「Agent 级」的开源大模型一旦和「最厉害的 AI 编程助手」相遇，会出现怎样的情况？作者仅仅下达了两个指令，就让 Code 和最新发布的 Kimi K2 连续工作三个小时：自动访问了十七个独立的网站，整理了四百多条手机配件信息，最后形成了一份可以直接用来汇报的互动式市场调研文档。全程无需人工干预，成本仅为传统方案的 1/25。

前些日子 Kimi K2 推出了新版本，这次的发布似乎有所不同，它提供的是具备 Agent 功能的开源大型人工智能模型

不是，这两方向真的能同时存在吗？

我决定在数据分析的专门领域运用它，进行深入分析，观察实际效果。

当前我正在从事手机配件市场的竞争产品研究工作，于是便以 Code+Kimi 为例，执行了全套的数据分析步骤，具体包括信息收集、模型构建、高级图形制作，最终输出一份可交付上级审阅的动态网页文档，其中内含可操作的视觉元素。

一、 方法论先行：“品类格子”分析框架

进行市场调研时，我们运用一个务实的分析体系，名为“品类格子”，旨在解答诸如“我们的产品与同类产品相比，存在哪些不足？”“下一款热门产品应定位在哪个价位区间？”这类关键战略议题。

商品分区，通俗地讲，就是将市场依据“商品种类与价格区间”划分成棋盘状布局，接着观察自身以及对手，各自占据了哪些位置，还有哪些位置尚未被占据。

“品类格子”的逻辑非常清晰，以终为始：

最终目的在于发掘商业领域中的潜在机遇，依据这些机遇来规划产品的研制过程，决定产品的售卖价格，并且制定与对手竞争的方案。

关键发现在于，将本公司产品线与整体市场产品分布进行对照分析，能够明确指出哪些产品类别以及价格层次上具备领先优势，哪些方面存在相对不足，同时也能识别出尚未被满足的市场需求领域。

3. 实现路径 (How)：

这个框架，就是我们指挥AI干活的“作战地图”。

二、工具准备 Code 安装

参考指南：告别过往，初次运用 Code 后，不禁赞叹这真是效率神器｜详尽指南

Kimi K2 API获取与配置

请前往这个网址生成你的api密钥,网址是https://..cn//api-keys

新加入的成员初始会获得价值十五元的免费额度，需先生成API密钥，然后才能进行后续操作

在 code 中使用 k2

方法一，最简单的方式，就是用这个项目提供的方法

那个网址是假的，里面没有内容，访问不了，是个空链接。

复制上一步创建好的API key，打开终端粘贴就可以了️

执行特定命令，该命令通过访问指定网址获取内容，然后将获取的内容作为参数传递给bash解释器，具体网址为https://raw..com/LLM-Red-Team/kimi-cc/refs/heads/main/.sh，获取过程使用curl工具完成，并且该工具采用了多种参数以确保稳定运行

方法二，

配置环境变量来实现，复制以下命令到命令行，回车：

请将所有原本针对api..com的接口请求，都改发往 AI 的适配服务地址，

https://api..cn/ =你的

最终进入 Code 后看到如图界面，即可！

MCP 安装

是一个可以通过代码编程的方式控制浏览器的工具。

而 MCP就可以直接让 AI 控制浏览器了，相关文章：

用「自动开发」网页自动化脚本，并打包成api给工作流调用

用 MCP 让 AI 改它自己写的屎山代码

在这里，是来解决数据采集问题的。

在终端里手动安装：

mcp add -s user — npx @/mcp@

更绝的是，可以直接提需求让 AI 给你装

帮我安装 MCP

无论采用何种途径，都必须键入指令/mcp，只有当呈现特定界面时，才算部署成功。

三、 Step 1: MCP，一句话搞定全网数据采集

信息收集是所有研究的第一步，也是以往最费时、最复杂的部分。如今，随着Code的应用，这个工作变得极为便捷。

MCP能直接操作浏览器去浏览和抓取网页内容。

但在开始收集信息时，我们首先需要明确收集的内容，可以借助人工智能，依据我们的分析思路，生成所需的数据项清单，并以csv格式呈现。

先让 Code 跑一个网站的 数据采集试试水：

请运用 mcp工具，开启一个浏览器，前往网址 https://www.mous.co/，搜集该品牌的资料，所需信息项目参照：数据字段要求.csv 文件，不必获取全部商品，但需涵盖所有商品类别，每个类别选取最畅销的商品，总计至少20件商品；将获取到的信息存储为 csv 文件格式。留意需要借助mcp工具来达成目标，而非编写脚本，该工具此前已安装妥当，倘若未寻得此工具，则应先开启对应服务。

