我做过几年用户研究，也带过一些刚入行的同学。大家第一次听到“用户研究提示词”时，常以为它是某种咒语，写一句就能让 AI 交出访谈提纲、问卷、洞察报告。我的经验更朴素：用户研究提示词是一份写给 AI 的研究协作说明书。它帮我把研究目标、角色、上下文、限制条件和输出格式说清楚，让模型产出更贴近真实研究工作的材料。这里想聊的不是万能模板，而是基础认知和设计准备。
1.1 用户研究提示词的定义、价值与适用边界
我给“用户研究提示词”下的定义很口语：它是用户研究场景里，人向 AI 提出的结构化请求。请求里通常藏着研究问题、目标用户、业务背景、时间范围、样本特征、输出形式这些信息。它和普通聊天的差别，在于它服务的研究任务有明确目的、约束和验收标准。我自己写提示词时，会先问：这条提示词要帮团队省下哪段劳动？是整理访谈记录，还是把模糊需求转成访谈提纲？目的不清楚，提示词就容易变成漂亮废话。
价值方面，我从三个视角看同一件事。新手研究员小周告诉我，用户研究提示词像脚手架，让他知道访谈提纲可以从“研究目标—假设—问题—追问”这条线搭起来。资深研究员阿岚更在意效率，她把重复的纪要提炼工作交给 AI，自己把时间留给判断和追问。作为项目负责人，我看重的是团队对齐：一份写清楚的提示词，能让产品、设计、研究对“我们要问什么”有共同语言。价值不在 AI 替代人，而在人把精力放到更高价值的判断上。
适用边界也要说透。用户研究提示词适合生成初稿、扩展思路、归类信息、检查遗漏、模拟追问。它不适合直接替代真实用户的声音。模型没有真实用户的记忆、情绪和处境，它可以模拟一种回答，不能提供证据。我的边界感是：AI 输出进入研究流程时，必须标明“待验证”。涉及敏感人群、隐私数据、伦理审查的研究，提示词只能处理合规后的抽象信息。边界清晰，用户研究提示词才会成为助力，不是风险源。
1.2 从研究目标到提示词任务：角色、上下文、约束与输出格式
我写提示词前会拿一张纸，左边写研究目标，右边写 AI 任务。研究目标可能是“了解新用户第一次使用产品的阻碍”，AI 任务可能是“生成 8 个半结构化访谈问题，并附上追问方向”。这两件事不能混。目标属于人的判断，任务属于可拆解的产出。把目标直接丢给 AI，模型容易给出宽泛答案。把任务拆到可验收，用户研究提示词才有抓手。
角色、上下文、约束、输出格式，是我常用的四件套。角色告诉 AI 站在哪里说话，比如“你是一名有 5 年经验的产品研究员，擅长新手用户访谈”。上下文提供研究背景，比如产品阶段、用户群体、已知假设、业务限制。约束写清楚不能做什么，比如“不要使用诱导性问题”“避免专业术语”“不编造用户原话”。输出格式决定结果怎么用，比如表格、JSON、Markdown 清单、访谈提纲分段。四件套不需要每次都写满，缺什么补什么。
我让团队做过一次对照练习。同一研究目标，A 组只写“帮我生成访谈提纲”，B 组写清角色、上下文、约束和输出格式。B 组拿到的提纲更贴近项目，问题层次也更清楚。这里不是说 B 组提示词更长就好，而是信息结构更完整。用户研究提示词的质量，常取决于我有没有把研究里的隐含前提说出来。说出来，AI 才有机会按研究逻辑工作。
1.3 用户研究提示词的质量标准：相关性、可执行性、无偏见与可复用性
我评价用户研究提示词，会看相关性。它和研究问题有没有直接关系？输出的问题能不能回到研究目标？我见过一些提示词写得很热闹，让 AI 扮演市场专家、心理学大师、增长黑客，产出却和当前研究问题隔了一层。相关性不是字数多，而是每个要求都服务于研究目标。删掉不相关的要求，提示词会更有力量。
