through a fast tool-loop model.
OpenAI
Motivo técnico: Used for the structured extraction pass where a clean CompetitorData object matters.
Firecrawl
Motivo técnico: Chosen because competitor intelligence starts with mapping and scraping real public pages.
Upstash
Motivo técnico: Adds a small, durable rate-limit guard for public scraping and agent calls.
Zod
Motivo técnico: Defines the competitor schema so extraction errors do not leak into the UI.
Herramientas implementadas09
scrapeCompetitor
Herramienta implementada: Coordinates URL validation, rate limiting, Firecrawl mapping, page scraping, and extraction.
Firecrawl map
Herramienta implementada: Finds the pricing, features, about, and proof pages that usually carry market intelligence.
OpenAI structured extraction
Herramienta implementada: Converts scraped markdown into the normalized competitor profile used by the app.
analyzePositioning
Herramienta implementada: Extracts value propositions, audience, messaging themes, and category position.
extractPricing
Herramienta implementada: Builds a structured view of tiers, billing model, trials, and free-plan details.
identifyFeatures
Herramienta implementada: Turns page content into feature groups, gaps, and comparison-ready matrices.
analyzeTechStack
Herramienta implementada: Detects frameworks, infrastructure, analytics, auth, payments, and overall modernity.
findWeaknesses
Herramienta implementada: Highlights exploitable gaps, complaints, and positioning opportunities.
generateBattlecard
Herramienta implementada: Creates objections, responses, winning tactics, and traps to avoid.