User research interview assist

Skill LuckyOneTwoThree/pm-skill/pm-01-discovery/skills/user-research-interview-assist

102 AI Agent Skills for the full product lifecycle. Compatible with Trae / Claude Code. 9 modules from discovery to launch to growth. | 102 个覆盖产品全生命周期的 AI Agent Skills，兼容 Trae / Claude Code，9 大模块从探索发现到上线增长。

Install

npx -y skills add LuckyOneTwoThree/pm-skill --skill user-research-interview-assist

Assembled from the repository path, not quoted from the project. Check it against their README if it does not work.

2 things to look at

no licenseNo license file was found in the repository. Code published without one is not open source by default, so using it at work is a question for whoever answers licensing questions where you are.
6 stars6 stars. Stars are a popularity signal and not a quality one, but at this level it is likely that nobody has read this closely except its author, and you would be relying on your own review.

What its author says it does

Copied from the file, not written here

当需要设计用户访谈脚本、执行访谈后提取洞察、跨访谈聚类分析时使用。访谈辅助Pipeline。关键词：用户访谈、访谈脚本、访谈洞察、半结构化访谈、定性研究辅助、访谈提纲、访谈整理、跟用户聊什么。

SKILL.md

18.1 KB, as published. Nobody here has run it

访谈辅助

核心原则

人类主导AI辅助——访谈执行由人类主导，AI负责脚本设计、转录分析和洞察提取，不可替代人类判断
脚本服务于目标不是目标本身——访谈脚本是验证假设的工具，人类可基于现场判断偏离脚本追问，灵活性优先于完整性
追问比主问题更有价值——主问题打开话题，追问挖掘深度，脚本必须包含追问策略和探针提示
访谈是验证不是探索——访谈目标来自已有数据发现的假设，每场访谈必须回答"验证了什么/推翻了什么"

交互模式

👤→🤖 人类AI协作 — 人类主导访谈执行，AI负责脚本设计、转录分析和洞察提取

输入

输入项	类型	必填	来源	说明
persona.json	JSON	○	output/pm-discovery/user-research-user-modeling/persona.json	用户画像数据，用于定向访谈对象和脚本设计
research_objectives	object	是	用户提供	研究目标，定义本次访谈要验证的假设和探索的方向
interview_config	object	是	用户提供	访谈配置（目标人数、时长、形式、录音可用性）
voice-analysis.json	JSON	○	output/pm-discovery/user-research-voice-analysis/voice-analysis.json	用户声音分析数据
behavior-analysis.json	JSON	○	output/pm-discovery/user-research-behavior-analysis/behavior-analysis.json	行为分析数据

输入格式

{
  "persona_path": "output/pm-discovery/user-research-user-modeling/persona.json",
  "research_objectives": {
    "primary_questions": ["string"],
    "hypotheses_to_validate": ["string"],
    "areas_to_explore": ["string"]
  },
  "interview_config": {
    "target_count": "number",
    "duration_minutes": "number",
    "format": "in_person|video|phone",
    "recording_available": "boolean"
  },
  "existing_analysis": {
    "voice_analysis_path": "output/pm-discovery/user-research-voice-analysis/voice-analysis.json",
    "behavior_analysis_path": "output/pm-discovery/user-research-behavior-analysis/behavior-analysis.json"
  }
}

输入依赖：

persona.json（如已生成）：用于定向访谈对象和脚本设计
研究目标（人类输入）：定义本次访谈要验证的假设和探索的方向
voice-analysis.json / behavior-analysis.json：提供待验证的数据发现

执行步骤

阶段一：访谈前准备（AI生成，人类确认）

Step 1：生成目标清单

基于研究目标和已有数据分析结果，生成访谈目标清单
每个目标标注：
- 来源假设（来自哪个数据发现或推断）
- 验证方式（直接提问 / 行为观察 / 投射技术）
- 优先级（必须验证 / 建议验证 / 可选探索）
识别已有数据中的矛盾点，列为重点验证目标
输出：访谈目标清单

Step 2：生成半结构化访谈脚本

基于目标清单生成半结构化脚本，包含：
- 开场：破冰问题，建立信任
- 核心模块：按目标优先级排列的问题组
- 每个问题：
  - 主问题（开放式）
  - 追问策略（2-3个方向性追问）
  - 探针提示（当用户回答模糊时的引导方向）
  - 对应目标（该问题验证哪个假设）
- 收尾：开放性问题，让用户补充
脚本设计原则：
- 先行为后态度（先问做了什么，再问怎么想）
- 先具体后抽象（先问具体场景，再问一般观点）
- 避免引导性问题
输出：interview-script.json

