用户研究报告自动生成

核心原则

1. 洞察重于数据——数据是证据，洞察是结论，每条数据必须回答"这对产品意味着什么"
2. 用户声音优先——直接引用用户原话，比AI总结更有说服力
3. 行动导向——研究不是目的，驱动产品改进才是目的
4. 方法透明——研究结论的可信度取决于方法论的透明度

交互模式

🤖→👤 AI建议人类审批

输入

执行步骤

Step 1: 研究背景与目标梳理

基于用户提供的研究目标和产品信息，明确：

• 研究背景：为什么做这次研究
• 核心研究问题：3-5个要回答的关键问题
• 研究范围：目标用户群、产品范围、时间范围
• 研究方法概述：使用了哪些方法（VOC分析/行为分析/访谈/问卷）

Step 2: 用户画像整合

整合 persona.json 数据，生成可读的用户画像章节：

画像数量规则：

• 2-4个核心Persona
• 每个Persona标注代表性用户原话（至少2条）

Step 3: 用户旅程整合

整合 Journey Map 和行为数据：

旅程阶段划分：

认知 → 评估 → 首次使用 → 深度使用 → 流失/续费

每个阶段包含：

关键指标嵌入：

• 漏斗转化率（来自 behavior-analysis）
• Aha Moment 触发条件
• 流失预警信号

Step 4: 洞察提炼

从所有上游数据中提炼核心洞察：

洞察提取规则：

• 每条洞察 = 观察 + 证据 + 产品含义
• 证据必须标注来源（VOC/行为/访谈）
• 洞察按影响范围排序：全局性 > 局部性

洞察分类：

Step 5: 行动建议

基于洞察生成可执行的产品改进建议：

优先级推导规则：

• 影响核心漏斗的痛点 → P0
• 影响留存/活跃的障碍 → P1
• 体验优化类建议 → P2

Step 6: 报告组装

将所有章节整合为完整的 Markdown 报告：

报告结构：

# {产品名}用户研究报告

## 执行摘要
- 研究概述（一段话）
- 3条核心发现
- Top1行动建议

## 1. 研究背景与方法
- 研究目标
- 研究问题
- 研究方法与样本
- 数据来源与局限性

## 2. 用户画像
### 2.1 核心用户群A：{名称}
- 基本属性
- 目标与动机
- 核心痛点
- 代表性原话
### 2.2 核心用户群B：{名称}
- ...

## 3. 用户旅程
- 旅程全景图
- 各阶段分析
- 关键时刻（Aha Moment / 流失点）
- 情绪曲线

## 4. 核心洞察
### 4.1 需求洞察
### 4.2 痛点洞察
### 4.3 行为洞察
### 4.4 机会洞察

## 5. 行动建议
| 优先级 | 建议 | 对应洞察 | 预期影响 | 验证方式 |
|--------|------|---------|---------|---------|

## 附录
- 数据来源清单
- 研究方法详细说明
- 样本描述与局限性

输出

存储路径：output/pm-discovery/user-research-report/

输出文件：

user-research-report.json 结构：

输出Schema：

{
  "type": "object",
  "required": ["report_metadata", "executive_summary", "personas", "insights", "recommendations"],
  "properties": {
    "report_metadata": {"type": "object", "description": "报告元数据，含产品名、研究目标和置信度"},
    "executive_summary": {"type": "object", "description": "执行摘要，含概述、核心发现和Top建议"},
    "personas": {"type": "array", "description": "用户画像列表"},
    "journey": {"type": "object", "description": "用户旅程，含阶段、情绪曲线和关键时刻"},
    "insights": {"type": "array", "description": "核心洞察列表"},
    "recommendations": {"type": "array", "description": "行动建议列表"}
  }
}

输出校验规则：

{
  "report_metadata": {
    "product": "产品名",
    "research_goals": [],
    "generated_at": "时间戳",
    "data_sources": [],
    "overall_confidence": 0.0
  },
  "executive_summary": {
    "overview": "一段话",
    "key_findings": [],
    "top_recommendation": ""
  },
  "personas": [
    {
      "name": "用户群名称",
      "demographics": {},
      "goals": [],
      "pain_points": [],
      "quotes": []
    }
  ],
  "journey": {
    "stages": [
      {
        "name": "阶段名",
        "behaviors": [],
        "touchpoints": [],
        "emotion_peak": "",
        "emotion_valley": "",
        "pain_points": [],
        "opportunities": [],
        "metrics": {}
      }
    ],
    "aha_moment": "",
    "churn_signals": []
  },
  "insights": [
    {
      "id": "INS-001",
      "category": "需求/痛点/行为/机会",
      "observation": "观察描述",
      "evidence": "证据及来源",
      "implication": "产品含义",
      "scope": "全局/局部"
    }
  ],
  "recommendations": [
    {
      "id": "REC-001",
      "description": "建议描述",
      "linked_insights": ["INS-001"],
      "expected_impact": "预期影响",
      "priority": "P0/P1/P2",
      "validation_method": "验证方式"
    }
  ]
}

决策规则

质量检查

• [ ] 执行摘要包含3条核心发现+Top1建议
• [ ] 每个Persona有代表性用户原话
• [ ] 用户旅程包含情绪曲线和关键时刻
• [ ] 每条洞察有观察+证据+含义三要素
• [ ] 行动建议至少3条，每条有优先级和验证方式
• [ ] 数据来源和局限性已说明

降级策略

上游变更响应

上游变更影响

下游通知机制

本Skill为终端Skill，无下游依赖，不涉及下游通知。