在用戶研究領(lǐng)域，傳統(tǒng)的研究方法雖然寶貴，但往往面臨可擴(kuò)展性、資源密集度和訪問(wèn)不同用戶群體的挑戰(zhàn)。本文將介紹一種創(chuàng)新的用戶研究方法，通過(guò)生成式人工智能（AI）創(chuàng)建數(shù)字客戶角色并與之互動(dòng)，從而獲得對(duì)消費(fèi)者行為和偏好的深入洞察。

用戶研究是驗(yàn)證針對(duì)實(shí)際用戶群體的任何假設(shè)的關(guān)鍵組成部分，用于收集有關(guān)消費(fèi)者行為和偏好的寶貴市場(chǎng)研究。傳統(tǒng)的用戶研究方法雖然非常寶貴，但存在固有的局限性，包括可擴(kuò)展性、資源密集度以及訪問(wèn)不同用戶群體的挑戰(zhàn)。本文概述了我們?nèi)绾瓮ㄟ^(guò)引入一種新穎的綜合用戶研究方法來(lái)克服這些局限性。

在自主代理的幫助下，綜合用戶研究的力量將成為游戲規(guī)則的改變者。通過(guò)利用生成式人工智能在模擬研究場(chǎng)景中創(chuàng)建數(shù)字客戶角色并與之互動(dòng)，我們可以獲得有關(guān)消費(fèi)者行為和偏好的前所未有的洞察. 將生成式人工智能提示技術(shù)的力量與自主代理相融合。

一、角色提示——模仿他人

在深入研究自主代理之前，讓我們先了解角色或個(gè)性提示的概念，其旨在捕捉挫折、行為、目標(biāo)、性格特征、人口統(tǒng)計(jì)等元素。

我們使用提示要求語(yǔ)言模型承擔(dān)具有盡可能多深度背景的角色。我使用以下提示，它可以根據(jù)您的需求進(jìn)行定制，但也包括各種其他人口統(tǒng)計(jì)和行為評(píng)估/特征。

角色生成器系統(tǒng)提示示例

您是一位專業(yè)的 ML 研究員和提示工程師。您被要求創(chuàng)建一個(gè)提示，該提示可用于模擬特定品牌和服務(wù)的虛構(gòu)用戶。此提示需要包括人員姓名、年齡、人口統(tǒng)計(jì)、個(gè)性（包括大五和 DISC）、性格特征、挫折、價(jià)值觀、目標(biāo)、挑戰(zhàn)以及基于上下文的任何其他相關(guān)信息 — 盡可能詳細(xì)。您將生成以“您是”開(kāi)頭的一行提示。此提示適用于澳大利亞悉尼一家大型超市的顧客。請(qǐng)僅返回要使用的提示。

語(yǔ)言模型的示例輸出

你是米婭，一位 34 歲的營(yíng)銷經(jīng)理，住在澳大利亞悉尼。你屬于富裕的城市人口，對(duì)健康和可持續(xù)發(fā)展有著濃厚的興趣。你的性格反映出高度開(kāi)放、認(rèn)真和隨和，具有中等程度的外向性和低神經(jīng)質(zhì)。在 DISC 評(píng)估中，你的影響力和穩(wěn)定性得分很高。你善于交際、注重細(xì)節(jié)、重視和諧。你的主要煩惱包括超市缺乏有機(jī)和本地采購(gòu)的產(chǎn)品，你高度重視可持續(xù)性、社區(qū)和健康。你的目標(biāo)是保持平衡和環(huán)保的生活方式，而你的挑戰(zhàn)包括找到符合你的道德和健康標(biāo)準(zhǔn)的超市。你追求便利，但又不損害你的價(jià)值觀。

正如上面的提示示例所見(jiàn)，我們能夠針對(duì)給定場(chǎng)景快速生成具有豐富個(gè)性的深度定義的合成用戶。

二、將自主代理與數(shù)字角色融合

合成用戶研究的核心是自主代理與合成角色（模仿人類互動(dòng)和行為的模擬實(shí)體）的融合。想象一下，自主代理是復(fù)雜游戲中的個(gè)體，每個(gè)代理都扮演由生成式人工智能精心打造的角色。這些角色在模擬環(huán)境中互動(dòng)，提供對(duì)不同場(chǎng)景中消費(fèi)者行為和偏好的洞察的模擬視圖。使用自主代理，我們幾乎能夠在模擬中將這些角色變?yōu)楝F(xiàn)實(shí)。

