skelet/business/competitor-analysis.md

竞品分析

• 版本：V1.0 Draft
• 日期：2026-07-06
• 目标：明确 Skelet 的竞争对象、差异化定位和第一版应该避开的陷阱。

一、竞品不是单一网站

Skelet 的竞品分为几类：

1. 直接问 AI（Claude / ChatGPT / Cursor 等）——最大的隐性竞品。
2. GitHub Topics / Search。
3. Awesome Lists。
4. 开源替代产品目录。
5. 付费模板市场。
6. 官方框架 starter。
7. 技术博客和排行榜文章。

Skelet 不需要在第一版取代它们，而是要做一个更适合“AI coding 项目启动选型”的中间层。

二、竞品类型对比

类型	优势	缺点	Skelet 机会
直接问 AI	即问即答、结合用户自己的上下文、零切换成本	训练数据滞后、不知道当前维护状态、评分口径不一致、给不出可信对比来源	提供时效性数据和统一评测，成为 AI 引用的数据源。
GitHub Topics	数据最全、更新快、有 stars/forks/signals	噪声高、缺少场景判断、缺少评测	做筛选、归类、评测和结论。
Awesome Lists	人工整理、覆盖细分领域	更新不稳定、缺少评分、链接堆砌	做结构化字段和维护状态追踪。
OpenAlternative / AlternativeTo	适合找开源替代产品和行业软件	更多是产品目录，不是项目骨架目录	从成熟产品反推行业骨架需求。
Product Hunt	发现新工具快	热度导向、开源信息不完整	作为趋势发现入口，不作为推荐依据。
付费模板市场	商业化成熟、落地性强	开源透明度低、质量不易验证	强调开源、可验证、AI 友好度。
官方 Starter	稳定、权威、文档好	场景覆盖有限，不做跨框架比较	作为稳定基准纳入数据库。
技术博客排行	SEO 强、观点明确	更新后难维护、结构化差	把文章和项目数据库结合。

三、直接参考对象

3.0 直接问 AI（最大的隐性竞品）

定位：目标用户（AI coding 使用者）现在选骨架的第一反应往往不是逛目录站，而是直接问 Claude / ChatGPT / Cursor。任何目录站的分析如果不回答"用户为什么不直接问 AI"，都是不完整的。

AI 回答的真实短板（Skelet 的生存空间）：

• 时效性：训练数据滞后数月到一年以上，不知道项目当前的维护状态、最近是否 archived、依赖是否过期。
• 一致性：每次回答的评分口径和推荐理由都不一样，无法横向对比。
• 负面信息缺失："这个骨架不适合什么场景"这类负面评测在训练数据里几乎不存在。
• 可信来源：AI 给不出可核查的结构化对比出处。

防守 + 借力策略（这既是威胁也是获客路径）：

• 持续维护"维护状态 + 统一评分 + 不适合场景"这三类 AI 给不了的数据。
• 提供 llms.txt 和项目数据 JSON 导出，让 AI 工具在回答选型问题时引用 Skelet 作为数据源——对这个站的目标用户来说，"被 AI 引用"可能是比传统 SEO 更高效的获客渠道（已列入 ../docs/06-tasks.md Backlog）。
• 长期可评估 MCP server 形态，让 agent 直接查询骨架数据库。

3.1 GitHub Topics

定位：最大开源项目入口。

可学习：

• topic 分类。
• stars、forks、最近更新等信号。
• 按语言筛选。

需要补足：

• 场景化推荐。
• AI Coding 友好度评分。
• 适合 / 不适合场景。
• 上手成本说明。

3.2 OpenAlternative / AlternativeTo

定位：开源替代产品目录。

可学习：

• 按类别组织产品。
• 与商业软件做替代关系。
• 展示 stars、forks、last commit。
• 支持提交和广告。

需要差异化：

• Skelet 不只是找“替代品”，而是找“项目起步骨架”。
• Skelet 关注二次开发、目录结构、测试和 AI coding 适配。

3.3 Awesome Lists

定位：人工精选链接列表。

可学习：

• 细分领域覆盖。
• 社区贡献模式。
• 简洁维护方式。

需要差异化：

• Skelet 不能只是链接页。
• 每个项目都要有结构化详情、评分和推荐结论。

3.4 付费模板市场

定位：直接卖可用模板。

可学习：

• 清晰的 landing 和 demo。
• 按场景包装模板。
• 强商业转化。

需要差异化：

• Skelet 第一版以开源和可信评测为主。
• 后续可以卖自有整理模板，但不能影响公开推荐的公正性。

四、Skelet 差异化定位

Skelet 的核心差异：

不是最多项目
而是最适合项目启动决策

具体差异：

• 按场景作为一级入口，而不是按语言作为唯一入口。
• 每个项目说明适合和不适合场景。
• 引入 AI Coding 友好度评分。
• 把官方 starter、开源 boilerplate、成熟产品和付费模板分开标记。
• 用结构化数据库支撑文章、筛选、对比和商业化。

五、第一版竞争策略

不要一开始做大而全目录。首批只打穿 2 个场景：

1. SaaS（需求量最大、变现路径最清晰）。
2. 内容站 / CMS（作者正在用 Wagtail 建站，有一手评测经验）。

管理后台和 API 服务作为第二批，在 M3（SEO 验证）闸门通过后再扩展（见 business-plan-v1.md 里程碑）。

每个场景做到：

• 约 10 个高质量候选。
• 按 ../docs/04-architecture.md 的统一评分维度打分。
• 有推荐结论和不适合场景。
• 有一篇场景推荐文章。
• 有一篇对比文章。

六、风险与防守

风险	说明	防守方式
用户直接问 AI	AI 即问即答，用户不来目录站	维护 AI 给不了的时效性数据、统一评分和负面评测；用 llms.txt / JSON 导出让 AI 引用 Skelet（见 3.0）。
GitHub 数据太全	用户可能直接去 GitHub 搜	Skelet 提供场景判断和 AI 友好度评分。
Awesome list 更轻	用户可能只需要链接	Skelet 提供详情、对比和维护状态。
模板市场转化强	付费模板有 demo 和营销	Skelet 先建立信任，后续卖整理后的 AI 友好模板。
内容容易过期	项目维护状态变化快	建立季度复查机制和 stale 标记。
推荐可信度受商业化影响	赞助会降低信任	Sponsored 明确标记，编辑推荐独立。

七、结论

Skelet 的竞争优势不在于收录数量，而在于判断质量。GitHub 负责提供原始项目，Awesome list 负责发现线索，开源替代目录负责提供行业视角，Skelet 要把这些来源整理成“适合 AI coding 的项目启动决策库”。