Scout Agent：社交媒体深度观察
一句话总结：通过 3 阶段观察社交媒体内容，构建目标人群的真实画像和行为模式。
核心价值
1. 基于真实内容，不是想象
vs. 直接问 AI：
- 直接问："Z 世代喜欢什么样的咖啡？"
- AI 回答：基于训练数据的通用答案，可能脱离实际
Scout Agent：
- 观察小红书/B站真实讨论
- 分析用户实际发布的内容
- 发现最新趋势和真实态度
2. 三阶段工作流：观察 → 推理 → 验证
阶段 1：观察（5 轮）
- 分析社交媒体内容
- 提取用户行为特征
- 记录关键讨论点
阶段 2：推理（自动触发）
- 5 次观察后自动触发
- 深度分析，形成假设
- 生成初步人群画像
阶段 3：验证（继续观察）
- 带着假设继续观察
- 修正和完善认知
- 输出最终画像
3. 输出高质量 AI 人设
可直接用于后续研究：
- 自动生成 Tier2 高质量人设
- 包含完整的人设背景
- 可用于 Interview/Discussion
真实案例：气泡咖啡目标用户研究
任务
"观察小红书/微博讨论气泡咖啡的用户，了解目标人群特征"
阶段 1：观察（5 轮）
观察 1：
- 小红书搜索"气泡咖啡"
- 发现内容：
- 年轻女性晒咖啡照片
- 强调"好看"、"拍照好看"
- 提到"不太甜，比奶茶健康"
观察 2：
- 微博话题 #气泡咖啡
- 发现内容：
- 讨论口味（"清爽"、"气泡感"）
- 价格反馈（"¥30 有点贵"、"¥20 可以接受"）
- 购买场景（"下午茶"、"逛街时买"）
观察 3-5：
- 继续观察不同平台和话题
- 提取更多用户特征
阶段 2：推理（自动触发）
5 次观察后，AI 自动推理：
初步假设：
- 核心人群：25-32 岁一线城市女性
- 主要动机：
- 不是为了提神（很少提到"工作"、"熬夜"）
- 而是为了"特别的体验"（"想尝试新鲜的"）
- 注重视觉呈现（"拍照好看"高频出现）
- 价格敏感度：
- ¥20-30 可接受
- 超过 ¥30 会觉得贵
- 购买场景：
- 下午茶时间
- 逛街/社交场合
- 不是日常通勤
阶段 3：验证（继续观察）
带着假设继续观察：
验证问题 1："是否真的注重视觉呈现？"
- 观察发现：60%+ 内容包含产品照片
- 验证结果：✅ 确认
验证问题 2："是否真的不关注提神效果？"
- 观察发现：提到"提神"的内容不到 10%
- 验证结果：✅ 确认
验证问题 3："价格敏感度真的是 ¥20-30 吗？"
- 观察发现：大量 ¥25-28 价位的产品讨论
- 验证结果：✅ 确认，甚至可以细化到 ¥25-28
最终输出
目标人群画像：
人口统计：
- 年龄：25-32 岁
- 性别：女性为主（约 80%）
- 地域：一线城市
- 收入：中高收入（月入 8K-20K）
心理特征：
- 愿意尝试新产品
- 注重生活品质
- 关注产品颜值
- 喜欢在社交媒体分享
行为模式：
- 购买场景：下午茶、逛街
- 决策因素：颜值 > 口味 > 健康
- 价格接受度：¥25-28 最优，超过 ¥30 犹豫
- 复购意愿：如果好喝会复购，但不是刚需
痛点：
- 担心"气泡感太强"
- 担心"咖啡味不够"
- 希望"包装好看"
可直接用于：
- 后续 Interview 深度访谈
- Discussion 群体讨论
- 自动生成 Tier2 AI 人设
Scout Agent 的 4 种使用场景
场景 1：新市场进入前的用户理解
需求：
- 想进入一个新市场
- 不了解目标用户
- 需要快速建立认知
Scout 价值：
- 快速了解真实用户特征
- 发现市场机会
- 避免基于想象做决策
案例：
"想做露营装备，但不了解露营人群"
Scout Agent 观察 10 轮 → 发现 3 类人群：
- 精致露营派（追求品质和氛围）
- 性价比派（关注实用性和价格）
- 亲子家庭派（关注安全和便利）
场景 2：发现新兴消费趋势
需求：
- 想知道行业最新趋势
- 不满足于行业报告
- 想看到真实用户声音
Scout 价值：
- 基于真实社交内容
- 发现报告中没有的细节
- 实时观察最新变化
案例：
"2026 年健康食品市场有什么新趋势？"
Scout Agent 观察 → 发现：
- "功能性食品"讨论量激增（助眠、护肝、抗焦虑）
- "情绪价值"成为新卖点（"治愈系零食"）
- "个性化定制"需求明显
场景 3：品牌定位研究
需求：
- 想重新定位品牌
- 不知道目标用户如何看待品牌
- 需要了解用户真实态度
Scout 价值：
- 观察用户自发讨论
- 发现品牌认知问题
- 找到定位机会
案例：
"观察用户如何讨论我们的品牌"
Scout Agent 发现：
- 年轻妈妈：觉得"可靠但无趣"
- Z 世代：觉得"健康但老气"
- 定位机会："健康 × 颜值"
场景 4：构建高质量 AI 人设