這種結(jié)合技術(shù)（自主代理框架）和語(yǔ)言（個(gè)性和角色提示）來(lái)獲得預(yù)期結(jié)果的方法是利用生成式人工智能自主代理的力量以獨(dú)特方式實(shí)現(xiàn)的眾多先進(jìn)方法之一。

三、代理框架的關(guān)鍵作用

為了將這一愿景變?yōu)楝F(xiàn)實(shí)，自主代理的架構(gòu)起著關(guān)鍵作用。Autogen 、BabyAGI和CrewAI等框架簡(jiǎn)化了 AI 代理的創(chuàng)建和管理，抽象了其架構(gòu)的復(fù)雜性。這些框架能夠模擬復(fù)雜的人類行為和交互，為生成像真實(shí)客戶一樣行動(dòng)、思考和響應(yīng)的數(shù)字角色奠定了基礎(chǔ)

這些自主代理架構(gòu)的底層是真正的智能路由器（如交通控制器），它在現(xiàn)有的大型語(yǔ)言模型之上具有提示、緩存（內(nèi)存）和檢查點(diǎn)（驗(yàn)證），從而允許使用語(yǔ)言模型對(duì)多代理對(duì)話進(jìn)行高級(jí)抽象。

我們將使用 Autogen（由 Microsoft 發(fā)布）作為我們的框架，利用被描述為靈活對(duì)話模式的示例，代理可以通過(guò)該模式相互交互。還可以為代理提供“工具”來(lái)執(zhí)行“任務(wù)”，但在這個(gè)示例中，我們將只關(guān)注對(duì)話。

四、創(chuàng)建復(fù)雜的交互

在這些數(shù)字環(huán)境中模擬復(fù)雜的群體動(dòng)態(tài)和個(gè)人角色的能力至關(guān)重要。它允許生成豐富、多方面的數(shù)據(jù)，更準(zhǔn)確地反映現(xiàn)實(shí)世界消費(fèi)者群體的多樣性。這種能力對(duì)于理解不同客戶群體與產(chǎn)品和服務(wù)互動(dòng)的不同方式至關(guān)重要。例如，將持懷疑態(tài)度的客戶的角色提示與代理相結(jié)合，可以深入了解各種產(chǎn)品可能面臨的挑戰(zhàn)和反對(duì)意見(jiàn)?；蛘呶覀兛梢宰龈鼜?fù)雜的場(chǎng)景，比如將這些合成角色分成幾組來(lái)解決問(wèn)題并進(jìn)行反饋。

如何實(shí)施綜合用戶研究

該過(guò)程首先使用 Autogen 搭建自主代理，Autogen 是一種簡(jiǎn)化這些數(shù)字角色的創(chuàng)建和編排的工具。我們可以使用 py 安裝 autogen pypi 包

pip 安裝 pyautogen

格式化輸出（可選）?——這是為了確保根據(jù)您的 IDE 自動(dòng)換行以提高可讀性，例如當(dāng)使用 Google Collab 運(yùn)行您的筆記本進(jìn)行本練習(xí)時(shí)。

從IPython.display導(dǎo)入HTML，顯示

def set_css ():

display(HTML( ”’

<style>

pre {

white-space: pre-wrap;

}
</style>

”’ ))

get_ipython().events.register( ‘pre_run_cell’ , set_css)

現(xiàn)在我們繼續(xù)通過(guò)導(dǎo)入包并設(shè)置 Autogen 配置來(lái)設(shè)置環(huán)境——以及我們的 LLM（大型語(yǔ)言模型）和 API 密鑰。您可以使用與 OpenAI REST 服務(wù)向后兼容的服務(wù)來(lái)使用其他本地 LLM——?LocalAI是一種可以充當(dāng)您本地運(yùn)行的開(kāi)源 LLM 的網(wǎng)關(guān)的服務(wù)。

gpt-3.5-turbo我已經(jīng)在 OpenAI 的 GPT3.5和 GPT4上對(duì)此進(jìn)行了測(cè)試gpt-4-turbo-preview。您需要考慮 GPT4 的更深層次的響應(yīng)，但查詢時(shí)間會(huì)更長(zhǎng)。