说实话，内心感到十分惊讶，这个视频演示了程序是如何依据我们的一句指令，流畅地制定流程、进入网址、找到目标、获取信息、最终将数据存为CSV文档的

采集到的结果表。

坦诚来讲，最初构思这个实例时我心存顾虑，毕竟情形异常棘手，上回手工处理耗费了整整三天时间，然而未曾料到，先前那个涉及代码与Kimi K2的要求竟这般轻易地实现了。

士气高涨！接着，我将那包含十七条对手网址的清单直接递交过去，命令它一次性全部抓取完毕。

为了防止人工智能在运行时不断请求授权，干扰操作，我启动了 Code 的“极速模式”，

–-skip-

这个指令可以一次性赋予人工智能全部权限，达成完全的自动化无人管理。

能够一次性预先赋予 Code 所有权限，以后不会再出现授权询问的提示，从而达到无需人工干预的操作效果。

看到这个 就说明设置好了。

当时已经是晚上 1 点多了，我设置完AI 后，我就去睡了。

第二天醒来时，再次感到十分意外！CC竟然真的只用了两个小时codejock 17，就耗尽了28.2k个token，网站就被攻破了。

必须明白，它们是各自独立的网站，并非遵循统一模式的在线销售平台，因此无法创建一个通用的程序来抓取数据，人工智能的操作流程也达不到这个效果。

此时，我只花了 5 分钟讲清楚我要什么。

由此可见，众多原本适用工作流的情形，即便是一些 RPA 的应用场景，也极有可能被这类 Agent 取而代之

三、 Step 2-4: 一次性完成数据分析与报告生成

数据准备好了，接下来就是数据分析师的主场。

以前，我与人工智能合作时总是格外谨慎，它每完成一个环节，我就仔细核对一次，唯恐它出错。不过，考虑到代码和其背后的Kimi K2在初始阶段的表现十分出色，我萌生了一个非常大胆的念头：希望人工智能能够一次性处理多个数据分析环节，当然，前提是我必须明确告知它具体要做什么：

这是我要做的 Code+数据分析场景：市场竞品分析。

“`

公司制作何种产品，通常受到产品构造的约束，而产品构造是企业的核心规划，比如我们熟悉的畅销项目、高利润项目等更为明确的，产品构造能够借助「品类格子」进行具体衡量，即按照不同的产品种类、不同的价位区间，划分成多个象限所形成的矩阵

现在，根据众多竞争者的信息，可以构建出整个市场的分类框架，通过将自身企业与市场状况进行对照，可以明确自身在哪些价格区间、哪些产品类别上表现突出，哪些方面还有待提升，从而制定出相应的产品规划

