告别盲盒营销，让增长有迹可循。
从竞品情报采集、策略方案生成到效果推演复盘，让每一个营销决策都有据可依。
GrowthLoop 是一个面向品牌营销团队的 AI 驱动营销增长决策平台。它不是又一个"内容生成器"或"数据看板"，而是将营销决策全流程——从竞品研究到策略制定、沙盘推演、效果复盘——串联成完整闭环的决策引擎。
| 痛点 | 现状 | GrowthLoop 的做法 |
|---|---|---|
| 竞品情报靠人工收集，速度慢、覆盖窄 | 每周花 2 天手动翻微博/小红书/App Store | 自动采集 + AI 情感分析 + 机会点识别，30 分钟替代 2 天 |
| 策略方案靠经验拍脑袋，缺少数据支撑 | PPT 里写"加大投入"，无依据、无量化 | 基于 SCRAP 五层模型，AI 生成包含市场态势→竞争情报→执行方案的完整策略 |
| 方案优劣无法提前验证 | 上线后才知道效果，试错成本高 | 多场景沙盘推演：资源调配 / 竞争响应 / 时机节奏 / 方案对比 |
| 复盘流于形式，经验无法沉淀 | 每季度做一次表格复盘，结论不可复用 | 导入效果数据 → AI 归因分析 → 自动生成下一轮策略草稿 |
- 品牌营销负责人 / CMO
- 增长策略团队
- 市场运营经理
- 中小品牌创始人（无专职市场团队）
GrowthLoop 采用 "研究 → 策略 → 沙盘 → 复盘" 四模块闭环架构，上一步的产出自动流转为下一步的输入。
核心价值：替代人工竞品调研，30 分钟获取结构化竞争情报。
- 多源数据采集：支持微博实时搜索 API、小红书 Puppeteer 自动化采集、Excel/CSV 手动导入，覆盖主流社交媒体渠道
- AI 四层分析流水线：
- 情感分析：正面 / 中性 / 负面三维分类，量化品牌舆情健康度
- 话题聚类：自动识别用户讨论的核心话题及其情感倾向
- 差评深挖：提取竞品核心负面问题、严重性评级、用户原声引用
- 机会识别：将竞品痛点转化为可落地的营销切入点，附带置信度评估
- 本品 vs 竞品对比：支持设定"本品"标签，所有分析维度自动生成对比视角
核心价值：将"在哪花钱"升级为"打谁、怎么打、凭什么赢"。
- SCRAP 五层决策模型（原创方法论）：
- S — Situation 市场态势：五层用户分层（增量新用户 / 竞品活跃用户 / 竞品不满用户 / 本品沉睡用户 / 本品高价值用户）、增量vs存量判断、市场时机雷达
- C — Competition 竞争情报：竞品多维度评分矩阵（产品/价格/服务/口碑/品牌/粘性）、可争夺用户画像卡、差异化四象限切入点
- R — Route 策略路径：四大策略路径（进攻型/开拓型/防守型/深耕型）、目标人群 × 策略类型匹配
- A — Action 执行方案：产品承接设计、活动方案设计、内容策略框架、渠道角色分工
- P — Prediction 关键假设：可量化假设命题 + 风险等级 + 验证方式
- 两阶段 LLM 编排：将复杂策略拆分为 Phase1（S+C）→ Phase2（R+A+P），Phase1 的分析结论作为 Phase2 的上下文输入，确保每个模块都有充分的生成空间
- 研究数据自动流转：可直接关联雷达分析结果和机会点，策略生成直接引用真实舆情数据
- 策略对话修正：内置对话引擎，支持通过自然语言调整预算分配、渠道组合等参数
核心价值：方案上线前的"飞行模拟器"，降低试错成本。
- 四类推演场景：
- 资源调配推演：调整预算增减、品效比、投放节奏，实时预测 ROI / CPA / 转化量变化
- 竞争响应推演：模拟竞品降价/新品发布/服务事故等事件，输出三级应对策略（保守/中性/激进）
- 时机节奏推演：评估不同时间窗口（618/双11/季度发力）的最优投放节奏
- 策略对比推演：多个策略方案并排对比，从增长潜力/执行难度/风险/资源效率四维度评分
- 纯数学模型 + LLM 解读双引擎：
- 数学层（< 10ms）：边际递减模型、渠道饱和度曲线、品效比系数、周度预算分配
- LLM 层：将数字结果翻译为可理解的商业洞察和行动建议
- 推演结果持久化：所有推演自动保存，支持历史回溯
核心价值：让每次 Campaign 的经验变成组织资产。
- 数据导入：支持 CSV 格式的 Campaign 效果数据
- AI 复盘分析：漏斗归因、假设验证、关键结论提炼
- 策略草稿生成：复盘结论可一键转化为下一轮策略草稿，形成"研究→策略→沙盘→复盘→研究"的完整增长飞轮
- 页面感知型 AI 助手：浮动助手能感知当前页面上下文（研究数据、策略详情、沙盘参数），提供基于真实数据的实时答疑