導(dǎo)入json

導(dǎo)入o??s

導(dǎo)入autogen

從autogen導(dǎo)入GroupChat、Agent

從typing導(dǎo)入 可選

# 設(shè)置 LLM 模型和 API 密鑰

os.environ[ “OAI_CONFIG_LIST” ] = json.dumps([

{
‘model’ : ‘gpt-3.5-turbo’ ,

‘api_key’ : ‘<<將您的 Open-AI 密鑰放在這里>>’ ,

}
])

# 設(shè)置 autogen 的配置

config_list = autogen.config_list_from_json(

“OAI_CONFIG_LIST” ,

filter_dict={

“model” : {

“gpt-3.5-turbo”

}
}

)

然后我們需要配置我們的 LLM 實(shí)例— 我們將把它綁定到每個(gè)代理。如果需要，這允許我們?yōu)槊總€(gè)代理生成唯一的 LLM 配置，即如果我們想為不同的代理使用不同的模型。

# 定義 LLM 配置設(shè)置

llm_config = {

# 一致輸出的種子，用于測(cè)試。在生產(chǎn)中刪除。

# “seed”：42，

“cache_seed”：None，

# 設(shè)置 cache_seed = None 確保緩存被禁用

“temperature”：0.5，

“config_list”：config_list，

}

定義我們的研究員— 這是在這個(gè)模擬用戶研究場(chǎng)景中促進(jìn)會(huì)話的角色。用于該角色的系統(tǒng)提示包括幾個(gè)關(guān)鍵內(nèi)容：

• 目的：您的職責(zé)是詢問(wèn)有關(guān)產(chǎn)品的問(wèn)題并收集像 Emily 這樣的個(gè)人客戶的見(jiàn)解。
• 模擬基礎(chǔ)：在開(kāi)始任務(wù)之前，先細(xì)分小組成員名單以及他們發(fā)言的順序，避免小組成員互相交談并產(chǎn)生確認(rèn)偏差。
• 結(jié)束模擬：對(duì)話結(jié)束且研究完成后，請(qǐng)?jiān)谙⒛┪布由稀癟ERMINATE”以結(jié)束研究會(huì)話，這是由generate_notice用于對(duì)齊各個(gè)代理的系統(tǒng)提示的功能生成的。您還會(huì)注意到，研究代理已設(shè)置is_termination_msg為遵守終止。

我們還添加了llm_config用于將其與語(yǔ)言模型配置（包括要使用的模型版本、鍵和超參數(shù)）綁定在一起的配置。我們將對(duì)所有代理使用相同的配置。

# 避免代理互相感謝并陷入循環(huán)

# 系統(tǒng)提示的輔助代理

def generate_notice ( role= “researcher” ):

# 針對(duì)所有人的基本通知，在此處添加您自己的附加提示

base_notice = (

‘\n\n’

)

# 針對(duì)非角色（經(jīng)理或研究員）的通知

non_persona_notice = (

‘不要在回復(fù)中表示感謝，只說(shuō)必要的話。 ‘

‘如果在對(duì)話中說(shuō)了“謝謝”或“不客氣”，則說(shuō) TERMINATE ‘

‘以表示對(duì)話已結(jié)束，這是您的最后一條消息。’

)

# 針對(duì)角色的自定義通知

persona_notice = (

‘在回復(fù)查詢、提供反饋、征求您的個(gè)人意見(jiàn) ‘

‘或參與討論時(shí)充當(dāng){role}。’

)

# 檢查角色是否為“研究員”

if role.lower() in [ “manager” , “researcher” ]:

# 返回完整的終止通知non-personas

return base_notice + non_persona_notice

else :

# 返回 personas 的修改通知

return base_notice + persona_notice。格式(role=role)

