atypica.AI
atypica.AI

atypica.AI 用户研究旅程

本文档通过一个真实场景，完整展示用户如何使用 atypica.AI 完成商业研究的全过程。

案例背景：气泡咖啡新品验证

某咖啡品牌计划推出"气泡咖啡"新品，目标人群是 25-35 岁的年轻女性。品牌团队想知道：

  • 这个产品概念是否能打动目标用户？
  • 用户对价格的接受度如何？
  • 应该如何定位和营销？

阶段一：Plan Mode - 意图澄清（2-5 分钟）

1. 用户输入初始需求

用户在 atypica.AI 创建新研究，输入：

2. Plan Mode Agent 自动工作

Plan Mode AI 开始对话：

💬 AI: "我理解了，你想测试气泡咖啡的产品概念。让我先了解几个关键点：

  1. 产品有什么独特之处？是气泡+咖啡的混搭，还是有特殊的功能诉求？
  2. 目标用户'年轻女性'具体是指哪个人群？比如职场白领、学生、宝妈？
  3. 目前有初步的价格区间吗？是便利店价位（10-15元）还是精品咖啡价位（25-35元）？"

用户补充信息：

👤 用户: "是的，主打0糖气泡+冷萃咖啡，定位是健康提神。目标是25-35岁的都市职场女性。价格想定在18-22元。"

3. AI 自动网络搜索背景调研

Plan Mode 自动调用 webSearch 了解市场背景：

  • 搜索气泡咖啡市场趋势
  • 了解竞品情况（元气森林、三顿半等）
  • 查看消费者讨论

4. AI 生成研究计划并请求确认

AI 使用 makeStudyPlan 工具展示完整计划：

📋 研究计划

研究类型: 产品测试研究 (Testing)

研究方法:

  1. 用户发现阶段 (Scout) - 2小时
    • 通过小红书、抖音观察目标人群的饮品消费习惯
    • 理解她们的健康观念和提神需求场景
    • 构建典型用户画像
  2. 概念测试阶段 (Interview) - 3小时
    • 与 5-8 位 AI 人设进行一对一深度访谈
    • 测试产品概念接受度
    • 探索价格敏感度和购买意愿
  3. 报告生成阶段 - 1小时
    • 整合所有发现
    • 生成专业测试报告

预计时间: 6-8 小时 预计消耗: ~200万 tokens

确认开始研究？

用户点击"确认开始"，前端调用 saveAnalystFromPlan 保存研究配置。

阶段二：执行研究（6-8 小时，后台自动运行）

Phase 1: 用户发现 - Scout Agent

AI 开始社交媒体观察

Study Agent 调用 scoutTaskChat 工具，启动 Scout Agent。

观察阶段（前 5 次搜索）

1. 小红书搜索: "职场女性 咖啡 提神"

  • 发现大量"下午3点续命咖啡"的内容
  • 用户常用词汇："续命"、"救急"、"醒脑"
  • 注意到她们对"糖分焦虑"的反复提及

2. 小红书搜索: "0糖饮料 健康"

  • 发现用户对"0糖"概念高度敏感
  • 语气中既有"求安慰"也有"自我怀疑"
  • 关键词："代糖安全吗"、"真的0卡吗"

3. 抖音搜索: "气泡水 咖啡"

  • 用户对气泡+咖啡的混搭表现出好奇
  • 评论中："会不会很怪"、"想尝试但怕踩雷"
  • 注意到"颜值"和"打卡"高频出现

4. Instagram搜索: "sparkling coffee"

  • 国外已有类似产品，主打"energizing"
  • 视觉呈现偏向"清爽"、"活力"
  • 用户关注"口感"多于"健康"

5. 小红书搜索: "便利店 新品 咖啡"

  • 发现用户尝新意愿强，但对价格敏感
  • 18-22元处于"纠结区间"："有点贵但可以试试"
  • 复购取决于"好不好喝"而非概念

推理阶段（第 5 次后，强制触发）

AI 调用 reasoningThinking 工具进行社会心理分析：

推理输入:

background: "观察了约40条小红书和抖音内容。职场女性（25-35岁）在讨论咖啡和提神饮料时，反复使用'续命'、'救急'、'醒脑'等词汇，语气中既有自嘲也有焦虑。她们对'0糖'概念高度关注但充满怀疑（'代糖安全吗'）。对气泡+咖啡混搭表现出好奇但担心'踩雷'。价格18-22元被视为'有点贵但可以试试'的纠结区间。"

question: "这群人反复使用'续命'和'救急'表达下午提神需求，同时又对'0糖'充满怀疑和焦虑，这反映了什么样的价值观冲突？她们为什么既想尝新又怕'踩雷'？这种矛盾心理如何影响她们对18-22元新品的购买决策？"

