AI Persona System：三层人设体系

一句话总结：30 万+ AI 人设库，从普通 AI 到真人级模拟，保证研究质量。

---

为什么需要 AI 人设体系？

问题：低质量人设导致无意义反馈

场景 A：使用低质量人设

用户："测试这个产品概念，看用户是否喜欢"

AI 用临时生成的人设回答：

• 人设 1："这个产品很好，我会买"
• 人设 2："不错，有创意"
• 人设 3："挺好的"

问题：

• 反馈太笼统，没有具体原因
• 无法追问"为什么喜欢"
• 感觉像"AI 幻觉"，不真实

---

场景 B：使用高质量人设

用户："测试这个产品概念，看用户是否喜欢"

AI 用 Tier2 人设回答：

• 人设 1（28 岁白领女性，月入 15K）："价格有点贵，我平时买这类产品预算是 $50，这个要 $80"
• 人设 2（32 岁创业者，注重效率）："功能不错，但我更关心能不能和我现有的工具集成"
• 人设 3（25 岁 Z 世代，关注颜值）："包装不够好看，我不会拍照分享"

价值：

• 反馈具体，有细节
• 可以追问和深挖
• 接近真人的洞察

---

三层品质体系

Tier 0：临时生成

特点：

• 数量：无限（即时生成）
• 质量：低
• 一致性：< 60%（远低于人类 81% 基准）
• 构建方式：AI 临时生成

适用场景：

• 快速验证想法
• 预算极其有限
• 不需要深度洞察

局限：

• 反馈浅薄，缺少细节
• 一致性差，重复测试结果不同
• 不适合关键决策
• 注：不对外开放，因其质量不足可能误导研究结论

---

Tier 1：基础人设

特点：

• 数量：~30 万
• 质量：中
• 一致性：70-75%（接近真人 81% 基准的 90%）
• 构建方式：基础 7 维度数据

7 维度数据：

1. 人口统计（demographic）：年龄、性别、收入、职业、教育
2. 地理（geographic）：城市、生活环境
3. 心理（psychological）：价值观、生活方式、动机、恐惧
4. 行为（behavioral）：消费习惯、决策模式、品牌偏好
5. 痛点（needsPainPoints）：需求和顾虑、未被满足的需求
6. 技术接受度（techAcceptance）：对新产品的开放程度
7. 社交关系（socialRelations）：家庭结构、社交圈、群体归属

适用场景：

• 常规商业研究
• 产品概念测试
• 市场定位研究
• 市场趋势探索
• 创意激发（Discussion Chat）

价值：

• 比 Tier0 真实很多
• 覆盖广泛人群
• 成本可控

数据来源：

• 社交媒体深度观察（Scout Agent 15 次工具调用）
• CDP 消费者数据平台
• 性格测试结果

---

Tier 2：真人级模拟

特点：

• 数量：~1 万
• 质量：高
• 一致性：85%（超越真人 81% 基线）
• 构建方式：深度数据 + 社交观察

什么是 85% 一致性？

测试方法：

• 同一个问题问同一个 Tier2 人设 10 次
• 85% 的情况下，核心观点保持一致

对比：

• Tier2 人设：85% 一致性（超越人类基准 105%）
• 真人基线：81% 一致性（100 分标准）
• Tier1 人设：70-75% 一致性（90% 人类水平）
• Tier0 人设：< 60% 一致性（< 77% 人类水平）

示例测试：

问题："你会购买这款 $80 的健康零食吗？"

Tier2 人设（张丽，28 岁白领）10 次回答：

• 8 次："太贵了，我平时买零食预算是 $30-50"
• 1 次："如果是特殊场合可能会买"
• 1 次："取决于口味，如果特别好吃可以接受"

核心观点一致：价格超出预算，不会日常购买

真人基线（81%）： 真人也不是 100% 一致，因为心情、环境、表达方式会变化，但核心观点保持 81% 一致。

Tier2 人设（85%）： 已经超过真人基线，可以用于关键商业决策。

---

适用场景：

• 关键产品决策
• 品牌重新定位
• 高价值项目验证
• 需要深度洞察的研究
• 深度用户洞察（理解"为什么"）
• 情绪共鸣测试
• 替代真人访谈

价值：

• 接近真人表现
• 可信度高
• 可指导重大决策
• 超越人类基准（85% vs 81%）
• 无社交压力，回答更真实
• 可重复访谈，不会"疲劳"或"改口"

