用户建模自动生成

核心原则

1. Persona是假设不是事实——Persona是基于数据的推断模型，需持续验证而非固化，低置信度字段必须标注
2. 声音+行为交叉验证——用户说的（VOC）和做的（行为）必须交叉印证，矛盾处标记为待验证假设
3. 推断必须标注来源——每个特征字段标注data_source（voice/behavior/survey/inferred），推断性内容不可伪装为事实
4. 低置信度即待验证假设——置信度<0.5的字段升级人类验证，不自动进入后续流程

交互模式

🤖→👤 AI建议人类审批 — AI生成模型草案，人类审批确认后方可用于后续流程

输入

输入格式

{
  "voice_analysis_path": "output/pm-discovery/user-research-voice-analysis/voice-analysis.json",
  "behavior_analysis_path": "output/pm-discovery/user-research-behavior-analysis/behavior-analysis.json",
  "survey_data": {
    "available": "boolean",
    "location": "string",
    "sample_size": "number"
  },
  "modeling_config": {
    "max_personas": "number",
    "min_confidence_threshold": "number",
    "journey_stages": ["string"],
    "include_emotional_arc": "boolean"
  }
}

输入依赖：

• voice-analysis.json：提供用户声音洞察、痛点、主题、分群
• behavior-analysis.json：提供行为洞察、漏斗、路径、Aha Moment
• 问卷数据（可选）：补充人口统计学信息和态度数据

执行步骤

Step 1：用户聚类

• 整合voice-analysis的用户分群与behavior-analysis的行为分群
• 使用交叉验证确定最优聚类数（2-6个Persona）
• 聚类维度：行为特征 × 声音特征 × 人口统计（如有）
• 评估每个聚类的内聚度和区分度
• 输出：聚类结果，每个聚类的核心特征描述

Step 2：特征画像提取

• 对每个聚类提取关键特征：
• 行为特征：核心使用场景、使用频率、功能偏好、Aha Moment
• 声音特征：主要诉求、核心痛点、情感倾向、代表原声
• 人口统计：年龄区间、职业倾向、技术熟练度（如有数据）
• Jobs to be Done：Functional Job / Emotional Job / Social Job
• 标注每个特征的置信度
• 标注数据来源（voice / behavior / survey / 推断）
• 输出：每个聚类的特征画像

Step 3：Persona文档生成

• 为每个聚类生成Persona文档，包含：
• 名称：易记的代称（如"效率先锋""体验探索者"）
• 核心目标：该Persona最想达成什么（2-3个）
• 关键行为：典型使用行为模式（3-5个）
• 核心痛点：最困扰的问题（2-4个，引用voice-analysis数据）
• 代表性原声：来自真实用户反馈的引用（3-5条）
• 规模占比：该Persona在用户群中的占比
• 置信度：整体置信度评分（0-1）
• 标注推断性内容（无直接数据支撑的特征）
• 输出：persona.json

Step 4：Empathy Map生成

• 为每个Persona生成Empathy Map，包含四个象限：
• Says：用户说了什么（来自voice-analysis的原声）
• Thinks：用户可能在想什么（推断，标注置信度）
• Does：用户做了什么（来自behavior-analysis的行为数据）
• Feels：用户的情绪状态（来自情感分析 + 推断，标注置信度）
• 标注每个象限条目的数据来源和置信度
• 输出：empathy-map.json

Step 5：Journey Map生成

• 为每个Persona生成Journey Map，包含：
• 阶段：认知 → 考虑 → 使用 → 深度使用 → 流失/留存
• 每个阶段：
• 用户行为（来自behavior-analysis）
• 触点（产品内外）
• 情绪曲线（高/低点标注）
• 痛点（来自voice-analysis）
• 机会点（痛点 × 未满足需求）
• 标注情绪曲线的置信度（行为数据支撑 vs 推断）
• 输出：journey-map.json

Step 6：置信度评估

• 评估每个Persona的整体置信度
• 评估每个输出字段的置信度
• 识别低置信度字段（< 0.5）并标记需人类验证
• 生成置信度报告：哪些结论有强数据支撑，哪些需要补充验证
• 输出：置信度评估报告