需求：
- 后续要做 Interview/Discussion
- 需要高质量 AI 人设
- 不想用临时生成的低质量人设
Scout 价值：
- 自动生成 Tier2 人设
- 基于真实用户特征
- 可直接用于后续研究
案例：
Scout 观察 10 轮 → 自动生成 3 类 Tier2 人设 → 直接用于 Discussion 测试产品概念 → 节省人设构建时间，提升研究质量
Scout Agent vs 其他方法
| 维度 | Scout Agent | 直接问 AI | 传统问卷 | 社交聆听工具 |
|---|---|---|---|---|
| 数据来源 | 真实社交内容 | AI 训练数据 | 用户填写 | 关键词统计 |
| 时效性 | 实时最新 | 可能过时 | 取决于执行时间 | 实时 |
| 深度 | 深度分析 | 泛泛而谈 | 浅层数据 | 缺少洞察 |
| 成本 | 订阅费用 | 订阅费用 | $3K-10K | $500-2K/月 |
| 时间 | 1-2 天 | 即时 | 2-4 周 | 即时但需人工分析 |
| 输出 | 人群画像 + AI 人设 | 通用答案 | 统计数据 | 数据报表 |
核心差异：
- Scout Agent 不只是数据收集，而是理解用户
- 输出不只是统计，而是洞察
- 可以直接用于后续研究，不是孤立的
常见问题
Q1：Scout Agent 观察什么平台？
支持的平台：
- 小红书
- 微博
- B站
- 抖音
- X (Twitter)
- 其他公开社交平台
选择建议：
- 年轻女性消费品 → 小红书
- 科技产品 → 微博/B站/X
- Z 世代 → 抖音/B站
- 海外市场 → X/Reddit
Q2：需要观察多少轮？
最少 5 轮：
- 前 5 轮：初步观察
- 第 5 轮后：自动触发推理
- 继续观察：验证和修正
推荐 10-15 轮：
- 更全面的认知
- 更准确的画像
- 发现更多细节
不要太多：
- 超过 20 轮收益递减
- 浪费时间和成本
Q3：可以指定观察特定人群吗？
可以：
- 设定筛选条件
- 例如："25-35 岁女性讨论健康零食"
- Scout 会聚焦这个人群
建议：
- 不要筛选太窄（找不到足够内容）
- 不要筛选太宽（噪音太多）
Q4：Scout 生成的人设质量如何？
质量等级：
- 自动生成 Tier2 人设
- 一致性约 85%
- 接近真人基线 81%
vs. 临时生成：
- 临时生成（Tier0）：一致性低，反馈浅薄
- Scout 生成（Tier2）：一致性高，反馈真实
建议：
- 关键研究用 Scout 生成的人设
- 快速验证可以用临时人设
Q5：Scout 发现的趋势可靠吗？
可靠性：
- ✅ 基于真实用户内容
- ✅ 多轮观察交叉验证
- ⚠️ 但仍是定性研究，不是统计显著性
适用场景：
- ✅ 快速发现趋势方向
- ✅ 理解用户态度和动机
- ❌ 不能替代大规模定量研究
Q6：可以观察竞品的用户吗？
可以：
- 观察讨论竞品的用户
- 了解竞品用户特征
- 发现差异化机会
案例：
"观察讨论星巴克的用户"
Scout 发现：
- 高频词："方便"、"稳定"、"无功无过"
- 机会：用户觉得星巴克"没有惊喜"
- 定位方向："有特色的咖啡体验"
实战建议
1. 先 Scout 后 Interview
推荐流程：
- Scout 观察 10 轮 → 生成人群画像
- 基于画像选择 AI 人设
- Interview 深度访谈验证
价值：
- Scout 确保方向正确
- Interview 基于真实人群深挖
- 避免"对着空气访谈"
2. 不要过度依赖单一平台
建议：
- 观察 2-3 个平台
- 交叉验证发现
- 避免平台偏差
例子：
- 小红书 + 微博 + B站
- 看到一致的趋势 → 可信度高
- 看到矛盾 → 需要进一步验证
3. 关注"为什么"而非"是什么"
常见错误：
- 只记录"用户喜欢 A"
- 不深挖"为什么喜欢 A"
正确做法：
- 观察时追问"为什么"
- 分析背后的动机
- 输出洞察而非现象
4. 定期重新观察
市场在变化：
- 3-6 个月后重新 Scout
- 发现趋势变化
- 及时调整策略
价值：
- 避免基于过时认知决策
- 抓住新兴机会
总结
Scout Agent 核心价值：
- 真实性：基于真实社交内容，不是想象
- 深度：不只是统计，而是理解用户
- 可用性：自动生成高质量 AI 人设，直接用于后续研究
适用场景：
- 新市场进入前的用户理解
- 发现新兴消费趋势
- 品牌定位研究
- 构建高质量 AI 人设
最佳实践：
- 推荐 10-15 轮观察
- 观察 2-3 个平台交叉验证
- 先 Scout 后 Interview
- 定期重新观察（3-6 个月）
文档版本：v2.0 | 2026-01-15 | 纯用户视角