数据来源：

• 1 小时深度访谈（5000 字）
• 30+ 次社交媒体深度观察

局限性：

• 不能替代创新需求发现（基于已有数据）
• 不适合极端小众群体（库中可能不存在）

---

Tier 3：私有人设

特点：

• 数量：用户自定义
• 质量：取决于数据完整度
• 一致性：取决于导入数据质量
• 构建方式：用户手动创建或导入

适用场景：

• 特定项目需要特定人设
• 团队已有用户画像数据
• 需要模拟特定真实用户
• 企业客户研究
• 内部培训
• 敏感数据研究
• 持续追踪

构建方式：

1. 手动创建：精细定义每个维度
2. 导入数据：从 CRM/用户研究导入
3. 基于真人：模拟特定真实用户

价值：

• 完全符合项目需求
• 可以持续复用
• 团队私有，数据安全

隐私保护：

• 数据存储在用户专属分区，其他用户完全不可见
• 不参与公开库的搜索索引
• 不会被 AI 用于训练或推荐给其他用户
• 用户可随时删除，数据立即物理销毁

一致性分数：

• 导入深度访谈记录（5000 字）→ 可达 85 分（等同 Tier 2）
• 导入 CRM 购买记录 → 约 70-75 分（Tier 1 水平）
• 只导入基础信息表 → 约 55-60 分（Tier 0 水平）

---

深入理解：一致性科学原理

人类基准：81% 的真相

实验设计：让真人回答 50 个价值观/行为偏好问题，两周后再次回答（不告知），计算一致性。

结果：人类平均一致性为 81%，我们将其定义为 100 分标准。

这意味着：

• 85分的 AI Persona 比普通人更稳定（超越人类基准 105%）
• 79分的 AI Persona 接近真人表现（98% 人类水平）
• 70-75分的 AI Persona 约为真人 90% 的稳定性
• 62分的 AI Persona 只有真人 76% 的稳定性

数据源与一致性分数

关键发现：

• 79分是临界点：Scout Agent 通过 15 次社交媒体深度观察，可达到 98% 人类基准
• 85分是天花板：深度访谈级数据可超越人类平均一致性
• 数据量≠质量：CDP 海量数据（73分）不如定向社交观察（79分），关键在信息密度

为什么 85 分是天花板？

• 人类自己的一致性只有 81%（受情绪、环境、表达方式影响）
• AI Persona 如果超过 85%，会显得"过于机械"
• 85% 是"真实感"和"一致性"的最佳平衡点

---

人设质量对比

---

真实案例对比

案例：测试"气泡咖啡"产品概念

用 Tier 0 人设（临时生成）：

访谈 5 人，反馈：

• 人设 1："这个产品不错"
• 人设 2："我可能会买"
• 人设 3："挺有创意的"
• 人设 4："听起来不错"
• 人设 5："我喜欢尝试新产品"

问题：

• 反馈太笼统，无法指导决策
• 追问"为什么"，回答含糊
• 感觉不真实

---

用 Tier 2 人设（真人级模拟）：

访谈 5 人，反馈：

人设 1（张丽，28 岁白领女性，月入 15K）： "气泡咖啡听起来挺新鲜的。我平时下午 3 点会买咖啡或奶茶，但奶茶太甜，普通咖啡又太苦。气泡咖啡的清爽感应该不错。不过我会担心气泡感太强，影响咖啡味道。价格的话，¥25-30 可以接受，如果超过 ¥35 我觉得有点贵。包装一定要好看，我才会拍照发朋友圈。"

追问："什么情况下你会选择它而不是普通咖啡？" 回答："不是为了提神，而是想喝点特别的放松一下。比如周五下午，完成了一周工作，想奖励自己。或者和朋友逛街时，想尝试新东西。"

人设 2（李明，32 岁创业者，注重效率）： "我对气泡咖啡不太感兴趣。我喝咖啡主要是为了提神工作，不太在乎口味创新。而且我担心气泡感会让我打嗝，影响工作状态。如果你们想打这个市场，我建议主打年轻女性，而不是我这种工作狂。"