# 研究員代理定義

name = “研究員”

researcher = autogen.AssistantAgent(

name=name,

llm_config=llm_config,

system_message= “””研究員。您是擁有行為心理學(xué)博士學(xué)位的頂級(jí)產(chǎn)品研究員，過(guò)去 20 年來(lái)一直在研究和洞察行業(yè)工作，與頂級(jí)創(chuàng)意、媒體和商業(yè)咨詢公司合作。您的角色是詢問(wèn)有關(guān)產(chǎn)品的問(wèn)題，并從像 Emily 這樣的個(gè)人客戶那里收集見(jiàn)解。提出問(wèn)題以發(fā)現(xiàn)客戶的偏好、挑戰(zhàn)和反饋。在開(kāi)始任務(wù)之前，請(qǐng)分解小組成員名單和您希望他們發(fā)言的順序，避免小組成員互相交談并產(chǎn)生確認(rèn)偏差。如果會(huì)議在結(jié)束時(shí)終止，請(qǐng)以簡(jiǎn)潔明了的筆記（而不是在開(kāi)始時(shí)）提供研究結(jié)果的摘要。””” + generate_notice(),

is_termination_msg= lambda x: True if “TERMINATE” in x.get( “content” ) else False ,

)

定義我們的個(gè)人— 將其投入到研究中，借鑒前面的過(guò)程，我們可以使用角色的生成。我手動(dòng)調(diào)整了本文的提示，以刪除對(duì)用于此模擬的主要超市品牌的引用。

我還在每個(gè)系統(tǒng)提示的末尾添加了“在回答查詢、提供反饋或參與討論時(shí)扮演 Emilygenerate_notice?”風(fēng)格的提示，以確保合成角色繼續(xù)執(zhí)行由該功能生成的任務(wù)。

# Emily – 客戶角色

name = “Emily”

emily = autogen.AssistantAgent(

name=name,

llm_config=llm_config,

system_message= “””Emily。您是住在澳大利亞悉尼的一名 35 歲小學(xué)教師。您已婚，有兩個(gè)分別為 8 歲和 5 歲的孩子，年收入為 75,000 澳元。您性格內(nèi)向，責(zé)任心強(qiáng)，神經(jīng)質(zhì)程度低，喜歡例行公事。在超市購(gòu)物時(shí)，您更喜歡有機(jī)和本地采購(gòu)的農(nóng)產(chǎn)品。您重視便利性并使用在線購(gòu)物平臺(tái)。由于您工作和家庭承諾的時(shí)間有限，您尋求快速而營(yíng)養(yǎng)的膳食計(jì)劃解決方案。您的目標(biāo)是在預(yù)算范圍內(nèi)購(gòu)買高質(zhì)量的農(nóng)產(chǎn)品并尋找新的食譜靈感。您是經(jīng)常購(gòu)物者并使用忠誠(chéng)度計(jì)劃。您首選的溝通方式是電子郵件和移動(dòng)應(yīng)用程序通知。您在超市購(gòu)物已有 10 多年，但也會(huì)與其他人進(jìn)行價(jià)格比較。””” + generate_notice(name),

)

# John – 客戶角色

name= “John”

john = autogen.AssistantAgent(

name=name,

llm_config=llm_config,

system_message= “””John. 您是澳大利亞悉尼的一名 28 歲軟件開(kāi)發(fā)人員。您單身，年收入 100,000 澳元。您性格外向，精通技術(shù)，并且具有高度的開(kāi)放性。在超市購(gòu)物時(shí)，您主要購(gòu)買零食和即食食品，并使用移動(dòng)應(yīng)用程序快速取貨。您的主要目標(biāo)是快速便捷的購(gòu)物體驗(yàn)。您偶爾會(huì)在超市購(gòu)物，不屬于任何忠誠(chéng)度計(jì)劃。您還會(huì)在 Aldi 購(gòu)物以獲得折扣。您首選的溝通方式是應(yīng)用內(nèi)通知。””” + generate_notice(name),

)

# Sarah – 客戶角色

name= “Sarah”

sarah = autogen.AssistantAgent(

name=name,

llm_config=llm_config,

system_message= “””Sarah。您是一名 45 歲的自由記者，住在澳大利亞悉尼。您離異，沒(méi)有孩子，年收入 60,000 澳元。您性格內(nèi)向，神經(jīng)質(zhì)，非常注重健康。在超市購(gòu)物時(shí)，您會(huì)尋找有機(jī)農(nóng)產(chǎn)品、非轉(zhuǎn)基因和無(wú)麩質(zhì)食品。您的預(yù)算有限，并且有特定的飲食限制。您是?？筒⑹褂弥艺\(chéng)度計(jì)劃。您首選的溝通方式是電子郵件通訊。您只購(gòu)買雜貨。””” + generate_notice(name),

)