可执行性是我看重的第二点。可执行意味着 AI 能按步骤完成，研究员能按结果行动。比如“分析用户痛点”太虚，“从 10 份访谈纪要中提取痛点，按出现频次分组，每组附 2 条原话编号”就更可执行。无偏见也在这里体现。提示词不能预设用户一定喜欢或讨厌某个功能。我会加入“请同时列出支持与反对证据”“避免把相关性说成因果”“标注不确定信息”。这些约束让输出更稳。
可复用性常被忽略。一次项目写完提示词，下一个项目还能不能改一改就用？我会把变量抽出来，比如 {{产品类型}}、{{目标用户}}、{{研究阶段}}、{{样本量}}。这样一份用户研究提示词就像半成品模板，换变量就能迁移。团队里有人喜欢每次从零写，我的习惯是留版本记录。可复用不是偷懒，它让研究经验沉淀下来，也让新人少走弯路。
1.4 常见误区：把提示词当问卷、把AI当受访者与过度依赖生成结果
我常遇到的一种误区，把提示词当问卷。有人把 20 个问题直接塞给 AI，让它“回答这些用户研究问题”。这像把 AI 当数据源。提示词可以帮我们设计问卷、检查逻辑、模拟极端答案，它不能替真实用户填问卷。问卷里的每个选项、量表、跳转逻辑，都要回到研究目标和真实场景。AI 可以当校对员，不能当受访者。
另一个误区，把 AI 当受访者。有人让模型扮演“25 岁一线城市女性用户”，再拿它的回答当访谈发现。我理解这种冲动，真实用户难找，AI 随时在线。我的做法是：把模拟回答当作假设生成器，用来暴露我没想到的问题角度。模拟结果要标注“未验证”，不能进入结论。用户研究提示词可以帮我们排练访谈，不能替代访谈。
还有一个误区，过度依赖生成结果。模型输出的提纲、编码、洞察看起来很完整，容易让人放松判断。我要求自己每读一段 AI 输出，都问三件事：证据从哪里来？有没有反例？这句话能不能追溯到原始材料？团队里我会安排人工复核，关键结论必须回到访谈记录、问卷数据或观察笔记。用户研究提示词提升的是研究效率，不是研究责任。责任还在人身上。
这一章聊的是基础认知和设计准备。我把用户研究提示词看成研究协作说明书，它需要目标、角色、上下文、约束和输出格式。它也有边界、质量标准和常见误区。准备越扎实，后面的模板和进阶优化越不容易跑偏。下一章我会进入核心场景，拆访谈、问卷、可用性测试、竞品分析里的提示词模板。
我在上一章聊了提示词的基础认知和设计准备，很多朋友问我：知道角色、上下文、约束这些概念了，可真到访谈、问卷、可用性测试里该怎么写？这一章我想把几个核心场景掰开，分享我自己在用的模板和组合方式。模板不神秘，就是把我重复做的动作写成结构，让 AI 能接着干。写多了会发现，场景不同，结构相似，变量在换。
2.1 用户访谈 AI 提示词模板：访谈提纲生成、追问策略与访谈纪要提炼
访谈提纲是我用得最多的场景。我的模板通常这样写：你是一名资深用户研究员，正在为 {{产品类型}} 的 {{研究阶段}} 设计半结构化访谈提纲。研究对象是 {{目标用户画像}}，我们已知的假设有 {{假设列表}}，本次研究要回答的核心问题是 {{研究问题}}。请生成 {{数量}} 个主问题，每个主问题配 2 到 3 个追问方向，避免诱导性提问，避免专业术语，输出用 Markdown 表格。这张表我会直接丢进访谈脚本，研究员可以按现场情况调整顺序。
