Reference & Attachments：研究延续
一句话总结：关联历史研究 + 上传文档，AI 基于已有洞察继续深挖。
为什么需要 Reference & Attachments？
传统研究的碎片化问题
问题 1：研究不连贯
场景：
- Week 1：做了市场趋势分析
- Week 4：想做产品验证
- 但 AI 不记得 Week 1 的分析结果
- 需要重新解释背景
结果：
- 浪费时间重复背景
- 无法基于之前的发现继续深挖
- 研究变成碎片，没有延续性
问题 2：外部文档难以利用
场景：
- 手上有竞品分析报告（PDF）
- 有产品原型图
- 有用户反馈 Excel
- 想让 AI 基于这些资料做研究
- 但需要手动整理和输入
结果：
- 花很多时间整理资料
- AI 可能理解不全
- 效率低下
Reference & Attachments 的解决方案
Reference Study（参考研究）：
- 关联之前的研究项目
- AI 自动读取完整研究日志
- 基于已有发现继续研究
- 形成研究链条，而不是孤立的项目
File Attachments（文件附件）：
- 上传相关文档（PDF、图片、Excel...）
- AI 自动提取内容
- 基于文档做研究和分析
- 无需手动整理
核心价值：
- ✅ 研究可以累积，形成知识网络
- ✅ 外部资料轻松接入
- ✅ 从碎片化 → 系统化研究
- ✅ 效率提升 50%+
Reference Study：研究延续
什么是 Reference Study？
定义：
- 在新研究中，关联一个或多个历史研究
- AI 自动读取历史研究的完整内容（问题、发现、结论）
- 新研究可以基于历史发现继续深挖
vs. Memory System：
- Memory System：记住你的背景、偏好、研究方向
- Reference Study：具体关联某次研究的完整内容
适用场景：
- 阶段性研究：先做市场分析，再做产品验证
- 深度挖掘：基于初步发现，深入研究某个细分方向
- 对比验证：对比不同时期的研究结果
真实案例：气泡咖啡从 0 到 1
研究 1：市场机会分析（Week 1）
任务："气泡咖啡有没有市场机会？"
研究内容：
- Scout Agent 观察社交媒体讨论
- 分析咖啡市场趋势
- 识别潜在用户群体
核心发现：
- 市场有机会，年轻人对"清爽咖啡"感兴趣
- 目标用户：25-35 岁都市女性
- 主要动机：不是提神，而是"轻松体验"
- 价格接受度：$25-30/杯
输出：研究报告 + 研究日志
研究 2：产品定位验证（Week 3）
任务："基于市场机会，验证产品定位"
关键操作：关联研究 1
AI 自动读取研究 1 的内容：
- 目标用户：25-35 岁都市女性
- 核心需求："轻松体验"而非提神
- 价格接受度：$25-30
研究内容：
- Discussion 测试 3 个产品定位方向
- Interview 深度验证最受欢迎的定位
核心发现：
- 最受欢迎定位："轻松氛围的下午茶替代"
- 用户喜欢"清爽"、"不会太甜"、"适合社交场合"
- 情绪价值 > 功能性（提神）
价值：
- 无需重新解释"目标用户是谁"
- AI 自动基于研究 1 的发现设计 Discussion 话题
- 研究连贯，不是从零开始
研究 3：包装设计测试（Week 5）
任务："测试 3 个包装设计，看哪个更吸引目标用户"
关键操作：
- 关联研究 1 和研究 2
- 上传 3 个包装设计稿（图片）
AI 自动读取：
- 研究 1：目标用户 25-35 岁都市女性，价格 $25-30
- 研究 2：定位"轻松氛围的下午茶替代"，用户注重"清爽"和"社交场合"
研究内容：
- Discussion 讨论 3 个包装设计
- AI 基于已有洞察，重点关注：
- 哪个设计更符合"轻松氛围"
- 哪个设计让用户觉得"适合社交场合"
- 哪个设计值 $25-30
核心发现：
- 设计 B 最受欢迎
- 原因：简约清爽，适合拍照分享（社交场合）
- 设计 A 太商务，设计 C 太花哨
价值：
- AI 理解完整上下文（目标用户 + 定位 + 价格）
- 测试问题更精准
- 研究结果可以直接应用
研究 4：定价策略优化（Week 7）
任务："验证最优定价"
关键操作：关联研究 1、2、3
AI 自动读取：
- 研究 1：初步价格接受度 $25-30
- 研究 2：定位"轻松氛围"，情绪价值高
- 研究 3：包装设计精致
研究内容：
- Interview 深度访谈定价敏感度
- AI 重点问："基于包装设计 B 和'轻松氛围'定位，你愿意付多少钱？"
核心发现：
- 最优定价：$28
- 用户觉得 $25 "太便宜了，感觉不够精致"
- $30 "有点贵，超过心理预期"
- $28 "合理，符合产品定位"
价值：
- 定价研究基于完整上下文（产品定位 + 包装设计）
- 不是孤立地问"你愿意付多少钱"
- 研究结果更准确
4 次研究形成完整链条：
vs. 碎片化研究：
- 如果 4 次研究都是独立的，AI 需要反复询问背景
- 每次都要重新解释"目标用户是谁"、"产品定位是什么"
- 效率低，研究质量差
vs. Reference Study：
- 4 次研究形成知识链
- 每次研究基于上一次的发现
- 研究深度逐步递进
- 最终输出完整、系统的产品方案
File Attachments：文档接入
支持的文件类型
文档类型：
- PDF：竞品分析报告、行业报告、用户反馈...