输出

persona.json

输出文件：output/pm-discovery/user-research-user-modeling/persona.json

输出Schema：

{
  "type": "object",
  "required": ["personas", "metadata"],
  "properties": {
    "personas": {"type": "array", "description": "Persona列表，含目标、行为、痛点和JTBD"},
    "metadata": {"type": "object", "description": "元数据，含时间戳、来源和聚类质量评分"}
  }
}

输出校验规则：

{
  "personas": [
    {
      "id": "string",
      "name": "string",
      "core_goals": [
        {
          "goal": "string",
          "confidence": "number",
          "data_source": "voice|behavior|survey|inferred"
        }
      ],
      "key_behaviors": [
        {
          "behavior": "string",
          "confidence": "number",
          "data_source": "voice|behavior|survey|inferred"
        }
      ],
      "core_pain_points": [
        {
          "pain_point": "string",
          "severity": "P0|P1|P2|P3",
          "confidence": "number",
          "data_source": "voice|behavior|survey|inferred",
          "evidence_ref": "string"
        }
      ],
      "representative_quotes": [
        {
          "quote": "string",
          "source": "string",
          "sentiment": "string"
        }
      ],
      "size_ratio": "number",
      "confidence": "number",
      "jobs_to_be_done": {
        "functional_job": {
          "description": "string",
          "confidence": "number"
        },
        "emotional_job": {
          "description": "string",
          "confidence": "number"
        },
        "social_job": {
          "description": "string",
          "confidence": "number"
        }
      },
      "low_confidence_fields": ["string"]
    }
  ],
  "metadata": {
    "analysis_timestamp": "string",
    "input_sources": ["string"],
    "clustering_quality_score": "number",
    "confidence_overall": "number"
  }
}

empathy-map.json

输出文件：output/pm-discovery/user-research-user-modeling/empathy-map.json

输出Schema：

{
  "type": "object",
  "required": ["empathy_maps"],
  "properties": {
    "empathy_maps": {"type": "array", "description": "同理心地图列表，含Says/Thinks/Does/Feels四象限"}
  }
}

输出校验规则：

{
  "empathy_maps": [
    {
      "persona_id": "string",
      "persona_name": "string",
      "says": [
        {
          "content": "string",
          "source": "string",
          "confidence": "number"
        }
      ],
      "thinks": [
        {
          "content": "string",
          "inference_basis": "string",
          "confidence": "number"
        }
      ],
      "does": [
        {
          "content": "string",
          "source": "string",
          "confidence": "number"
        }
      ],
      "feels": [
        {
          "emotion": "string",
          "intensity": "number",
          "inference_basis": "string",
          "confidence": "number"
        }
      ]
    }
  ]
}

journey-map.json

输出文件：output/pm-discovery/user-research-user-modeling/journey-map.json

输出Schema：

{
  "type": "object",
  "required": ["journey_maps"],
  "properties": {
    "journey_maps": {"type": "array", "description": "用户旅程地图列表，含阶段、情绪曲线和机会点"}
  }
}

输出校验规则：

{
  "journey_maps": [
    {
      "persona_id": "string",
      "persona_name": "string",
      "stages": [
        {
          "stage_name": "string",
          "user_behaviors": ["string"],
          "touchpoints": ["string"],
          "emotion_score": "number",
          "emotion_confidence": "number",
          "pain_points": ["string"],
          "opportunities": ["string"]
        }
      ],
      "emotional_arc": {
        "high_points": ["string"],
        "low_points": ["string"],
        "overall_trend": "string"
      }
    }
  ]
}

决策规则

质量检查

降级策略

当上游文件不存在时，本Skill仍可独立执行：

数据获取说明

本Skill需要用户声音分析和行为分析数据，请通过以下方式之一提供：

1. 直接粘贴用户描述文本（目标用户特征、行为模式等）
2. 上传voice-analysis.json / behavior-analysis.json文件
3. 提供数据文件路径

• AI不负责外部数据采集，仅负责分析

上游变更响应

上游变更影响

下游通知机制