追问策略单独写一段提示词也很有意思。我会把访谈提纲和一段模拟回答一起给 AI，让它扮演研究员做追问练习。比如提示词写：以下是一段模拟用户回答，请你作为研究员给出 5 个可能的追问，追问要围绕用户提到的具体行为、情绪和场景，不要问“为什么”这种空泛问题，尽量用“能不能回忆一下当时的情况”“你当时第一反应是什么”这类句式。这个练习对新人特别有用，能在真正访谈前把追问肌肉练一遍。对话结束我会标注哪些追问是 AI 生成的，实战里再筛选。
访谈纪要提炼是我最依赖 AI 的环节。一场 60 分钟访谈，录音转文字后可能有上万字，人工读一遍要花不少时间。我会写这样的提示词：你是一名用户研究分析师，请从以下访谈记录中提取用户提到的痛点、使用场景、现有替代方案、情绪反应和原话金句。每条发现标注原文位置或时间戳，区分事实陈述和用户观点，不确定的信息标为待确认。输出分成三个部分：关键发现清单、矛盾点或反例、值得深挖的线索。这份初稿能帮我在一两个小时内抓到访谈轮廓，我再回到原文核对。提炼结果我会当成索引，不当成结论。
我还会在访谈场景里加一个变量：访谈类型。深访、情境访谈、日记研究后访谈，追问方式和提炼重点不太一样。深访重动机和决策路径，情境访谈重操作细节和环境因素。把这个变量写进提示词，AI 的输出会跟着变。有一次我忘写访谈类型，AI 给了一套通用提纲，问题都对，就是不够贴现场。加上“情境访谈，用户在真实工作环境中被观察后接受访谈”这句，提纲的追问方向明显更具体了。
2.2 用户研究问卷设计提示词：题目生成、量表设计、逻辑校验与偏差检查
问卷设计比访谈更需要结构，因为问卷一旦发出去，改的成本很高。我常用的提示词分四段。第一段设定角色和背景：你是一名用户研究问卷设计专家，正在为 {{研究主题}} 设计一份 {{问卷长度}} 的问卷，目标样本是 {{样本特征}}，需要收集的信息包括 {{信息维度}}。第二段给约束：题目要中立，避免双重提问，避免引导性措辞，选项要互斥且穷尽。第三段定输出格式：请输出题目、题型、选项、量表说明和跳转逻辑。第四段加检查要求：生成后请自查是否存在社会赞许偏差、默认选项偏差和顺序效应。
题目生成只是起点，量表设计是很多人容易忽略的部分。我会专门写一段提示词来打磨量表。比如：以下题目目前使用 5 点李克特量表，请评估每个题目的量表锚点是否清晰，是否适合目标用户群体的语言习惯，是否需要改为 7 点或行为频率量表，给出修改理由和替换措辞。这个步骤能帮我发现一些细节，比如“非常同意”和“比较同意”对老年用户可能不好区分，换成“完全符合”到“完全不符合”会更直观。量表是问卷的尺子，尺子不准，数据再漂亮也没用。
逻辑校验和偏差检查我通常放在生成之后。提示词会写：请模拟 10 位不同类型的受访者填写这份问卷，包括极端用户、随意作答者和认真作答者，检查跳转逻辑是否完整，是否存在某类用户无法作答或被迫选择的情况。找出可能导致数据偏差的题目并给出修改建议。这个动作像问卷的压力测试。有一次 AI 指出一道筛选题会让一部分用户直接跳过核心模块，我回看确实是这样。偏差检查方面，我会专门要求 AI 标出可能存在引导性的措辞，比如“你是否也觉得这个功能很方便”这种问句，一看就不能用。
问卷场景的变量比访谈更多。产品阶段、用户类型、发放渠道、填答设备都会影响设计。手机端问卷题目要短，选项要少；B 端问卷可以用更专业的表述。我会在提示词里把这些变量填进去，有时还会让 AI 先给两个版本对比。一个版本给普通用户，一个版本给专业用户，看措辞差异。变量写清楚，问卷模板的迁移成本就低很多。
2.3 可用性测试、用户反馈与竞品分析中的提示词组合
