案例背景
某 SaaS 产品团队计划推出"AI 辅助写作"功能，需通过用户访谈验证方向。传统流程：
| 环节 | 传统方式 | 耗时 | 痛点 |
|---|---|---|---|
| 访谈提纲设计 | 用研专员撰写 | 8 小时 | 问题设计不专业 |
| 访谈执行 | 每人 45 分钟 ×30 人 | 22.5 小时 | 需 1 周排期 |
| 录音转录 | 人工转写 | 30 小时 | 耗时易错 |
| 开放式编码 | 逐句标注标签 | 40 小时 | 主观偏差 |
| 主题聚类 | 人工归类 | 16 小时 | 标准不一 |
| 画像生成 | 人工归纳 | 12 小时 | 样本量不足 |
| 报告撰写 | PPT/Word | 16 小时 | 格式反复 |
| 总计 | - | 144 小时（3 周） | 链路长、主观性强 |
目标：用 AI 把全流程压缩到 5 天，产出质量不低于专业用研。
工具组合
| 工具 | 角色 | 选型理由 |
|---|---|---|
| Claude Code | 访谈提纲 + 转录分析 | 长上下文能吞下完整访谈记录 |
| GPT-4 | 编码 + 主题提炼 | 分析逻辑与归纳能力强 |
| Cursor | 转录脚本 | IDE 内处理音频转文本 |
| Notion MCP | 报告沉淀 | 结构化写入知识库 |
| Prompt Chaining | 流水线编排 | 串联转录-编码-聚类-报告 |
5 天整体规划
| 天数 | 阶段 | 产出 |
|---|---|---|
| Day 1 | 提纲设计 + 访谈启动 | 访谈提纲 + 前 10 人访谈 |
| Day 2 | 访谈完成 + 转录 | 30 份转录稿 |
| Day 3 | 开放式编码 | 30 份编码表 + 标签库 |
| Day 4 | 主题聚类 + 画像 | 8 个画像 + 5 个主题 |
| Day 5 | 报告撰写 + 建议 | 完整研究报告 |
实施步骤
Day 1：访谈提纲设计
Prompt 1：让 Claude Code 生成半结构化访谈提纲
你是资深用户研究员。请为以下访谈设计半结构化提纲：
## 研究目标
验证"AI 辅助写作"功能方向，了解用户当前写作痛点与期望
## 目标用户
SaaS 产品的内容创作者（30 人），含文案/产品经理/运营
## 访谈时长
45 分钟
## 提纲要求
1. 分 5 个模块：暖场 / 现状 / 痛点 / 期望 / 评价
2. 每模块 3-5 个主问题，每个主问题配 2-3 个追问
3. 开放式问题为主，避免诱导性提问
4. 标注每个问题的目的（探索/验证/对比）
5. 预留 5 分钟用户自由发言时间
输出为 Markdown 表格，便于导入 Notion。
Prompt 2：让 GPT-4 做问题质量自检
请检查以下访谈提纲的问题质量：
## 检查维度
1. 是否有诱导性提问（如"你觉得 AI 好用吗"→ 改为"你如何看待 AI"）
2. 是否有双重问题（如"你觉得它快又准吗"→ 拆分）
3. 是否有专业术语（用户听不懂的需替换）
4. 是否有封闭式问题（能答是/否的需改为开放式）
5. 逻辑顺序是否合理（先现状后期望）
逐条标注问题并给出修改建议。
产出：专业级半结构化访谈提纲，含 20 个主问题 + 50 个追问。
Day 2：访谈转录
Prompt 3：让 Cursor 生成批量转录脚本
请生成一个 Python 脚本，批量转录 30 个访谈录音：
## 需求
1. 输入：recordings/ 目录下的 30 个 .m4a 文件
2. 使用 OpenAI Whisper API 转录
3. 输出：transcripts/ 目录下的 .txt 文件（文件名同录音）
4. 转录要求：中文、带时间戳、按说话人分段
5. 并发处理（3 路并发，避免限流）
6. 失败重试 3 次
7. 生成转录报告（成功/失败/总时长）
## 输出
一个完整的 .py 脚本 + requirements.txt
产出：30 份带时间戳的转录稿，总耗时约 2 小时（含录音）。
Day 3：开放式编码
Prompt 4：让 GPT-4 做开放式编码（Prompt Chaining 核心）
这是最关键的步骤。对每份转录稿独立编码：
你是定性研究编码员。请对以下访谈转录稿做开放式编码：
## 转录稿
{transcript}
## 研究主题
AI 辅助写作功能的用户需求