- 营销领域专家知识：具备品牌定位、用户分层、渠道策略、增长飞轮等营销专业知识，可回答任意营销相关问题
- 多模块提示词管理：Settings 页面支持查看和调优所有 AI 模块的 System Prompt，实现透明可控的 AI 行为
中国数字营销市场规模超过 1.2 万亿元（2025），但营销团队仍面临严重的工具碎片化问题：
数据采集用爬虫工具 → 分析用 Excel → 策略用 PPT → 投放用各平台后台 → 复盘用另一个 Excel
每个环节之间数据断裂、人工传递、经验不可复用。GrowthLoop 用一个平台打通全流程。
| 类别 | 代表产品 | 覆盖范围 | GrowthLoop 差异化 |
|---|---|---|---|
| 舆情监控工具 | 新榜/蝉妈妈 | 只有数据采集和展示 | 采集→分析→策略→推演全链路 |
| AI 内容生成 | Jasper/Copy.ai | 只做文案生成 | 不生成内容，生成决策 |
| 投放管理平台 | 巨量引擎/磁力金牛 | 单渠道投放优化 | 跨渠道全局策略 + What-If 推演 |
| BI 工具 | Tableau/Metabase | 数据可视化，不输出行动 | 数据→洞察→策略→验证闭环 |
- SaaS 订阅制：按团队规模 + 分析次数阶梯定价
- 增值服务：高级数据源接入（电商平台/广告平台 API）、定制行业模型、专家咨询
- 目标客户：新消费品牌（完美日记/元气森林类）、本地生活品牌、D2C 电商
| 指标 | 无 GrowthLoop | 使用 GrowthLoop |
|---|---|---|
| 竞品调研周期 | 2-3 天/次 | 30 分钟 |
| 策略方案产出时间 | 1-2 周（含内部讨论） | 2 分钟生成初版 + 对话修正 |
| 方案试错成本 | 上线后才知效果 | 沙盘推演提前验证 |
| 复盘到下一轮策略 | 人工总结 + 重新规划 | 自动生成策略草稿 |
┌───────────────────────────────────────────────────────────┐
│ Frontend │
│ Next.js 16 (App Router) + React 19 + Tailwind CSS 4 │
│ Framer Motion (动效) + Recharts (数据可视化) │
├───────────────────────────────────────────────────────────┤
│ API Layer (SSR) │
│ Next.js Route Handlers (20+ API Endpoints) │
│ ┌─────────┐ ┌──────────┐ ┌────────┐ ┌───────┐ │
│ │ Radar │ │ Strategy │ │Sandbox │ │ Retro │ │
│ │ Pipeline│ │ Agent │ │ Engine │ │ Agent │ │
│ └────┬────┘ └────┬─────┘ └───┬────┘ └───┬───┘ │
│ │ │ │ │ │
│ ┌────▼───────────▼───────────▼───────────▼────┐ │
│ │ AI Agent Layer (5 Agents) │ │
│ │ Sentiment · Topic · Negative · Opportunity │ │
│ │ Strategy(2-phase) · Sandbox · Retro · Chat │ │
│ └────────────────────┬────────────────────────┘ │
│ │ │
│ ┌────────────────────▼────────────────────────┐ │
│ │ LLM Gateway (Claude Sonnet 4.6) │ │
│ │ Structured JSON Output + Robust Parsing │ │
│ └──────────────────────────────────────────────┘ │
├───────────────────────────────────────────────────────────┤
│ Data Layer │
│ SQLite (better-sqlite3, WAL mode) · 10 Tables │
│ Data Adapter (HTTP API · Puppeteer · CSV/Excel Import) │