可用性测试的提示词和访谈不同，它更关注任务、操作路径和卡点。我的模板会写：你是一名可用性测试主持人，请为 {{产品功能}} 设计 5 个测试任务，任务描述要贴近真实使用场景，避免直接告诉用户点击哪里。每个任务配观察要点和成功标准，再给出 3 个可能出现的卡点及追问方向。测试结束后，我会把录屏转文字记录交给 AI，让它按任务维度整理用户的操作路径、犹豫点、错误操作和口头反馈。这个组合能帮我快速生成测试报告的骨架。
用户反馈分析是另一个高频场景。产品上线后，应用商店评论、客服工单、社区帖子会涌进来。我会写这样的提示词：以下是一批用户反馈文本，请按功能模块、情绪倾向、问题类型和紧急程度做分类，提取高频关键词，标出与已知问题不一致的新线索。每条分类结果附上原文编号，不要合并相似表述，保留差异。这个任务人工做也能做，就是慢。AI 先做一遍归类，我再看哪些分类不合理，哪些新线索值得追。反馈里的反讽和情绪化表达，我会特别检查，模型有时会误判语气。
竞品分析的提示词组合更像多角色协作。我会先让 AI 扮演竞品研究员，整理竞品的功能结构、交互流程和定位描述。再让它扮演目标用户，用“首次接触该竞品的用户”视角列出困惑和惊喜点。最后让它扮演研究评审者，指出前面两轮输出中的证据薄弱处和主观判断。这三段提示词串起来用，比单次提问更完整。竞品分析里的公开信息容易过时，我会在提示词里限定信息时间范围，并要求标注信息来源和不确定项。
这三个场景有一个共同点：提示词不是孤立的，而是组合拳。可用性测试需要任务设计、观察记录、报告提炼三段提示词。用户反馈需要分类、提炼、异常检测三段。竞品分析需要事实整理、视角模拟、评审质疑三段。我习惯把每个场景的提示词串写成一个小流程，存进文档。这样下次做同类研究，复制流程、替换变量就能跑起来。
2.4 从单次模板到提示词库：变量、版本管理与跨项目复用
单次写完的提示词用完就丢，很可惜。我大概在两年前开始建自己的提示词库，按场景分文件夹：访谈、问卷、可用性测试、反馈分析、竞品分析、桌面研究。每个文件夹里放模板文件，文件名标注用途和版本号。模板里用双花括号写变量，比如 {{产品名称}}、{{用户角色}}、{{研究阶段}}、{{输出语言}}、{{样本量}}、{{禁止事项}}。变量抽出来之后，同一份模板换个项目改几行就能用。
版本管理这件事，吃过亏的人会懂。我早期改提示词不留记录，有一次把一个好用的访谈模板改坏了，想退回原来版本却找不到。现在我会在文件顶部写变更记录：日期、改动内容、改动原因、效果观察。简单几行，帮我在几周后还记得当时为什么这么改。团队协作时，版本管理更重要。我会把模板放在共享空间，标注适用场景和已知限制，新人可以复制一份改成自己的版本，不直接改原文件。提示词库像研究资产，需要维护，也需要权限边界。
跨项目复用的关键是变量设计和场景抽象。我做过一个访谈模板，最初是给智能硬件项目用的，后来改成 SaaS 项目也能用。改动的地方只有用户角色、使用场景和术语表。抽象做得好的模板，不是把所有场景都塞进去，而是把不变的结构保留，把变化的部分变成变量。有些提示词我会写两套：一套通用版，结构完整；一套精简版，只保留核心约束。赶时间用精简版，重要项目用通用版。
我还会给提示词库配一份使用说明。说明里写每个模板适合什么研究问题、需要哪些输入、输出大概长什么样、有哪些已知坑。比如问卷偏差检查模板，说明里会提醒：这个模板不能替代预测试，只能作为预测试前的自查工具。使用说明让提示词库从个人笔记变成团队工具。有人问我建库要花多久，我的回答是：从第一个项目开始就可以建，每做一个项目沉淀一两条，半年后就有能用的库了。
