☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
必须结构化清洗访谈语料再分层指令驱动kimi分析：先剔除提问句与填充词、添加场景标识；再用否定动词提取与主题建模挖掘隐性根因；最后叠加频次、影响范围与损失程度构建严重度矩阵并生成验证提问。
你需要从几十小时用户访谈录音和数百页笔记中快速提炼出真实、可验证的业务痛点，而不是靠主观猜测或模糊印象写ppt。直接丢给kimi原始材料会得到泛泛而谈的总结，必须先结构化清洗、再分层指令驱动、最后交叉校验数据强度。
将杂乱访谈转为Kimi可解析的纯文本语料
这一步操作起来很简单，直接把文件拖进去就行。但若跳过清洗直接上传，Kimi会把“嗯…那个…我觉得可能差不多”也当有效语义处理，导致动词提取失真、主题建模漂移。
1、导出所有访谈逐字稿或整理笔记，合并为单一TXT文件；【必须删除 interviewer 的提问句，只保留受访者原话】
2、用记事本或VS Code批量替换：将“嗯”“啊”“这个”“那个”“就是说”等填充词全部删空；
3、在每段发言前手动添加标识，格式为“R01_售后响应：”“R02_下单流程：”，中间用下划线隔开，不要加空格或括号。
用Kimi精准捕获高频痛点动词与否定表达
用户不会直接说“这是痛点”，但会反复使用否定性动作描述障碍。Kimi能识别“无法提交”“找不到入口”“总要重填”这类短语，它们比“很烦”“太差了”更具行为指向性和统计价值。
方法一：基础指令法
在Kimi对话框中输入：“请逐行扫描以下文本，提取所有含否定前缀（不、难、无法、不能、太慢、总是卡、反复重试、每次都要）的动词短语，统计频次，仅返回表格，列名为‘痛点描述’‘出现次数’。”
方法二：强化约束法
追加指令：“排除形容词+‘很’结构（如‘很慢’‘很差’），仅保留动词性短语；同一受访者连续两句话表达相同意思，只计1次；输出按次数降序排列，只保留≥3次的条目。”
【若某条目出现17次但全部来自同一人（R05），需人工标注‘单点强反馈’，不可直接列为高共识痛点】
执行主题建模识别隐性需求簇
用户说“客服电话打不通”，背后可能是“服务响应机制断裂”；说“页面总跳回首页”，实际指向“会话状态管理失效”。Kimi的主题建模能把碎片化抱怨聚合成结构性归因，支撑你在PPT里画出根因图谱。
使用 Moonshot Kimi API 的 $web_search 内置工具进行联网搜索。当需要进行网络搜索获取实时信息时使用，支持中文和英文搜索查询。需要配置 MOONSHOT_API_KEY。
第一步：发送指令
“请对以下文本执行无监督主题建模，设定主题数为5，输出每个主题的：①3个最具代表性的原句（带受访者编号）；②2个核心关键词；③1句命名（≤8字，禁用‘问题’‘痛点’等泛词，例：权限断层、配置黑洞）。”
第二步：检查输出质量
打开Kimi返回结果，快速扫视每个主题下的原句是否确实语义相近；若有混入（如“加载慢”和“价格贵”出现在同一主题），说明文本清洗不到位或主题数设太高，需重跑并改设为4。
第三步：人工锚定归因层级
对每个主题命名，反向追问：“这个现象由哪一层系统因素导致？”——例如“表单重复提交”→“前端防重机制缺失”→“研发规范未覆盖幂等设计”。把最后一层写进PPT根因栏。
构建严重度矩阵并生成验证性提问清单
频次高 ≠ 影响大，R01说10次“登录慢”，R08说1次“资金被冻结”，后者严重度碾压前者。必须把动词强度、影响范围、发生频率三者叠加计算，才能排出真实优先级。
在Kimi中输入：
“请基于前述痛点列表与主题命名，构建严重度矩阵：横轴为‘影响用户比例（高/中/低）’，纵轴为‘单次损失程度（资金/时间/信任）’，每个单元格填入对应痛点描述及原始出处（Rxx_场景）。最后，为矩阵中‘高×高’象限的每项痛点，生成1个封闭式验证提问，用于下一轮用户回访确认。”
示例输出中若出现“R03_支付失败→影响用户比例：高；单次损失程度：资金”，其对应验证提问应为：“过去一个月，您是否因该问题损失过实际付款金额？□是 □否”。
复制该清单，直接发给运营同事安排电话回访，【不要跳过这步就写PPT，否则所有‘高严重度’都是假设】