# Tim – 客戶角色

name= “Tim”

tim = autogen。助理代理（

名稱=名稱，

llm_config=llm_config，

system_message= “””Tim。您是居住在澳大利亞悉尼的 62 歲退休警察。您已婚，有三個(gè)孩子。您的年收入來(lái)自養(yǎng)老金，為 40,000 澳元。您非常認(rèn)真，開(kāi)放程度較低，喜歡循規(guī)蹈矩。您批量購(gòu)買面包、牛奶和罐頭食品等主食。由于行動(dòng)不便，您需要有人幫忙搬運(yùn)重物。您經(jīng)常購(gòu)物，并且是老年人折扣計(jì)劃的一部分。您首選的溝通方式是直接郵寄傳單。您在這里購(gòu)物已有 20 多年了。””” + generate_notice(name),

)

# Lisa – 客戶角色

name= “Lisa”

lisa = autogen.AssistantAgent(

name=name,

llm_config=llm_config,

system_message= “””Lisa。您是居住在澳大利亞悉尼的 21 歲大學(xué)生。您單身，從事兼職工作，收入為 1,000 澳元每年 20,000 美元。您性格外向，責(zé)任心不強(qiáng)，重視社交互動(dòng)。您在這里購(gòu)買流行品牌、零食和酒精飲料，主要是為了參加社交活動(dòng)。您的預(yù)算有限，總是在尋找促銷和折扣。您不是?？停信d趣加入忠誠(chéng)度計(jì)劃。您首選的溝通方式是社交媒體和短信。只要有促銷或促銷活動(dòng)，您就會(huì)去購(gòu)物。””” + generate_notice(name),

)

定義模擬環(huán)境和誰(shuí)可以發(fā)言的規(guī)則——我們?cè)试S所有已定義的代理坐在同一個(gè)模擬環(huán)境（群聊）中。我們可以創(chuàng)建更復(fù)雜的場(chǎng)景，在其中可以設(shè)置如何以及何時(shí)選擇和定義下一個(gè)發(fā)言者，因此我們?yōu)榕c群聊綁定的發(fā)言者選擇定義了一個(gè)簡(jiǎn)單的函數(shù)，這將使研究人員成為主導(dǎo)，并確保我們走遍整個(gè)房間，向每個(gè)人詢問(wèn)幾次他們的想法。

# def custom_speaker_selection(last_speaker, group_chat):

# “””

# 自定義函數(shù)，用于選擇群聊中接下來(lái)發(fā)言的代理。

# “””

# # 不包括最后一位發(fā)言者的代理列表

# next_candidates = [agent for agent in group_chat.agents if agent.name != last_speaker.name]

# # 根據(jù)自定義邏輯選擇下一個(gè)代理

# # 為簡(jiǎn)單起見(jiàn)，我們只是在這里輪換候選人

# next_speaker = next_candidates[0] if next_candidates else None

# return next_speaker

def custom_speaker_selection(last_speaker: Optional[Agent], group_chat: GroupChat) -> Optional[Agent]:

“” ”

自定義函數(shù)，確保研究人員與每個(gè)參與者互動(dòng) 2-3 次。

在研究人員和參與者之間交替，跟蹤互動(dòng)。

” “”

# 定義參與者并初始化或更新他們的互動(dòng)計(jì)數(shù)器（

如果 沒(méi)有） hasattr(group_chat, ‘interaction_counters’ ):

group_chat.interaction_counters = {agent.name: 0 for agent in group_chat.agents if agent.name != “Researcher” }

# 定義每個(gè)參與者的最大互動(dòng)次數(shù)

max_interactions = 6

# 如果最后一位發(fā)言者是研究員，則找出發(fā)言最少的下一個(gè)參與者

if last_speaker and last_speaker.name == “Researcher” :

next_participant = min(group_chat.interaction_counters, key=group_chat.interaction_counters.get)

if group_chat.interaction_counters[next_participant] < max_interactions:

group_chat.interaction_counters[next_participant] += 1

return next ((agent for agent in group_chat.agents if agent.name == next_participant), None)

else :

return None # 結(jié)束如果所有參與者都達(dá)到了最大互動(dòng)次數(shù)，則對(duì)話

否則：

# 如果最后一位發(fā)言者是參與者，則返回下一輪的研究員

return next ((agent for agent in group_chat.agents if agent.name == “Researcher” ), None)

