用户画像研究与构建

为什么需要基于数据的用户画像

很多团队的画像停留在 Excel 里的年龄、城市和「喜欢购物」这类标签上。这类画像看似完整，却没有解释用户为什么流失，也无法指导功能优先级。结果就是产品迭代靠拍脑袋，营销文案对着虚构角色自说自话。

真正的画像应该回答一个工程问题：用户在什么情境下，试图完成什么任务，遇到了什么阻碍，以及有哪些连用户自己都说不清的行为模式。这个技能就是为了把访谈逐字稿、问卷结果、CSV 或 Excel 里的信号，压缩成可以直接参与评审的画像。

核心能力与处理流程

技能内置了一套研究综合（research synthesis）流程，会在内部按步骤执行：

1. 数据采集：读取用户传入的研究文档和数据文件，而不是依赖预设模板。
2. 模式识别：从原始素材中找重复出现的目标、动机和行为。
3. 分群：按 jobs-to-be-done 把相似用户聚成独立画像，而不是按年龄机械切分。
4. 画像补全：把碎片化证据拼成完整 profile。
5. 验证：交叉核对关键洞察，确认它们确实有数据支撑。

最终输出 3 个画像，每个包含：

• Persona Name & Demographics：年龄段、角色、公司规模等基础信息。
• Primary Job-to-be-Done：核心待办任务、触发情境与发生频率。
• Top 3 Pain Points：阻碍任务完成的三个具体痛点及影响程度。
• Top 3 Desired Gains：用户追求的收益，以及他们如何衡量成功。
• One Unexpected Insight：数据中反直觉的行为模式，以及它对产品决策的意义。
• Product Fit Assessment：当前产品或 $ARGUMENTS 能覆盖哪些需求，还有哪些摩擦点。

适用边界与注意点

• 技能不会自动安装依赖、修改系统权限或创建持久化任务。
• 涉及发送、发布、删除、付款、部署等外部写入操作时，必须先展示目标与影响，并获得用户明确确认。
• 凭据只用于指定服务，不会回显、记录或转发到无关地址。
• 命令和代码默认只作为参考；只有在用户明确要求且目标范围清晰时才会执行。
• 画像质量取决于输入数据。如果证据不足，技能会标出需要补充研究的地方，而不是用假设填充。