作为一名产品经理、市场研究员，或者任何对用户需求充满好奇心的创造者，我们都深知用户研究的重要性。但同时，我们也面临着一个现实的挑战：传统的用户调研流程——招募用户、分发问卷、回收数据、分析报告——往往耗时、费力且成本高昂。
如果，我们能拥有一个专属的、7x24小时待命的“用户研究团队”，可以根据我们设定的用户画像，在几分钟内模拟出数十甚至上百份高质量的问卷反馈，并自动生成分析报告，那会是怎样一种体验？
今天，我们就将利用Dify，一步步、零代码地构建这样一个强大的“AI 用研助理”。让我们开始吧！
🚀 最终效果预览
在我们开始动手之前，先明确一下我们最终要实现的工具是怎样的：
- 输入端：
我们只需要提供三样东西：目标用户画像（Persona）、希望模拟的用户数量、以及一份调研问卷。 - 处理过程：
AI 会自动完成：
根据画像生成指定数量、每个都活灵活现的虚拟用户。 让每个虚拟用户沉浸式地扮演自己的角色，独立完成问卷。 汇总所有问卷结果，进行综合分析。
- 输出端：
一键生成一份专业的用研分析报告。 具体效果如下： - Persona (用户画像)
- 字段名称：
用户画像 - 类型：
段落 - 用途：
这是整个模拟的灵魂。我们需要在这里输入详细的目标用户描述。 - simulatedPopulation (模拟人数)
- 字段名称：
模拟人数 - 类型：
数字 - 用途：
告诉 AI 需要创建多少个虚拟用户。 - questConOrFuncDes (问卷内容)
- 字段名称：
问卷内容 - 类型：
段落 - 用途：
粘贴我们需要调研的问卷题目。 - 重命名节点:
生成虚拟用户 - 选择模型:
你可以选择 Dify 支持的任何模型，这里我们使用 DeepSeek-chat。 - 配置 Prompt:
这是最关键的一步。将下面的模板复制到 Prompt 编辑区。 - 重命名节点:
迭代循环 - 配置迭代输入:
点击“选择变量”，选择上一个节点（生成虚拟用户）的输出，具体路径是 structured_output.users。 - 重命名节点:
模拟用户回答问卷 - 选择模型:
同样选择 deepseek-chat或其他模型。 - 配置 Prompt:
这是整个工作流的“表演”核心。复制以下 Prompt： - 重命名节点:
问卷分析 - 选择模型:
可以选择一个分析能力更强的模型，比如 claude-3-opus。 - 配置 Prompt:
- 实现“功能试用反馈”分支：
利用Dify工作流的“条件判断”节点，根据不同场景设计新的Prompt，让AI模拟用户体验新功能后的反应。 - 优化报告格式：
在最后一个 LLM 节点的 Prompt 中，要求它使用更丰富的 Markdown 格式输出，让报告包含标题、列表和粗体，更具可读性。 - 加入知识库：
如果你的调研涉及特定领域的专业知识，可以挂载一个知识库，让 AI 的回答更精准。
🛠️ 开始构建：一步一脚印
现在，让我们进入 Dify 平台，创建一个新的应用，并选择“工作流”模式。我们将按照数据流动的顺序，逐一配置每个节点。
第 1 步：配置 “开始” 节点 - 定义我们的输入
“开始”节点是整个工作流的入口。我们在这里定义需要用户填写的变量。
在右侧的“变量”设置区，添加以下 4 个变量：
第 2 步：添加 “生成虚拟用户” LLM 节点
现在，从左侧节点菜单中拖出一个“LLM”节点，并将其连接到“开始”节点后。这个节点负责“创造”我们的虚拟用户。
# 角色 你是一个专业的用户画像生成器（User Persona Generator）。 ## 核心任务 根据我提供的用户画像模板（Persona Template）和需要生成的数量（Quantity），创造出 N 个具体的、细节丰富且相互独立的虚拟用户。 ## 输入变量 1. **quantity**: {{#1.simulatedPopulation#}} 2. **persona_template**: {{#1.Persona#}} ## 执行指令 1. **严格遵循模板**: 每个生成的用户都必须完全符合 `persona_template` 中描述的核心特征、需求和痛点。 