人设 3（王悦，25 岁 Z 世代，关注颜值）： "哇，气泡咖啡听起来很有趣！我肯定会买来试试，特别是如果包装设计好看的话。我最近在小红书上看到很多人晒气泡饮料，感觉很适合拍照。价格 ¥30 左右我能接受，毕竟是新产品。不过如果不好喝我就不会复购了。"

人设 4（陈思，30 岁健康派，注重成分）： "我会关注气泡咖啡的成分。如果是真正的咖啡加天然气泡，我会考虑买。但如果是加了很多添加剂和香精，我就不会买。价格方面，如果成分好，¥35-40 我也能接受。我现在买的精品咖啡也要 ¥30 左右。"

人设 5（赵欣，27 岁白领，预算有限）： "气泡咖啡听起来不错，但我会担心价格。我平时买咖啡的预算是 ¥15-20，如果气泡咖啡要 ¥30+，我可能不会常买。偶尔尝鲜可以，但不会成为日常选择。除非有优惠活动，比如第二杯半价，我才会考虑经常买。"

---

对比结果：

基于 Tier 2 反馈的决策：

• 定位：社交饮料（而非提神饮料）
• 目标用户：25-30 岁女性白领和 Z 世代
• 定价：¥25-30（甜蜜点）
• 包装：年轻化设计，强调气泡感和拍照属性
• 传播：小红书种草，强调"新鲜感"和"社交属性"

---

三种人设构建方式

方式 1：Scout Agent 自动生成

流程：

1. Scout Agent 观察社交媒体 10-15 轮
2. 提取真实用户特征（7 维度数据）
3. 自动生成 Tier1/Tier2 高质量人设

价值：

• 基于真实用户，不是想象
• 自动生成，无需人工
• 质量高，一致性 79-85%

适用场景：

• 新市场进入前
• 不了解目标用户
• 需要快速建立高质量人设库

案例：

Scout 观察"小红书讨论气泡咖啡的用户" 10 轮 → 自动生成 3 类 Tier2 人设：

• 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

→ 直接用于 Discussion 测试产品定位

注意：

• 15 次工具调用通常生成 Tier 1（79 分）
• 30+ 次工具调用可能达到 Tier 2（85 分）
• 99% 的 Scout 观察结果是 Tier 1

---

方式 2：导入真实数据

流程：

1. 团队已有用户画像数据（Excel/CSV/PDF）
2. 导入 atypica.AI
3. 系统自动转换为 Tier3 人设

数据要求：

• 基础信息：年龄、性别、职业、收入
• 可选信息：消费习惯、价值观、痛点

价值：

• 利用已有数据资产
• 无需从头构建
• 可以持续复用

适用场景：

• 团队已做过用户研究
• 有 CRM 用户数据
• 需要模拟现有客户

案例：

某品牌已有 500 个用户画像（来自过往调研） → 导入 atypica.AI → 生成 500 个 Tier3 人设 → 用于测试新产品概念 → 节省重新构建人设的时间

质量提示：

• 系统会自动分析数据完整度
• 提示"缺失维度"
• 建议启动 Follow-up Interview 补充信息

---

方式 3：手动创建

流程：

1. 在系统中创建新人设
2. 填写 7 维度信息
3. 保存为 Tier3 私有人设

适用场景：

• 需要模拟特定真实用户
• 数据非常精确
• 长期项目需要稳定人设

案例：

某咨询项目需要模拟客户的核心用户 → 手动创建 5 个 Tier3 人设 → 基于客户提供的详细用户画像 → 项目全程使用这 5 个人设 → 确保研究一致性

---

附录：7 维度评分详解

评分体系

每个维度评分 0-1 分，总分 0-7 分：

总分与 Tier 的关系

• 0-3 分：Tier 0（临时生成，质量低，不对外开放）
• 4-5 分：Tier 1（基础人设，质量中，70-75% 一致性）
• 6-7 分：Tier 2（真人级模拟，质量高，85% 一致性）
• Tier 3：用户自定义，取决于输入数据完整度