AI 深度分析输出（5-10 分钟推理）:

社会心理分析:

1. 身份焦虑与自我管理的冲突

  • "续命"背后是职场高压下的无力感
  • "0糖"焦虑源于对身体管理的强迫性需求
  • 她们试图通过"健康选择"重获控制感

2. 尝新欲望与风险规避的平衡

  • 好奇心驱动尝试，但"怕踩雷"反映消费理性化
  • 18-22元不是"买不起"，而是"值不值"的判断
  • 需要"理由"来说服自己：颜值、打卡、朋友推荐

3. 群体认同与个体表达的张力

  • 社交媒体上的"晒"是为了获得认同
  • 但她们抗拒"被营销"、"交智商税"的标签
  • 产品需要平衡"潮流感"与"实用性"

验证阶段（继续搜索 5-8 次）

带着这些洞察，Scout 继续观察验证：

  • 搜索"下午茶 打卡 办公室"：验证社交动机
  • 搜索"代糖 焦虑 真相"：理解健康焦虑深度
  • 搜索"咖啡 平替 性价比"：确认价格敏感点

Scout 输出

构建出 3 个典型 AI 人设（保存到数据库）：

1. "续命咖啡依赖者" Linda

  • 28岁运营，每天3点崩溃，对提神效果要求高

2. "健康焦虑者" Emma

  • 32岁产品经理，纠结代糖安全性，要看成分表

3. "社交尝鲜者" Chloe

  • 26岁设计师，愿意为颜值和打卡买单

Phase 2: 深度访谈 - Interview Agent

AI 开始一对一访谈

Study Agent 调用 interviewChat 工具，与 3 个 AI 人设分别进行访谈。

访谈示例 - Linda（续命咖啡依赖者）

AI 访谈员: "Linda，你平时工作中什么时候最需要咖啡？"

Linda (AI Persona): "下午3点吧，感觉脑子完全转不动了。早上的美式已经失效了，必须再来一杯。"

AI: "你试过其他提神方式吗？"

Linda: "试过啊，红牛、东鹏特饮，但总觉得不健康。咖啡至少看起来没那么重口味。"

AI: "如果有一款气泡咖啡，0糖，号称提神又清爽，你会怎么想？"

Linda: "气泡咖啡？听起来挺新鲜的。0糖是好事，但...会不会很怪？气泡和咖啡混在一起，我有点想象不出那个味道。"

AI: "为什么'怪'会让你犹豫？"

Linda: "因为我需要的是'续命'，不是'尝鲜'。如果味道不对，还不如喝我熟悉的美式。下午那个时间点，我没心情冒险。"

AI: "如果定价在18-22元，你会买吗？"

Linda: "有点贵诶...便利店美式才10块。除非它真的很好喝，或者提神效果更好。你得让我知道，多花8块钱值在哪。"

AI 持续追问（5个为什么技巧）

  • "为什么'续命'和'尝鲜'不能兼顾？"
  • "什么样的证据能让你相信'多花8块钱值'？"
  • "如果朋友推荐，你会更愿意尝试吗？"

访谈员自动结束并保存结论

7 轮对话后，AI 自动调用 saveInterviewConclusion 保存访谈总结：

访谈总结 - Linda

核心洞察:

  • Linda 的"续命"需求是刚需，容错率低
  • 她对"0糖"有好感但不是决策关键
  • 价格敏感点是"值不值"而非"买不买得起"
  • 需要"功效承诺"（提神更好）或"社交背书"（朋友推荐）

精彩片段:

  • "下午那个时间点，我没心情冒险。"
  • "你得让我知道，多花8块钱值在哪。"

类似地，与 Emma 和 Chloe 完成访谈，收集到不同视角的反馈。

Phase 3: 生成报告 - Report Expert

AI 整合所有发现，生成专业报告

Study Agent 调用 generateReport 工具。

1. AI 自动整理研究日志

  • 从 messages 中提取所有 Scout 观察
  • 整理 3 次访谈的完整对话
  • 识别关键引用和矛盾点

2. AI 使用专业 Prompt 生成 HTML 报告

  • 使用 reportHTMLSystemTesting Prompt
  • Claude Sonnet 4.5 生成 8000+ 字结构化报告
  • 自动生成 AI 封面图（Gemini 2.5 Flash Image）