Step 3：推荐访谈对象

基于Persona推荐访谈对象特征：
- 优先覆盖不同Persona类型
- 优先选择数据中有矛盾行为的用户
- 优先选择voice-analysis中高频痛点的反馈者
推荐人数：目标Persona数 × 3-5人
输出：推荐访谈对象列表

阶段二：访谈执行（人类主导）

人类按脚本执行访谈
AI不参与实时访谈过程
人类可偏离脚本追问（鼓励基于现场判断的追问）
建议录音（需征得受访者同意）

阶段三：访谈后分析（AI辅助）

Step 4：转录与结构化

如有录音，AI辅助转录
将访谈内容按主题结构化整理
标注关键引用（原声）
输出：结构化访谈记录

Step 5：关键洞察提取

从每场访谈中提取关键洞察：
- 验证的假设：哪些假设被访谈数据支持
- 推翻的假设：哪些假设被访谈数据否定
- 新发现：访谈中出现的未预期发现
- 用户原声：支撑每个洞察的代表性引用
每个洞察标注置信度
区分：直接陈述（用户明确说） vs 推断（从行为描述推断）
输出：洞察列表

Step 6：跨访谈聚类

将多场访谈的洞察进行跨访谈聚类
识别跨访谈的共同模式（多个受访者独立提及）
识别独特但有价值的洞察（仅一人提及但深度高）
评估每个聚类的饱和度（是否需要更多访谈）
输出：跨访谈洞察聚类

Step 7：更新Persona

基于访谈发现更新Persona：
- 补充或修正Persona特征
- 提升低置信度字段的置信度（如访谈验证了推断）
- 降低被推翻假设的置信度
- 新增访谈中发现的新特征
标注更新来源：interview-validated / interview-revised / interview-discovered
输出：更新后的persona.json

输出

interview-script.json

输出文件：output/pm-discovery/user-research-interview-assist/interview-script.json

输出Schema：

{
  "type": "object",
  "required": ["script_id", "research_objectives", "core_modules"],
  "properties": {
    "script_id": {"type": "string", "description": "访谈脚本唯一标识"},
    "research_objectives": {"type": "array", "description": "研究目标列表"},
    "target_personas": {"type": "array", "description": "目标Persona类型列表"},
    "opening": {"type": "object", "description": "开场模块，含破冰问题和背景设定"},
    "core_modules": {"type": "array", "description": "核心问题模块列表"},
    "closing": {"type": "object", "description": "收尾模块"},
    "recommended_participants": {"type": "array", "description": "推荐访谈对象列表"}
  }
}

输出校验规则：

字段路径	类型	必填	说明
script_id	string	是	脚本唯一标识
research_objectives	string[]	是	研究目标列表，不可为空
target_personas	string[]	否	目标Persona类型列表
opening.icebreaker_questions	string[]	是	破冰问题列表
opening.context_setting	string	是	背景设定描述
core_modules	array	是	核心问题模块列表，不可为空
core_modules[].module_name	string	是	模块名称
core_modules[].objective	string	是	模块目标
core_modules[].hypothesis_to_validate	string	是	待验证假设
core_modules[].priority	string	是	优先级枚举：must_validate/should_validate/optional
core_modules[].questions	array	是	问题列表，每个核心问题≥2个追问方向
core_modules[].questions[].main_question	string	是	主问题（开放式）
core_modules[].questions[].follow_up_strategies	string[]	是	追问策略，≥2个方向
core_modules[].questions[].probes	string[]	是	探针提示
closing.open_ended_question	string	是	收尾开放性问题
recommended_participants	array	否	推荐访谈对象列表
recommended_participants[].persona_type	string	是	Persona类型
recommended_participants[].priority	string	是	优先级枚举：high/medium/low

{
  "script_id": "string",
  "research_objectives": ["string"],
  "target_personas": ["string"],
  "opening": {
    "icebreaker_questions": ["string"],
    "context_setting": "string"
  },
  "core_modules": [
    {
      "module_name": "string",
      "objective": "string",
      "hypothesis_to_validate": "string",
      "priority": "must_validate|should_validate|optional",
      "questions": [
        {
          "id": "string",
          "main_question": "string",
          "follow_up_strategies": ["string"],
          "probes": ["string"],
          "target_objective": "string"
        }
      ]
    }
  ],
  "closing": {
    "open_ended_question": "string",
    "wrap_up": "string"
  },
  "recommended_participants": [
    {
      "persona_type": "string",
      "key_characteristics": ["string"],
      "priority": "high|medium|low",
      "reason": "string"
    }
  ]
}

interview-insights.json

输出文件：output/pm-discovery/user-research-interview-assist/interview-insights.json