各维度获取难度

图例：

• ✅ 完整覆盖
• ⚠️ 部分覆盖（可能缺失细节）
• ❌ 基本缺失

关键发现：

• Tier 1（4-5 分）可以通过社交媒体 + CDP 构建
• Tier 2（6-7 分）需要深度访谈补充心理/痛点/社交维度

---

常见问题

Q1：如何选择合适的 Tier？

决策树：

建议：

• 大多数情况下用 Tier 1（性价比最高）
• 关键决策用 Tier 2（质量保证）
• 不建议使用 Tier 0（质量不足）

---

Q2：Tier 2 人设数量为什么只有 1 万+？

原因：

• Tier 2 需要深度数据构建（5000 字访谈或 30+ 次观察）
• 主要通过 atypica 团队深度访谈生成
• 需要时间积累

但足够使用：

• 覆盖主要人群类型
• 可以通过 Scout 快速生成新的 Tier 2 人设（30+ 次调用）
• 用户可以创建 Tier 3 补充

---

Q3：可以把 Tier 1 升级到 Tier 2 吗？

不能直接升级，但可以：

1. 用 Scout Agent 继续观察（需 30+ 次工具调用）
2. 系统自动重新评分
3. 或者导入深度访谈数据创建新的 Tier 3

注意：

• 用户无法直接操作公开库 Personas
• 如需定制，使用 Tier 3 导入自己的数据

---

Q4：Tier 3 人设可以分享给团队吗？

可以（路线图中）：

• 当前 Tier 3 Personas 仅创建者可见
• 未来计划支持团队级 Tier 3（Team Personas）
• 细粒度权限控制（只有管理员可编辑）

---

Q5：人设会过时吗？

会：

• 用户心理和行为会随时间变化
• 市场趋势会变化

建议：

• Tier 1：对于快速变化领域，优先使用近 6 个月构建的 Personas
• Tier 2：对于稳定领域，可使用近 2 年的 Personas
• Tier 3：根据真实用户变化手动更新

---

Q6：如何验证人设质量？

方法 1：一致性测试

• 同一个问题问 10 次
• 看核心观点是否一致
• Tier 2 应该 ≥ 85%

方法 2：对比真人

• 用相同问题问真人和 AI 人设
• 对比反馈的深度和真实性

方法 3：实际使用效果

• 基于 AI 人设反馈做决策
• 后续验证决策是否正确

---

Q7：可以混用不同 Tier 吗？

可以：

• 同一个研究中可以用不同 Tier
• 例如：用 Tier 1 快速筛选，用 Tier 2 深度验证

建议：

• 不要在同一个 Interview/Discussion 中混用
• 会导致反馈质量不一致

---

Q8：Tier 1 和 Tier 2 的一致性分数差距大吗？

差距显著：

• Tier 1（70-75 分）：相当于人类基准的 90%，适合"态度探索"
• Tier 2（85 分）：超越人类基准（105%），适合"动机理解"