├───────────────────────────────────────────────────────────┤
│ External Services │
│ 微博 API (TikHub) · 小红书 (Puppeteer Stealth) │
│ ReviewMine (Reverse Proxy) · LLM API │
└───────────────────────────────────────────────────────────┘
| 层级 | 技术 | 版本 | 选型理由 |
|---|---|---|---|
| 框架 | Next.js (App Router) | 16.2.1 | 全栈一体化，API Routes 消除前后端分离开销，SSR/Turbopack 提升开发效率 |
| 前端 | React | 19.2.4 | 最新 Concurrent 特性，配合 App Router 的 Server Components |
| 样式 | Tailwind CSS | 4.x | 原子化 CSS，零运行时开销，快速迭代 UI |
| 动效 | Framer Motion | 12.x | 声明式动画 API，支持布局动画和手势交互 |
| 图表 | Recharts | 2.x | 基于 React 的声明式图表，与组件体系深度集成 |
| 数据库 | SQLite (better-sqlite3) | 12.x | 嵌入式零配置，WAL 模式高并发读，单文件便携部署 |
| LLM | Claude Sonnet 4.6 | — | 中文理解力强，结构化 JSON 输出稳定，支持 60K token 上下文 |
| 数据采集 | Puppeteer + Stealth | 24.x | 绕过反爬检测，支持小红书扫码登录 + 自动搜索 |
| 文档解析 | pdf-parse / mammoth / xlsx | — | 支持 PDF、Word、Excel 多格式文档解析为纯文本 |
| 语言 | TypeScript | 5.8 | 全栈类型安全，前后端共享类型定义 |
-- 10 张核心业务表
brands -- 品牌管理（本品/竞品标记）
data_sources -- 可配置 HTTP 数据源（URL/Headers/字段映射）
raw_data -- 采集原始数据（关联分析任务）
analyses -- 分析任务（状态机：pending→processing→completed）
opportunities -- AI 识别的机会点（关联分析→流转至策略）
strategies -- 策略方案（SCRAP 完整 JSON 结果）
sandbox_scenarios -- 沙盘推演场景（4 种类型，输入/输出/解读均持久化）
uploaded_reviews -- 导入评论数据（批次管理）
prompts -- 可配置提示词（支持热更新，无需重启）
campaigns -- 复盘 Campaign（效果数据 + AI 复盘报告）本项目在 AI 工程化方面做了大量深度设计，远超简单的"调 API 拼接"：
1. 多 Agent 协作架构
系统内置 8 个专用 AI Agent，各司其职：
| Agent | 输入 | 输出 | 设计要点 |
|---|---|---|---|
| Sentiment Agent | 原始文本 | 情感分类 JSON | 三维情感 + 强度评分 |
| Topic Agent | 原始文本 | 话题聚类 JSON | 聚类 + 情感交叉分析 |
| Negative Agent | 负面文本 | 差评深挖 JSON | 问题提取 + 严重性判断 |
| Opportunity Agent | 差评+话题 | 机会点 JSON | 痛点→切入点映射 |
| Strategy Agent (2-phase) | 业务输入+雷达数据 | SCRAP 策略 JSON | 两阶段编排，Phase1→Phase2 上下文传递 |
| Sandbox Agent (4 types) | 策略+场景参数 | 推演结果 JSON | 数学模型+LLM 解读双引擎 |
| Retro Agent | CSV 数据 | 复盘报告 JSON | 漏斗归因 + 假设验证 |
| Assistant Agent | 页面上下文+问题 | 回答 JSON | 页面感知 + 营销知识库 |
2. 两阶段 LLM 编排（Strategy Agent）
解决了单次 LLM 调用面对复杂 JSON Schema 时主动跳过部分字段的问题：
Phase 1: S(Situation) + C(Competition)