提示词库建起来之后，我发现自己的研究流程也变了。以前每个项目从零想提纲、想问卷题目，现在先从库里找模板，再根据项目特点调整。省下来的时间用来做更重要的事：约用户、做访谈、看数据、写洞察。模板不是为了让研究变得机械，它把重复劳动的结构固定下来，让研究员把判断力放在真正需要人的地方。下一章我会聊提示词的进阶优化和全流程整合，包括 A/B 测试、多角色协作和伦理边界。提示词库是起点，怎么让它持续变好，是更长期的事。
上一章聊了核心场景的模板和提示词库。提示词库建好之后，我发现自己停不下来。模板能用，输出质量却时好时坏。同一个访谈提纲模板，换一个产品类型，AI给的问题就飘了。我开始琢磨怎么让提示词越用越准，怎么把单次任务串成完整流程。这一章聊进阶优化和全流程整合。
3.1 提示词迭代方法：基于输出评估的A/B测试、反思与精调
我最早做提示词迭代，靠感觉改。今天觉得输出太啰嗦，加一句“控制字数”。明天觉得问题不够深，加一句“追问三层”。改完就用，用着不顺再改。这种方式效率低，改了很多版，说不清哪版更好。后来我学了一招：A/B测试。同一个研究任务，写两个版本的提示词，输入相同材料，对比输出。比什么？我列几个维度：相关性，输出有没有答到研究问题；可执行性，研究员能不能直接拿去做访谈或分析；完整性，该覆盖的维度有没有漏；偏见程度，有没有诱导或刻板表达。每个维度打1到5分，记录在表格里。几次下来，哪版更好一目了然。
A/B测试不需要复杂工具。我通常用同一段访谈记录，让两个提示词分别提炼。一个版本写“请提取用户痛点”，另一个写“请提取用户痛点，标注原文位置，区分事实与观点，标出待确认信息”。后一版输出更细，但耗时更长。如果赶时间做快速扫描，前一版够用。如果要做正式分析，后一版更稳。我会把测试结果写进提示词库的备注里，注明适用场景。这样下次选模板，不用重新试。
反思和精调是日常动作。每次输出不满意，我不急着换提示词，先问自己：是角色没写清，还是上下文不够，还是输出格式没约束？有一次AI生成的问卷题目全是“您是否满意”这种宽泛问法。我回看提示词，发现只写了“生成10道题”，没写题型和选项要求。加上“每题给出题型、选项和跳转逻辑”，输出立刻具体了。精调往往就是补一两句约束，或者把变量写得更细。我还会在提示词里加“示例”，给一两个理想输出的样子。模型看到示例，格式和语气都更贴近预期。示例不用多，一两个就够，多了反而限制发挥。
3.2 多轮对话与多角色协作：模拟用户、研究助理、分析师与评审者
单轮提示词能解决很多任务，复杂研究需要多轮对话。我做竞品分析时，不会一次让AI输出完整报告。我会分几轮：第一轮让它整理竞品功能列表，第二轮让它模拟新用户写第一印象，第三轮让它以评审者身份挑前面输出的毛病。每轮基于上一轮结果追问。这种对话式推进，比一次性给大提示词更可控。模型在每一轮有明确焦点，输出质量更稳定。
多角色协作是我最近半年用得最多的方法。一个研究项目里，我会让AI扮演四个角色。模拟用户：用目标用户的语气回答访谈问题，帮我预演访谈脚本。研究助理：整理访谈记录，提取关键发现，标注原文位置。分析师：把发现归类，找模式，提出假设。评审者：质疑分析师的结论，指出证据不足的地方。这四个角色可以串在一个对话里，也可以分开开新对话。分开的好处是每个角色不受前面角色影响，评审者更客观。串起来的好处是上下文连贯，模拟用户的回答能直接被助理整理。