- TXT/Markdown：文本资料
- CSV/Excel：数据表格
- 图片：产品原型、设计稿、竞品截图...
- 最多 10MB/文件
文件数量：
- 每次研究可以上传多个文件
- 建议不超过 10 个（太多会影响 AI 理解效率）
使用场景 1：基于竞品报告做研究
需求：
- 手上有一份 50 页的竞品分析 PDF
- 想让 AI 基于这份报告，帮你找差异化机会
传统方式：
- 阅读 50 页报告（1-2 小时）
- 手动整理竞品特点
- 输入给 AI
- 让 AI 分析差异化机会
使用 File Attachments：
- 上传 PDF
- 问 AI："基于这份竞品报告，我们的产品应该怎么差异化？"
- AI 自动：
- 阅读 PDF
- 提取竞品特点
- Discussion/Interview 测试差异化方向
- 输出建议
案例：
上传某咖啡品牌竞品分析 PDF
你："基于这份报告，气泡咖啡应该如何差异化？"
AI 自动提取竞品特点：
- 星巴克：便利、稳定、但"无功无过"
- 精品咖啡：品质、专业、但"太贵"、"不轻松"
- 瑞幸：性价比、但"太商务"
AI 发起 Discussion： "讨论话题：气泡咖啡的差异化定位
- 方向 A：比星巴克更有特色
- 方向 B：比精品咖啡更轻松
- 方向 C：比瑞幸更有情绪价值"
输出： 基于 Discussion 结果，建议差异化定位： "轻松 × 特色 × 情绪价值"
- vs 星巴克：更有特色（气泡 + 情绪标签）
- vs 精品咖啡：更轻松（不追求专业，追求体验）
- vs 瑞幸：更有情绪价值（不是工作场景，是放松场景）
价值：
- 节省 1-2 小时阅读时间
- AI 自动提取关键信息
- 基于报告直接做研究，无缝衔接
使用场景 2：原型图测试
需求：
- 设计师做了 3 个产品原型图
- 想快速测试用户反应
使用 File Attachments：
- 上传 3 张原型图
- 问 AI："测试这 3 个原型，看用户更喜欢哪个？"
- AI 自动：
- 展示 3 张图给 AI 人设
- Discussion 讨论哪个更好用、更好看
- 收集反馈
案例：
上传 3 个注册流程原型图
AI 发起 Discussion： "展示 3 个注册流程原型（图 A、B、C），讨论：
- 哪个最容易理解？
- 哪个步骤最流畅？
- 有什么困惑或障碍？"
Discussion 结果：
- 图 A：简洁但缺少引导，用户不知道下一步
- 图 B：引导清晰，但步骤太多，感觉繁琐
- 图 C：平衡，引导清晰且步骤精简
输出： 建议使用图 C，并优化：
- 在第一步增加"完成注册只需 2 分钟"提示
- 在第二步增加进度条
- 社交登录按钮放在最上方
价值：
- 快速测试原型，无需等待真人用户
- AI 人设给出详细反馈
- 可以测试多个版本，快速迭代
使用场景 3：用户反馈分析
需求：
- 客服收集了 200 条用户反馈（Excel）
- 想知道用户最关心什么问题
使用 File Attachments：
- 上传 Excel 文件
- 问 AI："分析用户反馈，找出最常见的问题和需求"
- AI 自动：
- 读取 Excel
- 分类和统计
- 提取高频关键词
- 总结核心问题
案例：
上传用户反馈 Excel（200 条）
AI 分析： 高频问题（出现 50+ 次）：
- "找不到某个功能"（78 次）
- 具体：设置页面、导出数据、历史记录
- "加载速度慢"（65 次）
- 主要集中在移动端
- "不知道如何使用"（52 次）
- 新用户居多，缺少引导
正面反馈（出现 30+ 次）：
- "功能很实用"（45 次）
- "界面简洁"（38 次）
建议：
- 优化功能入口（解决"找不到"问题）
- 优化移动端性能（解决"加载慢"）
- 增加新手引导（解决"不知道如何使用"）
价值：
- 节省手动分析时间（传统需要 3-5 小时）
- AI 自动分类和统计
- 快速发现核心问题
使用场景 4：研究资料整合
需求：
- 手上有多份资料：
- 行业报告 PDF
- 竞品分析 Excel
- 用户访谈记录 TXT
- 产品规划 PPT 截图