## 编码要求
1. 逐句扫描，为有意义的语句打标签
2. 标签用「现象描述」格式（如"写作卡壳""工具切换频繁"）
3. 同一语句可打多个标签
4. 标签尽量具体，避免过于宽泛（如"用户满意"→"对模板功能满意"）
5. 区分"行为陈述"（用户做了什么）和"态度表达"（用户怎么想）
## 输出格式（JSON）
{
"respondent": "R01",
"codes": [
{
"quote": "原文引用",
"timestamp": "05:23",
"codes": ["写作卡壳", "灵感枯竭"],
"type": "behavior"
}
]
}
对 30 份转录稿逐个执行，输出 30 个 JSON 编码文件。
Prompt 5：让 GPT-4 汇总标签库
请合并以下 30 份编码文件，生成统一标签库：
## 输入
{30 个编码 JSON}
## 输出
1. 去重后的完整标签列表（按出现频次降序）
2. 合并近义标签（如"写作卡壳"和"灵感枯竭"合并为"写作卡壳/灵感枯竭"）
3. 标签层级化（一级标签 → 二级标签）
4. 每个标注标注：出现次数 / 涉及受访者数 / 典型引用
输出为 Markdown 表格。
产出：30 份编码表 + 统一标签库（约 80 个标签，15 个高频）。
Day 4：主题聚类与画像生成
Prompt 6：让 GPT-4 做主题分析
你是定性研究分析师。请对以下标签库做主题聚类：
## 标签库
{tag_library}
## 聚类要求
1. 把相关标签归为同一主题（如"卡壳""查资料""切工具"→ 主题"写作流程中断"）
2. 每个主题含 3-7 个标签
3. 为每个主题命名（简洁、有洞察力）
4. 标注每个主题的：频次 / 典型表现 / 业务含义
5. 识别 3-5 个核心主题（覆盖 60%+ 标签）
输出为层级表格：主题 → 标签 → 引用。
Prompt 7：让 Claude Code 生成用户画像
基于以下编码与主题分析，生成 5-8 个典型用户画像：
## 输入
{coded_transcripts}
{themes}
## 画像要求
1. 每个画像基于 3-5 位受访者的共性特征
2. 画像维度：基本信息 / 写作场景 / 核心痛点 / 当前方案 / 对 AI 的期望 / 未满足需求
3. 画像命名有画面感（如"效率型文案""灵感型创作者"）
4. 每个画像附 2-3 句典型引用
5. 标注该画像覆盖的受访者编号
输出为结构化 Markdown，便于导入 Notion。
产出：5 个核心主题 + 8 个用户画像。
Day 5：报告撰写
Prompt 8：让 GPT-4 撰写研究报告
你是用户研究报告撰写专家。请基于以下素材撰写完整报告：
## 素材
- 研究背景：{background}
- 标签库：{tags}
- 主题分析：{themes}
- 用户画像：{personas}
- 典型引用：{quotes}
## 报告结构
1. 执行摘要（300 字，给决策层）
2. 研究方法（样本/流程/分析方法）
3. 核心发现（5 个主题，每个含数据支撑）
4. 用户画像（8 个，含引用）
5. 痛点优先级矩阵（频次 × 严重度）
6. 产品建议（12 条，含优先级与依据）
7. 局限性与后续研究
## 写作要求
1. 每段开头一句话结论
2. 数据用"X/Y（Z%）"格式
3. 引用用「受访者 R0X」标注
4. 避免主观判断，用数据说话
5. 产品建议要具体到功能点
Prompt 9：让 GPT-4 生成产品建议
基于以下研究发现，生成可执行的产品建议：
## 输入
{themes}
{personas}
{pain_points}
## 建议格式
| 优先级 | 建议 | 依据 | 覆盖画像 | 预期收益 | 实施难度 |
## 要求
1. 优先级 P0（必做）/ P1（应做）/ P2（可做）
2. 依据关联到具体主题或引用
3. 覆盖至少 3 个画像的建议优先级更高
4. 预期收益量化（如"节省 30% 写作时间"）
5. 实施难度分低/中/高
Prompt 10：用 Notion MCP 沉淀报告
把以下研究报告写入 Notion 的「用户研究」数据库：
- 标题：2026-08 AI 写作功能用户研究报告
- 日期：2026-08-07
- 类型：用户研究
- 状态：已完成
- 内容：{full_report}
创建后返回页面链接。
