用户访谈问不出东西：追问脚本智能体把开放题问到结论

结论先看：用户访谈问不出东西：追问脚本智能体把开放题问到结论 的关键做法是先做结构化拆解，再让AI处理重复环节，最终提升效率与结果稳定性。

关键词：AI自动化、效率提升、使用场景

做用户访谈最常见的失败是什么？是问了一堆开放性问题，用户也说了不少，但最后发现都是泛泛而谈，没有触及核心，也没有得到可行动的结论。好的访谈不是聊天，而是有结构的探索，需要精心设计的追问策略。

追问的本质是验证假设。你在访谈前应该有一些关于用户行为、需求、痛点的假设，访谈的目的是收集证据来证实或证伪这些假设。如果你只是随便聊聊，没有明确的假设和验证逻辑，得到的信息自然缺乏价值。

用智能体准备访谈，第一步是明确可证伪的假设。比如”用户放弃购物车是因为运费太高”、”用户更愿意在手机上完成这个操作”、”用户对当前界面最大的不满是加载速度”。每个假设都应该是可以被证据支持或反驳的。

智能体会根据你的假设，生成追问树。追问不是随机的问题，而是有逻辑层次的探索：第一层问行为（”你上次做这个操作是什么时候”），第二层问动机（”当时为什么选择这个方式”），第三层问反证（”有没有试过其他方法，结果如何”）。每一层都在逼近真相。

禁问清单同样重要。智能体会提醒你避免哪些类型的问题：引导性问题（”你是不是也觉得这个功能很难用”）、假设性问题（”如果有了XX功能你会用吗”）、未来预测问题（”你以后会怎么做”）。这些问题得到的答案不可靠，应该被排除。

行为证据的记录是访谈产出的核心。智能体可以帮你设计记录模板：用户描述的行为、你的观察、追问的关键回答、与假设的关联、需要后续验证的点。访谈结束后，这些记录要能支持主题分析，而不是一堆散乱的笔记。

主题分析是访谈后的关键步骤。智能体可以帮你把多场访谈的记录进行聚类，找出反复出现的主题、矛盾的证据、异常的个案。不是简单地统计说了多少次，而是分析不同场景下的差异、不同用户群体的区别。

结论的可信度评估不能忽视。智能体会帮你检查：这个结论有多少证据支持、证据来源是否多元、有没有反例存在、结论的适用范围是什么。低可信度的结论需要标注，高可信度的结论可以作为行动依据。

最后要提醒的是，智能体生成的脚本是起点，不是终点。实际访谈中要根据用户的回答灵活调整，有些意外的发现可能比原计划的问题更有价值。把脚本当作安全网，而不是枷锁，才能既保证访谈的深度，又不失去探索的灵活性。

FAQ