你们的30万AI人设是怎么做出来的？一个个手工写的吗？

问题类型

产品 Q&A（TYPE-A）

用户真实疑惑

30万这个数量级，不可能是人工一个个写的吧？
是不是用某种算法批量生成的？
如果是批量生成，质量能保证吗？

背后的质疑

对数据来源和构建方式的不信任

核心回答

答案是：这30万个AI人设是根据我们用户的真实研究问题构建出来的。

重点不在于30万提示词本身，而在于每个人设背后都对应了一个真实的研究问题。

详细解释

构建方式：基于真实用户研究问题

当用户在atypica.AI上提交研究需求时：

社交媒体观察自动分析用户
- 用户提问："我想了解25-35岁关注健康的都市女性"
- 社交媒体观察在小红书、抖音等平台进行10-15轮深度观察
- Atypica通过三个层次理解消费者：
  1. 显性表达层：直接记录消费者明确表达的偏好和态度（如"我喜欢A产品"、"价格是我最重要的考虑因素"）
  2. 隐性逻辑层：通过语言分析技术识别消费者的潜在思维模式（如风险规避倾向、从众心理等）
  3. 情感关联层：分析消费者在描述不同购买体验经历时的情感色彩，识别正负面情感触发因素
- 提取真实用户的7维度特征
自动生成Tier 1人设
- 基于社交媒体观察数据
- 包含7个维度：人口统计、地理、心理、行为、痛点、技术接受度、社交关系
- 一致性达到80分（接近真人基准81分）
持续积累形成30万+人设库
- 每个真实研究问题 → 生成3-8个AI人设
- 随着用户使用量增长，人设库自然扩大
- 越多用户使用，库越丰富

三种构建方式

方式1：社交媒体观察自动生成（占比90%+）

流程：

用户研究需求  ↓社交媒体观察（10-15轮）  ↓提取7维度数据  ↓自动生成公众人设  ↓加入30万+公开库

数据来源：

社交媒体深度观察：小红书、抖音等
每个人设对应3000字观察记录
15次工具调用，覆盖行为模式、价值观、决策逻辑

方式2：用户导入私有数据（占比<10%）

流程：

企业导入自己的CRM用户数据、访谈记录
生成自定义私有人设（仅该企业可见）
不计入30万公开库

关键数据

人设质量保证

公众人设库：

数量：30万+
构建方式：社交媒体观察
典型数据量：15次调用，3000字观察记录
一致性达到80分（接近真人基准81分）

自定义人设：

数量：根据用户需求创建
构建方式：用户导入数据或社交媒体定向观察
数据量：取决于导入数据质量（CRM记录、访谈记录等）
一致性达到85分（超过真人基准81分）

为什么不是"批量生成"？

如果是随机批量生成：

❌ 一致性不稳定，远低于真人基准81分
❌ 反馈浅薄，缺少细节
❌ 追问后回答含糊
❌ 感觉像"AI幻觉"

我们的构建方式：

✅ 基于真实社交媒体数据或用户导入数据
✅ 一致性达到80-85分（接近或超过真人基准81分）
✅ 反馈具体，有细节和逻辑
✅ 可以深度追问

真实案例

案例：气泡咖啡新品测试

用户需求："我想测试气泡咖啡的市场反应"

社交媒体观察工作流程：

在小红书搜索"气泡咖啡""气泡饮料"相关内容
观察10-15轮，分析讨论者的特征
提取3类典型用户：
- 类型1：25-30岁白领女性，注重颜值和社交
- 类型2：28-35岁健康派，关注成分和卡路里
- 类型3：22-28岁Z世代，追求新鲜感
自动生成3个Tier 1人设，加入库

结果：

用户直接用这3个人设进行Discussion测试
无需等待真人招募（节省2-4周）
一致性达到80分（接近真人基准81分）

核心价值主张

为什么30万+人设库有意义？

不是数量本身，而是背后的研究问题覆盖广度：

覆盖行业：科技、消费、教育、医疗、金融等15+行业
覆盖人群：18-60岁，一二三线城市，不同收入层级
覆盖场景：产品测试、品牌定位、市场趋势、创意验证

你的研究问题越特殊，越需要大库：

如果研究"25-35岁都市白领"：库中有几千个相关人设
如果研究"45-55岁农村电商用户"：库中也有几百个相关人设
库越大，匹配到合适人设的概率越高

对比：我们 vs 其他AI人设工具

维度	Character.AI / GPTS	atypica.AI
构建方式	用户自己写提示词	社交媒体观察自动分析真实用户
数据来源	用户想象	真实用户行为数据
质量验证	❌ 无验证	✅ 一致性80-85分（接近或超过真人基准81分）
数量规模	用户自己创建几个	30万+公开库
适用场景	娱乐、陪伴	商业研究、用户洞察

最后一句话

"30万不是数字，是30万个真实研究问题的积累。提示词不重要，提示词背后的真实用户数据才关键。"