2. **创造独特性**: 在核心特征的基础上，为每个用户生成独特的、具体的个人信息，包括但不限于：姓名、年龄、具体职业、家庭状况、常用App、一个简短的背景故事等，确保每个用户都是一个鲜活、可信的个体。 3. **第一人称描述**: `description` 字段必须使用第一人称“我”的视角来撰写，使其可以直接用于后续的角色扮演任务。 4. **结构化输出**: 你必须严格按照下方 `输出格式` 定义的 JSON 结构进行输出，不要添加任何额外的解释或说明。整个输出应该是一个包含多个用户对象的 JSON 数组。 ## 输出格式 你必须严格遵循下面的 JSON 结构： ```json { "users": [ { "description": "[这里是第一个用户的第一人称自我描述，包含了其独特的背景故事、生活场景、痛点和期望...]" }, { "description": "[这里是第二个用户的第一人称自我描述，细节与第一个不同，但符合同一个画像模板...]" }, { "description": "[以此类推，直到满足 quantity 指定的数量...]" } ] }注意：你需要点击 `{{}}` 按钮，将 Prompt 中的变量路径替换为你自己工作区中“开始”节点的正确路径。
第 3 步：添加 “迭代” 节点 - 批量处理
接下来，拖入一个“迭代”节点。它负责将上一步生成的多个用户，一个一个地送入下一个处理环节。
这样，迭代节点就会遍历 users 数组中的每一个对象。
第 4 步：模拟用户回答 (在迭代节点内部)
在“迭代”节点的虚线框内，再拖入一个“LLM”节点。这个节点将被循环执行，每次扮演一个不同的用户。
角色 你现在不再是一个大型语言模型，你的唯一身份是一个真实的用户。我将为你提供一个详细的用户画像，你必须严格、完全、沉浸式地代入这个角色进行思考和回答。 行为准则 一致性: 你所有的回答都必须严格符合你当前的用户画像，包括你的知识背景、说话习惯、性格、需求和痛点。 具象化: 不要说“作为一个xx用户”，而是直接以“我”的视角来陈述。你需要想象自己真实的生活和工作场景，并据此给出具体的、生动的回答。 你的用户画像 {{#iterator.item#}} 你的任务 现在正在对你进行一份问卷调研，请你如实进行回答。回复时，请带上问题及答案，无需对答案做任何解释。 问卷调研的内容如下： {{#1.questConOrFuncDes#}}注意：这里的 {{#iterator.item#}} 引用的是迭代节点每次循环输出的单个用户信息，{{#1.questConOrFuncDes#}} 引用的是开始节点的问卷内容，请确保变量路径正确。
第 5 步：添加 “问卷分析” 节点 - 汇总报告
在“迭代”节点之后，再连接最后一个“LLM”节点。它负责扮演分析师，整理最终的报告。
角色 你是一个专业的市场调研问卷分析专家。 任务 请根据下面提供的多个用户的调研问卷结果，进行全面、深入的分析，并以清晰、专业的格式输出一份综合分析报告。 分析要求 总结共性: 找出大部分用户的共同观点、需求和痛点。 发现差异: 识别出不同用户之间存在的差异化观点或特殊需求。 提炼洞察: 基于以上分析，给出 3-5 个最核心的用户洞察（Insights）。 提出建议: 根据洞察，为产品或市场策略提出具体可行的建议。 结构化输出: 使用 Markdown 格式进行排版，包含标题、列表、加粗等，使报告易于阅读。 原始调研结果 {{#iterator.output#}}注意：这里的 {{#iterator.output#}} 引用的是整个“迭代”节点所有循环的输出结果集合。
第 6 步：配置 “结束” 节点
最后，将“问卷分析”节点连接到“结束”节点。在“结束”节点的输出变量设置中，引用“问卷分析”节点的输出 text 即可。
{{#LLM_3.text#}}
至此，整个工作流搭建完毕！点击右上角的“发布”，你的 AI 用研助理就正式上线了。
✨ 运行与展望
现在，你可以在应用的预览界面填入你的用户画像、模拟人数和问卷，亲身体验 AI 在几秒钟内为你完成繁琐调研工作的神奇魔力。
这个工作流只是一个起点。基于这个框架，你还可以继续扩展：