# 將研究員和客戶角色代理添加到群聊

groupchat = autogen.GroupChat(

agent=[researcher, emily, john, sarah, tim, lisa],

Speaker_selection_method = custom_speaker_selection,

messages=[],

max_round=30

)

定義經(jīng)理來(lái)傳遞指令并管理我們的模擬— 當(dāng)我們開(kāi)始工作時(shí)，我們只會(huì)與經(jīng)理交談，經(jīng)理將與研究人員和小組成員交談。這使用GroupChatManagerAutogen 中的一種東西。

# 初始化管理器

manager = autogen.GroupChatManager(

groupchat=groupchat,

llm_config=llm_config,

system_message= “您是研究經(jīng)理代理，可以管理由研究人員代理和由小組組成的許多人組成的多個(gè)代理的群聊。您將限制小組成員之間的討論，并幫助研究人員提出問(wèn)題。請(qǐng)先詢問(wèn)研究人員他們希望如何進(jìn)行小組討論。” + generate_notice(),

is_termination_msg= lambda x: True if “TERMINATE” in x.get( “content” ) else False ,

)

我們?cè)O(shè)置了人機(jī)交互— 允許我們將指令傳遞給我們已啟動(dòng)的各個(gè)代理。我們給它初始提示，然后就可以開(kāi)始工作了。

# 創(chuàng)建一個(gè)名為“user_proxy”的 UserProxyAgent 實(shí)例

user_proxy = autogen.UserProxyAgent(

name= “user_proxy” ,

code_execution_config={ “last_n_messages” : 2 , “work_dir” : “groupchat” },

system_message= “A human admin.” ,

human_input_mode= “TERMINATE”

)

# 通過(guò)向經(jīng)理發(fā)出指示來(lái)開(kāi)始研究模擬

# 經(jīng)理 <-> 研究員 <-> 小組成員

user_proxy.initiate_chat(

經(jīng)理，

消息 = “”

收集超市雜貨配送服務(wù)的客戶見(jiàn)解。從不同的客戶角色中識(shí)別痛點(diǎn)、偏好和改進(jìn)建議。在與小組分享更多信息和討論之前，請(qǐng)大家給出自己的個(gè)人意見(jiàn)。作為研究員，您的工作是確保從參與者那里收集公正的信息，并將本次研究的結(jié)果摘要提供給超市品牌。

“””，

)

一旦我們運(yùn)行上述程序，我們就會(huì)在你的 Python 環(huán)境中獲得實(shí)時(shí)可用的輸出，你會(huì)看到消息在各個(gè)代理之間傳遞。

實(shí)時(shí) Python 輸出——我們的研究人員與小組成員的交談

創(chuàng)建可操作的結(jié)果 — 摘要代理

現(xiàn)在我們的模擬研究已經(jīng)結(jié)束，我們希望獲得更多可操作的見(jiàn)解。我們可以創(chuàng)建一個(gè)摘要代理來(lái)支持我們完成這項(xiàng)任務(wù)，并在問(wèn)答場(chǎng)景中使用它。這里要小心的是，非常大的轉(zhuǎn)錄本需要一個(gè)支持更大輸入（上下文窗口）的語(yǔ)言模型。

我們需要抓取之前模擬小組討論中的所有對(duì)話，作為用戶提示（輸入）發(fā)送給我們的摘要代理。

# 獲取群聊中對(duì)用戶提示

消息的響應(yīng) = [msg[ “content” ] for msg in groupchat.messages]

user_prompt = “這是研究 “`{customer_insights}“` 的記錄。格式(customer_insights= “\n>>>\n” .join(messages))

讓我們?yōu)檎碇谱飨到y(tǒng)提示（說(shuō)明）——該代理將專注于根據(jù)之前的成績(jī)單為我們創(chuàng)建量身定制的成績(jī)單，并為我們提供明確的建議和行動(dòng)。

# 為摘要代理生成系統(tǒng)提示

summary_prompt = “””

您是行為科學(xué)方面的專家研究員，負(fù)責(zé)總結(jié)研究小組。請(qǐng)?zhí)峁┲饕l(fā)現(xiàn)的結(jié)構(gòu)化摘要，包括痛點(diǎn)、偏好和改進(jìn)建議。