→ 市场态势全景 + 竞争情报矩阵 + 可争夺用户画像
→ 输出作为 Phase 2 的上下文
Phase 2: R(Route) + A(Action) + P(Prediction)
→ 接收 Phase 1 结论，生成策略路径 + 执行方案 + 关键假设
3. 鲁棒 JSON 解析
所有 Agent 均内置 robustParseJSON 多级解析策略：
- Level 1：直接解析
- Level 2：修复转义字符（
\t\n\r） - Level 3：去除 Markdown 代码块围栏
- Level 4：清除控制字符
- Level 5：修复被截断的 JSON（自动闭合括号）
4. 提示词热更新
所有 Agent 的 System Prompt 持久化在数据库 prompts 表中，通过 Settings 页面可实时编辑，无需修改代码或重启服务。
区别于市面上"帮你写文案"的 AI 工具，GrowthLoop 的核心创新是提出了 SCRAP（Situation-Competition-Route-Action-Prediction）五层决策模型。这不是对现有工具的套壳，而是将 CMO 级别的战略思维过程结构化、可计算化。
研究 ──机会点──→ 策略 ──方案──→ 沙盘 ──验证──→ 复盘 ──洞察──→ 研究
↑ │
└────────────────── 增长飞轮 ─────────────────────────────┘
四个模块之间数据自动流转，不是独立的四个工具，而是一个有机的决策系统。
沙盘模块混合了两种推演引擎：
- 数学模型（纯计算，< 10ms）：边际递减函数、渠道饱和度曲线、品效比系数、周度预算分配模型——确保推演结果有数学基础
- LLM 解读：将数字结果翻译为可理解的商业洞察——确保推演结果可行动
GrowthLoop 助手不是一个通用聊天机器人。它能：
- 感知用户当前所在的功能模块
- 自动获取当前页面的完整数据上下文（分析结果、策略详情、沙盘参数）
- 基于真实数据回答问题，而非泛泛而谈
不是用 Mock 数据做 Demo，而是真正接入了生产级数据源：
- 微博实时搜索（TikHub API）
- 小红书自动化采集（Puppeteer + Stealth 反检测）
- 支持 CSV/Excel 自有数据导入
从数据源的 URL/Headers/字段映射，到每个 AI Agent 的 System Prompt，再到 LLM 模型选择——全部支持通过 UI 配置，无需修改一行代码。
| 成员 | 角色 | 核心职责 |
|---|---|---|
| 王有才 | 产品设计 & 领域专家 | 产品定位、交互设计、SCRAP 方法论设计、各模块专家经验 Prompt、功能完善与体验打磨 |
| 戚宏成 | 技术架构 & 工程落地 | 技术架构设计、方案选型、核心系统实现、AI 工程化、部署运维 |
| 阶段 | 任务 | 产出 |
|---|---|---|
| 产品规划 | 定义产品定位"AI 营销增长决策平台"，明确四模块闭环架构 | 产品 PRD、用户旅程图 |
| 方法论设计 | 提出 SCRAP 五层决策模型（Situation-Competition-Route-Action-Prediction） | 完整方法论文档 |
| 交互设计 | 设计首页、四大模块页面的交互流程和信息架构 | 页面原型与交互规范 |
| Prompt 工程 | 设计 8 个 AI Agent 的专家级 System Prompt，融入营销专业知识体系 | 6 套专业提示词（市场态势/竞争情报/策略路径/执行方案/沙盘推演/综合决策） |
| 领域建模 | 定义五层用户分层模型、竞品评分维度、四大策略路径、渠道角色分工等领域模型 | 结构化领域知识库 |
| 体验优化 | 首页视觉优化、本品输入交互改进、策略详情页完善、助手能力增强 | 持续迭代的产品体验 |
| 质量把控 | 验证 AI 输出质量，调优 Prompt 参数（temperature/max_tokens），确保输出符合营销专业标准 | 质量评估报告 |
| 阶段 | 任务 | 产出 |
|---|---|---|
| 架构设计 | 选型 Next.js 16 全栈架构，设计 API 层/Agent 层/数据层分层体系 | 技术架构文档 |
| 数据层 | SQLite 数据库设计（10 张表）、WAL 模式配置、自动迁移机制 | lib/db.ts 及 Schema |
| AI 工程化 | 设计多 Agent 协作架构，实现两阶段 LLM 编排、鲁棒 JSON 解析、提示词热更新 | lib/agent.ts / strategy-agent.ts / sandbox-engine.ts / retro-agent.ts |