- 想让 AI 整合这些资料，做综合分析
使用 File Attachments：
- 一次性上传所有文件
- 问 AI："基于这些资料，我们的产品机会在哪里？"
- AI 自动：
- 阅读所有文件
- 整合信息
- 发现关联和机会
- 输出综合分析
案例：
上传 4 个文件：
- 健康食品行业报告.pdf
- 竞品分析.xlsx
- 用户访谈记录.txt
- 产品规划.png
AI 整合分析： 市场机会（行业报告）：
- 健康食品市场年增长 15%
- 情绪价值成为新卖点
竞品空白（竞品分析）：
- 竞品 A：健康但无趣
- 竞品 B：好吃但不够健康
- 空白：健康 + 有趣（情绪价值）
用户需求（访谈记录）：
- 想要"吃得开心又不内疚"
- 关注"情绪治愈"
产品定位建议： 基于以上分析，建议定位： "好吃的健康零食 + 情绪治愈"
- 填补竞品空白
- 符合市场趋势
- 满足用户需求
价值：
- 自动整合多个资料
- 发现跨资料的关联
- 快速形成综合洞察
Reference & Attachments 组合使用
最佳实践：连续研究 + 外部资料
场景：某品牌想重新定位产品
研究 1：市场分析
- 上传行业报告 PDF
- Scout Agent 观察社交媒体
- 整合分析市场趋势
核心发现：
- 情绪价值成为新趋势
- 年轻人追求"治愈感"
研究 2：竞品分析
- 关联研究 1（市场趋势）
- 上传竞品分析 Excel
- Discussion 讨论差异化方向
核心发现：
- 竞品都在打"健康"牌
- "情绪治愈"是空白
研究 3：用户验证
- 关联研究 1 + 研究 2
- Interview 验证"情绪治愈"定位
- 深度理解用户动机
核心发现：
- 用户愿意为"治愈感"付溢价
- 希望包装设计"精致 + 温暖"
研究 4：包装测试
- 关联研究 3（用户对包装的期待）
- 上传 3 个包装设计稿
- Discussion 测试反馈
核心发现：
- 设计 B 最符合"精致 + 温暖"
- 建议增加情绪标签
形成完整研究链：
价值：
- 研究连贯，不碎片化
- 外部资料无缝接入
- 形成系统化洞察
- 效率提升 50%+
Reference & Attachments vs 其他方式
vs. 手动整理资料
| 维度 | Reference & Attachments | 手动整理 |
|---|---|---|
| 效率 | ✅ AI 自动提取，秒级 | ❌ 需要 1-3 小时阅读整理 |
| 准确性 | ✅ 不遗漏关键信息 | ⚠️ 可能遗漏或理解偏差 |
| 研究延续 | ✅ 自动关联历史研究 | ❌ 需要手动查阅和解释 |
| 文件支持 | ✅ PDF/Excel/图片自动识别 | ❌ 需要转换为文字 |
vs. 每次研究重新开始
| 维度 | Reference & Attachments | 重新开始 |
|---|---|---|
| 研究深度 | ✅ 基于历史发现递进 | ❌ 浅层，无法深入 |
| 研究效率 | ✅ 无需重复背景 | ❌ 每次重复解释 |
| 知识积累 | ✅ 形成研究链条 | ❌ 碎片化，无积累 |
| 输出质量 | ✅ 系统化、完整 | ⚠️ 孤立、片面 |
常见问题
Q1：可以关联多少个历史研究？
建议 1-3 个：
- 太多会影响 AI 理解效率
- 选择最相关的研究关联
如果需要更多：
- 可以先把多个研究总结为一个
- 或者使用 Memory System（自动记住所有研究）
Q2：上传的文件会被永久保存吗？
保存但可删除：
- 文件保存在你的账户中
- 可以随时删除
- 删除后不影响已完成的研究结果
隐私保护：
- 文件加密存储
- 只有你可以访问
- 不会被其他用户看到
Q3：AI 能完全理解上传的文件吗？
大部分情况可以，但有限制：
可以理解：
- 纯文本 PDF（AI 可以读取文字）
- Excel 表格（AI 可以理解数据结构）
- 图片中的文字（OCR 识别）
- Markdown/TXT 文本
理解有限：
- 复杂图表（AI 可能理解不全）
- 手写笔记（识别准确度低）
- 非常专业的术语（可能需要补充解释）
建议：