其格式應(yīng)基于以下格式：

“`

研究研究：<<標(biāo)題>>

主題：

<<主題和編號(hào)概述，任何其他關(guān)鍵信息>>

摘要：

<<研究摘要，包括詳細(xì)分析作為導(dǎo)出>>

痛點(diǎn)：

– <<痛點(diǎn)列表 – 盡可能清晰和規(guī)范。我期望詳細(xì)的回應(yīng)，品牌可以直接使用它來(lái)做出改變。每個(gè)痛點(diǎn)給出一個(gè)簡(jiǎn)短的段落。>>

建議/行動(dòng)：

– <<廣告列表 – 盡可能清晰和規(guī)范。我期望詳細(xì)的回應(yīng)，品牌可以直接使用它來(lái)做出改變。每個(gè)建議給出一個(gè)簡(jiǎn)短的段落。>>

“`

“””

定義摘要代理及其環(huán)境— 讓我們?yōu)檎韯?chuàng)建一個(gè)迷你環(huán)境。這將需要它自己的代理（環(huán)境）和啟動(dòng)命令，該命令將拉取轉(zhuǎn)錄本（user_prompt）作為輸入。

summary_agent = autogen.AssistantAgent（

name = “SummaryAgent”，

llm_config = llm_config，

system_message = summary_prompt + generate_notice（），

）
summary_proxy = autogen.UserProxyAgent（

name = “summary_proxy”，

code_execution_config = { “l(fā)ast_n_messages”：2，“work_dir”：“groupchat” }，

system_message = “人類管理員。”，

human_input_mode = “終止”

）
summary_proxy.initiate_chat（

summary_agent，

message = user_prompt，

）

這為我們提供了以 Markdown 格式的報(bào)告卡形式的輸出，同時(shí)還能夠根據(jù)調(diào)查結(jié)果在問(wèn)答式聊天機(jī)器人中提出進(jìn)一步的問(wèn)題。

下一步 — 我們還能做什么

這次練習(xí)是更大的自主代理架構(gòu)的一部分，也是我對(duì)新型生成式人工智能和代理架構(gòu)進(jìn)行的一系列實(shí)驗(yàn)的一部分。但是，如果你想繼續(xù)擴(kuò)展這項(xiàng)工作和我探索過(guò)的一些領(lǐng)域，這里有一些想法：

• 進(jìn)一步奠定基礎(chǔ)——通過(guò)與人口普查數(shù)據(jù)、內(nèi)部 CRM 數(shù)據(jù)甚至實(shí)時(shí)客戶記錄的聯(lián)系來(lái)創(chuàng)建更具代表性的人物樣本。
• 結(jié)合多模態(tài)——我們現(xiàn)在可以在生成人工智能上將模態(tài)與視覺(jué)輸入相結(jié)合，這使得現(xiàn)在可以提供營(yíng)銷材料和網(wǎng)站截圖等作為輸入，以開(kāi)始使用視覺(jué)刺激進(jìn)行模擬。
• 讓代理訪問(wèn)工具— 提供對(duì)其他 API 和工具的訪問(wèn)權(quán)限，您可以創(chuàng)建一些獨(dú)特的體驗(yàn)，例如將個(gè)人客戶角色代理集成到您的公司 Slack、Teams、Miro 中以標(biāo)記和回答問(wèn)題。也許最后的摘要代理可以將一些用戶故事加載到您的票務(wù)系統(tǒng)中，例如 JIRA？

與我一起塑造用戶研究的未來(lái)。在 GitHub 上探索該項(xiàng)目，貢獻(xiàn)你的見(jiàn)解，讓我們一起創(chuàng)新

用戶研究的未來(lái)

綜合用戶研究是該領(lǐng)域創(chuàng)新的前沿，融合了技術(shù)復(fù)雜性和實(shí)用效率。它與傳統(tǒng)方法有很大不同，為獲取消費(fèi)者洞察提供了一個(gè)可控但高度現(xiàn)實(shí)的環(huán)境。這種方法并非旨在取代傳統(tǒng)研究，而是旨在增強(qiáng)和加速發(fā)現(xiàn)深度客戶洞察。

通過(guò)逐步引入自主代理、數(shù)字角色和代理框架的概念，這種改進(jìn)的綜合用戶研究方法有望使該領(lǐng)域更容易理解。它邀請(qǐng)研究人員和從業(yè)者探索這些創(chuàng)新工具在塑造用戶研究未來(lái)方面的潛力。