类比：

• Tier 1 像"认识 3 个月的朋友"：知道 TA 喜欢什么，但不知道为什么
• Tier 2 像"认识 3 年的好友"：理解 TA 的价值观、恐惧、矛盾

---

Q9：为什么 Tier 0 不对用户开放？

质量优先于数量：

• 低质量 Personas 会导致误导性结论
• 浪费时间
• 损害信任
• 宁可库存少，也要保证每个 Persona 都可靠

---

Q10：Scout Agent 能构建 Tier 2 Personas 吗？

理论上可以，实际上很难：

• 需要 30+ 次工具调用
• 覆盖全部 7 个维度
• 500+ tokens 深度文本
• 99% 的 Scout 观察结果是 Tier 1

对于关键用户群体（如"新能源车主""医美用户"），atypica 团队会主动进行 1 小时真人访谈，转化为 Tier 2 Personas 加入公开库。

---

附录：竞品对比

vs. 传统 Persona 工具（如 HubSpot, Xtensio）

结论：传统工具是"静态文档"，atypica 是"可交互的数字人"。

---

vs. 合成数据平台（如 Gretel, Mostly AI）

结论：合成数据平台关注"数据合规"，atypica 关注"洞察质量"。

---

vs. AI 聊天机器人（如 Character.AI, Replika）

结论：AI 聊天机器人是"虚拟朋友"，atypica 是"研究对象"。

---

atypica.AI 的核心差异化

1. 科学化的质量标尺

   • 不是"感觉像真人"，而是"量化一致性 79-85 分"
   • 对标人类基准（81%），可验证

2. 透明的分层体系

   • 不是"一刀切"，而是"按需选择 Tier"
   • 用户清楚知道每个 Persona 的能力边界

3. 公私混合架构

   • 公开库（30 万+）+ 私有库（用户自定义）
   • 灵活组合

---

实战建议

1. 新手推荐：先用 Tier 1，关键时刻用 Tier 2

原因：

• Tier 1 性价比高
• 质量足够常规研究
• 节省预算

何时升级到 Tier 2：

• 需要向老板/客户汇报
• 产品上市前的最后验证
• 品牌重新定位

---

2. 用 Scout 生成高质量人设

最佳实践：

1. 研究前先用 Scout 观察 10-15 轮
2. 自动生成 Tier 1/2 人设
3. 直接用于 Interview/Discussion
4. 确保研究质量

---

3. 建立团队 Tier 3 人设库

长期价值：

• 所有项目共用
• 持续积累和优化
• 提升研究一致性

建议：

• 每个项目结束后，保存关键人设
• 定期更新人设数据
• 团队共享和复用

---

4. 不要过度依赖 Tier 0

常见错误：

• 为了省钱全用 Tier 0
• 导致反馈质量差
• 基于低质量反馈做错误决策

正确做法：

• Tier 0 不对外开放（系统已屏蔽）
• 正式研究用 Tier 1/2

---

5. 质量检查清单

Tier 1 质量检查

• 是否覆盖了目标群体的多样性？（至少 3-5 个不同画像）
• 回答是否前后一致？（多次提问不矛盾）
• 观点是否有具体细节？（不是泛泛而谈）
• 如果回答太浅，考虑升级到 Tier 2

Tier 2 质量检查

• 是否挖掘出深层动机？（不止停留在表面原因）
• 是否有情绪细节？（具体的担心、期待、矛盾）
• 是否能解释行为逻辑？（为什么会这样选择）
• 如果仍不充分，考虑真人访谈验证

---

6. 常见错误与避坑指南

错误 1：把 Tier 1 当 Tier 2 用

现象：用社交媒体观察的 Persona 进行深度动机访谈，发现回答浅层。

解决：

• 先用 Tier 1 做假设生成（有哪些可能的原因）
• 再用 Tier 2 做动机验证（哪个原因是真正的驱动力）

错误 2：盲目追求 Personas 数量

现象：搜索到 50 个 Personas，全部进行访谈，结果信息冗余。

解决：

• 初筛：先搜索 30-50 个，按相似度排序
• 聚类：人工归纳 3-5 个典型画像
• 深度访谈：只对典型画像进行深度访谈

错误 3：忽视 Personas 的时效性

现象：使用 2022 年构建的 Personas 研究 2024 年的市场。

解决：

• 对于快速变化的领域（如科技产品），优先使用近 6 个月构建的 Personas
• 对于稳定领域（如基础需求），可使用近 2 年的 Personas

错误 4：把 AI Persona 当"真理"

现象：AI Persona 说"用户不喜欢 XX"，就直接砍掉功能。

解决：

• 小样本验证：用 5-10 个真人测试 AI Persona 的结论
• A/B 测试：上线后用真实数据验证假设

---

快速参考

Tier 选择速查表

一致性分数速查表

---

总结

AI Persona System 核心价值：

1. 质量分层：从 Tier 0 到 Tier 3，满足不同需求
2. 真人级模拟：Tier 2 一致性 85%，超越真人 81%
3. 灵活构建：Scout 生成、导入数据、手动创建
4. 科学标尺：对标人类基准（81%），可验证

选择建议：

• 常规研究：Tier 1（性价比高）
• 关键决策：Tier 2（质量保证）
• 不建议使用：Tier 0（质量不足）
• 特定项目：Tier 3（完全定制）

最佳实践：

• 用 Scout 生成高质量人设
• 建立团队 Tier 3 人设库
• 关键研究用 Tier 2
• 不要过度依赖 Tier 0
• 先用 Tier 1 做假设生成，再用 Tier 2 做动机验证
• 小样本真人验证关键结论

---

文档版本：v3.0 | 2026-01-17 | 合并版：新版结构 + 旧版技术细节