产出：完整研究报告 + 12 条产品建议 + Notion 沉淀。
关键 Prompt 合集汇总
| Prompt | 用途 | 工具 |
|---|---|---|
| 1 | 访谈提纲设计 | Claude Code |
| 2 | 问题质量自检 | GPT-4 |
| 3 | 批量转录脚本 | Cursor |
| 4 | 开放式编码 | GPT-4 |
| 5 | 标签库汇总 | GPT-4 |
| 6 | 主题聚类 | GPT-4 |
| 7 | 用户画像生成 | Claude Code |
| 8 | 报告撰写 | GPT-4 |
| 9 | 产品建议 | GPT-4 |
| 10 | Notion 沉淀 | Notion MCP |
效果数据
| 指标 | 传统流程 | AI 流水线 | 提升 |
|---|---|---|---|
| 总耗时 | 144 小时（3 周） | 40 小时（5 天） | 3.6 倍 |
| 访谈样本 | 30 人 | 30 人 | - |
| 转录准确率 | 95%（人工） | 98%（Whisper） | +3% |
| 编码标签数 | 65 个 | 82 个 | +26% |
| 主题数 | 4 个 | 5 个 | +25% |
| 用户画像 | 5 个 | 8 个 | +60% |
| 产品建议 | 8 条 | 12 条 | +50% |
| 引用可追溯 | ❌ | ✅（每条标注 R0X） | 质变 |
| 成本 | 3 周人力 | API 约 $25 | - |
关键发现
- "写作卡壳"是最高频痛点：30 人中 24 人提到，且严重度自评平均 4.2/5。远超预期。
- "工具切换"是隐性痛点：只有 8 人主动提及，但追问后 22 人承认存在。AI 流水线通过编码发现了这个人工分析易遗漏的点。
- 用户对"AI 代写"有抵触：意外发现 18 人担心"AI 让我失去写作能力"，需定位为"辅助"而非"替代"。
- 画像差异显著："效率型文案"想要模板化，"灵感型创作者"想要发散辅助。单一功能无法满足全部。
经验总结
成功要点
- 编码是核心：Day 3 的开放式编码是最大提效点，AI 把 40 小时人工编码压缩到 4 小时。
- 标签标准化：先独立编码再合并标签库，避免先入为主，保证编码客观性。
- 引用可追溯：每个标签标注受访者编号，结论可溯源，提升报告可信度。
- 画像需基于多人：单个受访者不足以生成画像，至少 3 人共性才稳定。
- 产品建议需关联依据：每条建议关联到主题或引用，避免"拍脑袋"。
踩过的坑
- AI 编码过度发散：GPT-4 会生成过多细碎标签，需 Prompt 强调"合并近义标签"。
- 转录有方言错误：Whisper 对部分方言识别不准，需人工抽查修正。
- 主题聚类过粗：AI 初版只分了 3 个主题，需 Prompt 强调"5 个主题，每个含 3-7 标签"。
- 画像标签化：AI 容易生成"标签堆砌"的画像，需强调"有画面感的命名 + 典型引用"。
- 报告数据堆砌：AI 倾向罗列数据而缺乏洞察，需强调"每段开头一句话结论"。
- 产品建议太虚：AI 建议"优化用户体验"太笼统，需强制"具体到功能点 + 量化收益"。
- 诱导性提问：Claude Code 初版提纲有"你觉得 AI 好用吗"，需 Prompt 2 自检修正。
不可 AI 化的环节
- 访谈执行：AI 无法替代真人访谈的临场追问与共情
- 非语言信息：用户的语气、表情、停顿 AI 无法捕捉
- 业务判断：哪些痛点值得做、优先级如何排序，需产品团队决策
- 用户关系维护：访谈后的感谢、后续邀请需人工
复用建议
这套方案可迁移到：
- 产品可用性测试：调整编码维度为"任务完成/错误/困惑"
- NPS 跟访访谈：聚焦推荐/不推荐原因
- 竞品用户调研：增加竞品对比维度
- 员工离职访谈：调整主题为"离职原因/改进建议"
- 客户满意度深访：聚焦续费/流失原因
核心是Prompt Chaining 串联转录-编码-聚类-报告，每个环节独立可调试。
工具版本
- Claude Code：v1.0.20+
- GPT-4：gpt-4-turbo 或 gpt-4o
- Cursor：v0.40+
- OpenAI Whisper：large-v3
- Notion MCP：最新版
- 5 天 API 总成本：约 $25（Whisper $15 + GPT-4 $7 + Claude $3）