/projects/competitorresearch
Competitor Research Agent
Inteligência competitiva a partir de scans de sites concorrentes
Competitor Research Agent
Inteligência competitiva a partir de scans de sites concorrentes
09
Contexto do projeto05
Problema
Competitor Research Agent enfrenta o desafio de transformar Inteligência competitiva a partir de scans de sites concorrentes em um sistema útil, governado e explicável.
Solução
Competitor Research Agent é organizado em torno de fronteiras explícitas, fluxos inspecionáveis e um stack de entrega visível que inclui Next.js, React, TypeScript e AI SDK.
Desafios
O trabalho difícil é manter autonomia, dados, ferramentas e experiência do usuário alinhados sem esconder risco operacional nem evidência.
Inovação
O diferencial é tratar arquitetura como superfície de produto: capacidades são explicadas por responsabilidades, caminhos de prova e limites de entrega.
Experiência de domínio
Competitor Research Agent demonstra julgamento de engenharia aplicada em arquitetura de produto, sistemas de agentes, fronteiras de dados, controles e disciplina de entrega.
Evidência do estudo de caso11
Resultados
- Competitor Research Agent transforma um conceito técnico em um fluxo de produto revisável.
- Mantém o comportamento do sistema ligado a fronteiras explícitas, evidência e decisões visíveis para operadores.
- Cria uma referência de arquitetura reutilizável para trabalhos relacionados de produtos de IA.
Decisões de arquitetura
- Competitor Research Agent separa superfícies de usuário das responsabilidades de runtime e controle de dados.
- Next.js e as decisões de stack próximas aparecem como decisões de entrega, não como badges decorativos.
- Evidência, revisão e estado operacional continuam visíveis para que o sistema possa ser inspecionado depois do uso.
Sinais de experiência no domínio
Arquitetura de agentesGovernançaEvidênciaUX operacionalNext.js
Aprofundamento técnico09
Competitor Research Agent é um estudo de caso em Inteligência competitiva a partir de scans de sites concorrentes. Inteligência competitiva a partir de scans de sites concorrentes A profundidade está em tornar legíveis fronteiras, evidência, workflow e decisões de entrega.
Fronteira do sistema
Competitor Research Agent é apresentado por responsabilidades claras para que usuários, ferramentas, dados e ações de runtime não virem uma chamada opaca ao modelo.
Modelo de workflow
O fluxo mantém planejamento, uso de ferramentas, estado e apresentação de resultados separados o suficiente para o operador entender o que aconteceu e por quê.
Postura de evidência
A página trata provas, logs, artefatos e caminhos de revisão como parte do produto, não como notas opcionais de implementação.
Stack de entrega
Next.js ancora a história de implementação enquanto o stack ao redor carrega persistência, interfaces, automação e verificação.
O que isso prova
- Competitor Research Agent expõe decisões de arquitetura como conteúdo de produto inspecionável.
- Next.js se conecta a responsabilidades de runtime e entrega.
- O estudo distingue experiência do usuário, fronteiras de ferramentas, evidência e operações.
- A estrutura pode ser reutilizada em produtos 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.
Ferramentas implementadas09
scrapeCompetitor
Ferramenta implementada: Coordinates URL validation, rate limiting, Firecrawl mapping, page scraping, and extraction.
Firecrawl map
Ferramenta implementada: Finds the pricing, features, about, and proof pages that usually carry market intelligence.
OpenAI structured extraction
Ferramenta implementada: Converts scraped markdown into the normalized competitor profile used by the app.
analyzePositioning
Ferramenta implementada: Extracts value propositions, audience, messaging themes, and category position.
extractPricing
Ferramenta implementada: Builds a structured view of tiers, billing model, trials, and free-plan details.
identifyFeatures
Ferramenta implementada: Turns page content into feature groups, gaps, and comparison-ready matrices.
analyzeTechStack
Ferramenta implementada: Detects frameworks, infrastructure, analytics, auth, payments, and overall modernity.
findWeaknesses
Ferramenta implementada: Highlights exploitable gaps, complaints, and positioning opportunities.
generateBattlecard
Ferramenta implementada: Creates objections, responses, winning tactics, and traps to avoid.