3. 报告内容结构

4. 报告交付

  • 生成 PDF 下载链接
  • 创建在线阅读页面
  • 发送完成通知到用户邮箱

阶段三：用户获得价值

1. 即时价值

  • 清晰的决策依据: 3 个核心发现 + 4 条实施建议
  • 真实的用户声音: 完整访谈对话，可追溯
  • 可执行的行动计划: 按优先级排序，明确预期效果

2. 长期价值

  • AI 人设资产: 3 个典型用户 AI 人设永久保存，未来可复用
  • 研究历史: 完整的研究过程和推理链，可回溯
  • 持久化记忆: AI 记住了这家咖啡品牌的背景，下次研究无需重复解释

3. 后续可能的行动

用户可以基于这份报告：

  • 继续深入: 创建新研究测试 15.9 vs 19.9 定价
  • 播客传播: 使用 Fast Insight 生成播客，用于内部培训
  • 团队协作: 分享给产品、营销、设计团队，基于同一份洞察对齐决策

核心技术亮点

从这个流程中可以看到 atypica.AI 的独特之处：

1. 消息驱动的无缝协作

  • Plan Mode 的对话澄清 → Scout 的观察 → Interview 的访谈 → Report 的生成
  • 所有信息都在 messages 中流转，AI 自动理解上下文
  • 用户无需在不同工具间复制粘贴数据

2. AI Agent 的专业化分工

  • Scout: 像人类学家做田野调查，沉浸式观察社交媒体
  • Interviewer: 像咨询顾问做深访，使用"5个为什么"技巧
  • Report Expert: 像商业分析师写报告，强调洞察而非方法论

3. 持久化记忆系统

  • AI 记住了咖啡品牌的背景、目标用户、产品定位
  • 下次研究时，无需重复解释"我们是做咖啡的"
  • 记忆系统自动整合跨会话的知识

4. 可追溯的洞察链条

  • 每个结论都有明确的证据来源
  • 用户可以点击访谈对话，看完整的问答过程
  • 观察数据可以追溯到具体的社交媒体搜索

5. 灵活的工具编排

  • 不是固定的"3步流程"，而是 AI 根据需要动态调用工具
  • Plan Mode 可能决定跳过 Scout，直接 Interview
  • Interview 可能决定增加到 8 位用户，而非固定 5 位

与传统调研的对比

维度传统市场调研atypica.AI
时间成本2-4 周（招募+访谈+分析）6-8 小时（自动化完成）
经济成本5-10 万元（问卷+访谈+报告）200 万 tokens（约 50-100 元）
样本真实性招募用户可能"演戏"迎合AI 人设基于社交媒体真实数据构建
深度追问受限于访谈员水平和时间AI 可以无限追问"为什么"
可重复性难以复现同一批用户AI 人设可以反复调用和测试
洞察质量依赖分析师经验AI 整合多源数据，系统性分析

其他研究类型示例

Fast Insight - 快速播客生成

场景: 想快速了解"Z世代对元宇宙的态度"并生成播客内容

流程:

  1. 输入主题 → Plan Mode 判断为 Fast Insight
  2. AI 自动执行 5 阶段流程：
    • 主题理解（webSearch x1）
    • 播客规划（planPodcast）
    • 深度研究（deepResearch MCP）
    • 播客生成（generatePodcast）
    • 完成
  3. 6-8 小时后，获得观点导向的播客脚本 + 音频

Product R&D - 产品研发

场景: 探索"AI 助手+日历"的产品创意是否有市场机会

流程:

  1. 输入产品概念 → Plan Mode 判断为 Product R&D
  2. AI 自动执行：
    • 市场趋势分析（webSearch + reasoningThinking）
    • 用户需求发现（Scout + Interview）
    • 竞品对比（webFetch）
    • 创意验证（Discussion 群体讨论）
    • 生成产品研发报告

Discussion Chat - 群体讨论

场景: 想看不同用户群体对"订阅制 vs 买断制"的观点碰撞

流程:

  1. Plan Mode 判断适合 Discussion（3-8人群体讨论）
  2. AI 召集不同立场的 AI 人设：
    • 价格敏感型用户
    • 重度使用用户
    • 偶尔使用用户
  3. AI 主持人引导讨论，观察观点碰撞
  4. 报告中呈现多视角对比和共识点

总结

atypica.AI 的核心价值：将主观商业研究从"艺术"变成"科学"，同时保持洞察的深度和人性化。

通过多智能体协作、持久化记忆、可追溯的洞察链条，atypica.AI 让商业决策有了更可靠的依据。

最后更新：2026-01-15

最后更新: 2026/2/14