| 数据采集 | 实现多源数据适配器（HTTP API/Puppeteer/CSV）、小红书反爬对抗 | lib/data-adapter.ts / lib/xiaohongshu/ |
| 沙盘引擎 | 实现数学预测模型（边际递减/饱和度曲线/品效比系数）+ LLM 解读双引擎 | lib/sandbox-engine.ts（530+ 行） |
| 前端工程 | 20+ 页面组件、数据可视化、动效系统、响应式布局 | app/ + components/ |
| API 设计 | 20+ RESTful API 端点，覆盖 CRUD + 异步任务 + 文件上传 + 代理转发 | app/api/ |
| 部署运维 | 远程服务器部署、native addon 编译适配（better-sqlite3 / SWC）、进程管理 | 生产环境稳定运行 |
- Node.js 18+
- npm 9+
# 安装依赖
npm install
# 配置环境变量
cp .env.example .env
# 编辑 .env 填入 LLM_ENDPOINT 和 LLM_API_KEY
# 启动开发服务器
npm run dev访问 http://localhost:3000 即可使用。
# 复制配置模板
cp .env.example .env
# 编辑 .env，填入你的 LLM API 配置| 变量 | 必填 | 说明 |
|---|---|---|
LLM_ENDPOINT |
✅ | 兼容 OpenAI Chat Completions API 的端点地址 |
LLM_API_KEY |
✅ | API 密钥 |
LLM_MODEL |
❌ | 模型名称，默认 Claude-sonnet-4.6 |
- 配置品牌与数据源：进入研究模块，输入要监测的品牌关键词
- 启动 AI 分析：选择数据源和日期范围，点击分析，等待 AI 完成情感/话题/机会识别
- 生成策略方案：进入策略模块，关联分析结果，一键生成完整 SCRAP 策略
- 沙盘推演验证：进入沙盘模块，对策略进行资源调配/竞争响应等多场景压力测试
codingGame/
├── app/ # Next.js App Router
│ ├── page.tsx # 首页（四模块入口 + 场景导航）
│ ├── radar/ # 研究模块
│ ├── strategy/ # 策略模块（列表/新建/详情）
│ ├── sandbox/ # 沙盘模块
│ ├── retro/ # 复盘模块
│ ├── settings/ # 系统设置（提示词管理）
│ └── api/ # 20+ API 端点
│ ├── assistant/ # AI 助手
│ ├── brands/ # 品牌管理
│ ├── data-sources/ # 数据源配置
│ ├── radar/ # 研究分析 Pipeline
│ ├── strategy/ # 策略 CRUD + 对话
│ ├── sandbox/ # 沙盘推演（4 种场景）
│ ├── retro/ # 复盘管理
│ └── prompts/ # 提示词管理
├── components/
│ ├── layout/ # 导航、浮动助手、引用按钮
│ ├── radar/ # 雷达数据展示组件
│ └── strategy/ # 策略 Tab 组件
├── lib/
│ ├── db.ts # SQLite 数据库（10 张表）
│ ├── types.ts # 全局类型定义
│ ├── agent.ts # 雷达 AI Agent（情感/话题/负面/机会）
│ ├── strategy-agent.ts # 策略 AI Agent（两阶段 SCRAP）
│ ├── sandbox-engine.ts # 沙盘引擎（数学模型 + LLM）
│ ├── retro-agent.ts # 复盘 AI Agent
│ ├── analysis.ts # 分析主流程编排
│ ├── data-adapter.ts # 多源数据适配器
│ ├── prompts.ts # 提示词存储与管理
│ ├── assistant-context.tsx # 助手上下文（页面感知）
│ └── xiaohongshu/ # 小红书自动化（登录/搜索）
└── data/ # 运行时数据（SQLite DB）
GrowthLoop · Built with AI, for Marketing Decision Makers.