Code方案：

mcp 爬虫，用于采集本网站及对头网站的商品资料，制作成 csv 文件

基于 csv 做品类格子矩阵：

由于各个企业的商品分类标准存在差异，可以借助人工智能技术实现商品归类

2️⃣ 对价位段做标准划分

可视化：做市场品类格子象限图，标出自家公司的产品

最终得出结论，给出业务建议

“`

方案里的第一个爬虫已经竣工，相关数据已归档至目录名叫做“各品牌产品数据”的文件夹中

目前要开展的工作包括，进行2.品类格子矩阵的剖析，接着进行3.可视化处理，最后形成4.结论并给出建议

要完成这项任务，首先需要明确分析策略，然后编写程序来执行分析工作，最终将结果的可视化以及结论和改进建议整合到 HTML 文件中

这个过程的文件都要保存到文件夹`数据分析-kimi`中

最终数据分析报告 html 要求：

1. 数据说明与数据分析方法简述

2. 市场总览、品牌竞争分析

3. 品类分析 ️ 品类竞争格局

4. 价位段分布 ️ 品牌平均价格对比雷达图

5. 「品类格子」分析

品牌市场定位剖析：涉及商品种类数量与平均价格绘制散点图，图中气泡尺寸反映产品数量

– 市场竞争度：手机配件品类

-价位段 分布热力图

– 各品牌在不同品类的产品数 分布热力图

3-5 每个小节都要有数据分析小结论结论

6. 分析结论与建议

汇总前面的小结论，形成整体建议：

– 市场进入机会

– 产品组合优化

– 定价策略

– 竞争策略

以及其他你认为有价值的分析与结论。

这份文档篇幅可观，内容详尽，实质上是一份详尽的数据分析作业指导书。我向它明确阐述了全部对最终报告的要求，涵盖图形设计方式、考察角度、结果组织形式等细节。

Kimi K2的表现令人满意，它确实没有辜负期望。它不仅准确把握了我的复杂需求，而且迅速高效地完成了任务，直接生成了大量的中间文件和最终的HTML文档。

这份报告大体上令人满意，不过存在一些细节瑕疵，比如那个地方，图像化的图表完全无法显示

但实际上是有的，分布在了不同的 html 里

我随后指示它进行修正，将所有 html 文件中的图片都置入最终的报告 html 文档之中

最终报告

rt文件里找不到图像，各个图像分散在多个网页中，必须全部整合进最终文档，保证最终文档完整无缺。

下面的文字也无法辨识，不过实施一两次基础性的调整，一份水准很高、制作精良的市场调研文档便完成了。

最终报告长这样：

四、 成果复盘：一份“专业级”的市场洞察报告

让我们考察一下最终的结果。这份由人工智能负责制作的文件，从精通数据研究的专家角度审视，水准相当突出，

整体布局周全，涵盖了全局市场态势、品牌间对比情况、具体商品类型剖析，接着是价格区间的划分，以及关键的“商品细分领域”审视，最后是结论性意见，各部分之间的联系十分明确。

专业级可视化，既体现深度又展现美感，Kimi制作的一系列交互式图表，包括品牌定位气泡图、竞争热力图、价格雷达图，能够清晰地展现市场形态。

研究结论富有洞见，通过数据统计，提出了针对商业拓展方向、商品搭配调整、价格制定方法等多方面的实际操作方案，这些方案都具有很强的执行性。

为了更透彻地把握整个分析流程，我还请Kimi K2协助剖析了它自身制作的过程文档，该模型同样归纳得非常系统codejock 17，明确呈现了从初始资料到最终成果的整个脉络

Code+Kimi 给的实在是太多了，让我直接退订了 ：

数据分析-kimi/

├── 数据文件层

│ ├──

ta.csv # 清洗后的标准产品数据（416个产品）

│ ├── .csv # 品类-价位段矩阵数据

│ └── .json # 分析结果汇总JSON

├── 可视化层

│ ├── .html # 品牌市场定位散点图

│ ├──

.html # 品牌-品类竞争热力图

│ ├── .html # 品牌价位段分布雷达图

│ ├──

ap.html # 品类-价位段竞争热力图

│ ├── .html # 价格分布箱线图

│ └── .html # 品牌综合对比图

├── 报告层

│ ├──

rt.html # 标准版分析报告

│ ├──

.html # 增强版完整报告

│ ├──

.html # 集成版报告

│ └──

.html # 嵌入式报告

├── 核心脚本层

│ ├──

ysis.py # 数据清洗+矩阵构建主脚本

│ ├──

ons.py # 可视化图表生成

│ └── .py # HTML报告生成

└── 项目文档

└── .md # 项目说明文档

这次实战，我确实感到Kimi K2让我十分意外，这类 编程助手正在改变数据分析的作业方式：

先前是只顾眼前、被动应对、遇到阻碍就停顿，如今是先彻底理解任务，再耐心等待最终成效，这种转变激发了生产力的潜能，效率得到显著改善，员工的工作效率至少增加了两到三倍。

从让人类主导AI操作，转变为让人类设定方向，AI自行设计方案：我们不再需要逐项指导AI如何行动，而是可以直接交给它一个高级且繁难的任务（“完成一份商品分类分析文档”），它能独立地制定步骤、运用资源、克服挑战。

能够熟练运用这种创新的人机互动方式，极有可能是我们每个人，在人工智能时代真正的核心优势所在。

如有侵权请联系删除！