我举个具体例子。做一款健身App的用户研究，我先让AI扮演“每周去三次健身房的上班族”，回答我设计的访谈问题。它的回答里有“下班后太累，不想再打开App记录”这类表述。我让研究助理角色把这段回答整理成痛点清单。再让分析师角色归类，发现“疲劳”和“记录负担”是两个独立因素。再让评审者角色提问：这个模拟用户的回答能代表真实用户吗？有没有过度概括？评审者会提醒我，模拟回答只能当假设，不能当证据。这个提醒很关键，多角色协作的边界就在这里。AI可以演，可以整理，可以分析，结论得由真实用户数据支撑。
3.3 伦理、隐私与数据安全：用户研究提示词的合规边界
用户研究提示词绕不开伦理。我做访谈记录分析时，第一件事是脱敏。把姓名、电话、邮箱、公司名、具体地址替换成占位符。提示词里会写：以下文本已脱敏，请勿尝试推断或还原任何个人信息。我还会把录音转文字中的语气词、口头禅保留，这些对分析情绪有用，但不涉及身份。敏感话题，比如健康、财务、政治倾向，我会单独处理。提示词里加一句：请避免对用户的敏感信息做任何评价或推断，只做中性归类。
数据安全方面，我关注AI平台的数据使用条款。有些平台会用用户输入训练模型，有些不会。做企业项目时，我会选择明确不训练、支持数据隔离的工具。提示词里不写真实客户名称，用代号代替。项目结束后，我会清理对话记录。这些动作看起来琐碎，能避免大麻烦。伦理边界还体现在提示词设计上。避免写“请模拟一个低收入用户”，这种标签化表达可能生成刻板印象。换成“请模拟一位对价格敏感、日常使用预算有限的用户”，描述行为而非身份。同理，避免让AI扮演儿童或认知障碍者，除非研究本身需要，并且有严格合规审查。
告知同意是另一条边界。用AI辅助分析访谈记录，我会在访谈开始时告诉用户：记录会用于研究分析，可能借助AI工具做初步整理，所有个人信息会脱敏。用户同意后再继续。如果用户不同意，我就人工分析。这条不能省。提示词本身也要合规。不能写“请生成能绕过用户隐私设置的问卷题目”，也不能写“请分析如何获取用户未授权的数据”。工具是中性的，用工具的人得有底线。我给自己定了一条规则：提示词里不出现任何试图欺骗、操纵或伤害用户的内容。这条规则比任何模板都重要。
3.4 从研究设计到洞察交付：AI辅助用户研究工作流闭环
把前面几节串起来，就是一个工作流闭环。研究设计阶段，我用AI生成研究问题清单、访谈提纲、问卷初稿。招募阶段，我用AI写招募文案和筛选问卷，但筛选标准由我定。数据收集阶段，AI不直接接触用户，它处理的是已经脱敏的记录。分析阶段，AI做初步提炼、分类、异常检测，我做核对、判断、深挖。洞察交付阶段，AI帮我写报告初稿、做可视化建议、检查逻辑漏洞，结论由我签字。
这个闭环里，AI是加速器，不是替代者。我做过一个B端产品的研究，从设计到交付用了三周。没有AI的话，光访谈记录整理就要一周。AI把整理压缩到两天，我把省下的时间用来约更多用户、做更多轮追问。研究质量反而提升了。闭环的关键是“反馈”。每次项目结束，我会回看哪些提示词好用，哪些输出需要大改。把好用的提示词更新到库里，把坑写进使用说明。下一次项目启动，直接从更新后的库开始。这个循环转起来，提示词库越来越厚，研究流程越来越顺。
我还会在闭环里留一个人工检查点。AI输出的每一条发现，我会抽10%到20%回到原文核对。核对不是不信任AI，是确认上下文没被切断。有一次AI把用户的一句反讽当成正面评价，我核对原文才发现。这个检查点花时间不多，能避免结论跑偏。洞察交付时，我会在报告里标注哪些部分用了AI辅助，哪些是人工分析。透明性能让团队更放心地用这套流程。用户研究提示词走到这一步，不再是零散技巧，而是一套可迭代、可协作、可合规的工作方式。下一章我会聊提示词在团队协作和规模化研究里的应用，包括权限、培训和效果度量。