- 上传后先问 AI："你理解了这个文件的核心内容吗？"
- AI 会总结理解到的内容
- 如果有偏差，可以补充说明
Q4：Reference Study 和 Memory System 有什么区别？
Reference Study：
- 具体关联某次研究的完整内容
- 适合：阶段性研究、深度挖掘
- 需要手动关联
Memory System：
- 自动记住你的背景、偏好、研究方向
- 适合：长期使用，自动积累
- 无需手动操作
组合使用：
- Memory System：记住"你是谁，你的目标用户是谁"
- Reference Study：具体研究的发现和结论
- 两者配合，研究更高效
Q5：可以修改已上传的文件吗？
不能直接修改，但可以重新上传：
- 删除旧文件
- 上传新文件
- AI 会基于新文件重新分析
建议：
- 如果文件有更新，重新上传
- 保持文件最新
Q6：上传的图片，AI 能看懂设计吗？
可以，但有限度：
AI 可以理解：
- 布局结构（是否清晰）
- 颜色风格（简约、花哨、商务等）
- 文字内容（按钮文案、标题等）
- 整体感觉（专业、可爱、高端等）
AI 理解有限：
- 细节美感（字体选择、间距微调）
- 品牌一致性（是否符合品牌调性）
- 情绪共鸣（是否真的"治愈"）
建议：
- 可以让 AI 做初步筛选
- 但最终决策还需要人工判断
Q7：文件太大，上传失败怎么办？
单个文件限制 10MB：
解决方案：
- PDF 压缩：使用 PDF 压缩工具
- 图片压缩：降低图片分辨率
- 拆分文件：如果是 Excel，拆成多个文件上传
- 提取核心内容：只上传最相关的部分
建议：
- 优先上传核心资料
- 不要上传冗余内容
Q8：可以在研究中途添加文件吗？
可以：
- 研究过程中随时上传新文件
- AI 会自动读取并整合到研究中
场景：
- 研究进行到一半，发现需要补充资料
- 直接上传，AI 立即使用
实战建议
1. 规划研究路径，逐步深入
推荐顺序：
- 第 1 次研究：市场/用户初步了解
- 第 2 次研究：关联第 1 次，深入某个方向
- 第 3 次研究：关联前两次，验证具体方案
避免：
- 一次性想研究所有问题
- 跳跃式研究，缺少延续性
2. 选择性上传文件
上传核心资料：
- 竞品报告、行业报告
- 产品原型、设计稿
- 用户反馈、访谈记录
避免上传：
- 冗余资料
- 不相关的内容
- 过时的资料
原因：
- 文件太多会影响 AI 理解效率
- 质量比数量重要
3. 验证 AI 理解
每次上传文件后：
- 问 AI："你理解了这个文件的核心内容吗？"
- AI 会总结理解到的内容
- 如果有偏差，及时补充
价值：
- 确保 AI 理解正确
- 避免基于错误理解做研究
4. 定期清理过时研究
建议：每 3-6 个月清理一次
清理内容：
- 已经不再relevant的研究
- 基于过时假设的研究
- 被新研究替代的研究
价值：
- 保持研究库整洁
- 避免 AI 关联到过时研究
总结
Reference & Attachments 核心价值：
- 研究延续：基于历史发现继续深挖，形成知识链条
- 文档接入：外部资料无缝接入，AI 自动提取内容
- 系统化研究：从碎片化 → 系统化，研究更深入
- 效率提升：无需重复背景，节省 50%+ 时间
适用场景：
- 阶段性研究：市场分析 → 产品验证 → 包装测试...
- 深度挖掘：基于初步发现，深入某个细分方向
- 资料分析：基于竞品报告、用户反馈等外部资料做研究
- 原型测试：上传设计稿，快速收集反馈
vs 其他方式：
- vs 手动整理：效率提升 10 倍，不遗漏关键信息
- vs 重新开始：研究深度递进，知识积累而非碎片化
最佳实践：
- 规划研究路径，逐步深入
- 选择性上传核心资料
- 验证 AI 理解
- 定期清理过时研究
组合使用：
- Reference Study + Memory System：研究延续 + 自动记忆
- File Attachments + Reference Study：外部资料 + 历史研究 → 综合洞察
- 效果最大化
文档版本：v2.0 | 2026-01-15 | 纯用户视角