OpenClaw 有价值应用(2026-07-09):多Agent定性研究合成流——把零散访谈变成决策级洞察

场景痛点

用户访谈、焦点小组、问卷开放式回答……定性材料散落、耗时整理、结论靠直觉。如何把零散文本变成结构化决策级洞察?

解决方案:多Agent定性研究合成流水线

把「人工逐份阅读→凭感觉总结」升级为:录音→转写→编码→主题聚类→洞察提炼→报告,全自动。


场景演示

案例:用OpenClaw多Agent分析20份用户访谈

某产品团队完成20份30分钟用户访谈,原始录音约10小时。传统方式:研究员花2天整理,现在:

  1. 转录Agent 批量调用 Whisper 将音频转文字
  2. 编码Agent 自动识别「需求点/痛点/建议/情绪词」
  3. 聚类Agent 将相似编码归并为若干主题簇
  4. 洞察提炼Agent 为每个主题簇生成一句话洞察 + 原始引用
  5. 报告生成Agent 输出结构化报告,含优先级评分

整个流水线耗时约40分钟,输出可直接进入产品决策流程。


Step by Step

Step 0:准备工作——建立飞书Bitable记录表

在飞书多维表格中创建两张表:

访谈记录表

字段类型说明
访谈ID单行文本唯一编号
受访者单行文本匿名化名
访谈日期日期
原始文本多行文本Whisper转录结果
状态单选待处理/已完成/已归档

洞察输出表

字段类型说明
主题簇单行文本聚类名称
核心洞察多行文本一句话总结
原始引用多行文本原文摘录
出现频次数字提及次数
优先级单选P0/P1/P2
建议行动多行文本对应产品建议

Step 1:安装依赖技能

确保以下skills已启用:

  • openai-whisper — 音频转文字
  • feishu-bitable — 读写飞书多维表格
  • minimax-multimodal-toolkit — 文本分析与聚类

Step 2:编写提示词

#### 2.1 转录提示词(Whisper)


请将以下音频内容完整转录为文字,保留说话人标记(如[受访者A]),
标点完整,分段清晰。若有语气停顿用...标注。
音频内容:
{AUDIO_CONTENT}

#### 2.2 编码分析提示词


你是一名定性研究员。请对以下访谈文本进行开放式编码:

1. 标注「需求点」:用户明确表达的需求或期望
2. 标注「痛点」:用户遇到的困难、不满或障碍
3. 标注「建议」:用户主动提出的改进建议
4. 标注「情绪词」:表达情感倾向的关键词(正面/负面/中性)

输出格式:
【需求点】
- ...

【痛点】
- ...

【建议】
- ...

【情绪词】
- ...

原始文本:
{TEXT}

#### 2.3 聚类提示词


你是一名用户研究员。请将以下编码条目聚类为3-6个主题簇,
每个簇给出一个主题名称和一句话描述。

编码条目:
{CODED_ITEMS}

输出格式(JSON):
{
  "clusters": [
    {
      "theme": "主题名称",
      "summary": "一句话描述",
      "items": ["条目1", "条目2"]
    }
  ]
}

#### 2.4 洞察提炼提示词


你是一名高级洞察分析师。请为以下每个主题簇:
1. 提炼一句核心洞察(不超过30字)
2. 选2条最有代表性的原始引用
3. 给出优先级判断(P0=必须解决,P1=重要,P2=可延后)
4. 提出一条可落地的产品行动建议

主题簇:
{CLUSTER_DATA}

输出格式(JSON):
{
  "insights": [
    {
      "theme": "...",
      "insight": "...",
      "quotes": ["...", "..."],
      "priority": "P0",
      "action": "..."
    }
  ]
}

Step 3:编排流水线

建议使用 sessions_spawn 并行执行:


Phase 1:并行转录(20个访谈 → 20份文本)
Phase 2:并行编码(20份文本 → 20份编码结果)
Phase 3:汇总所有编码 → 聚类Agent统一聚类
Phase 4:洞察提炼 → 输出报告
Phase 5:写入飞书Bitable → 自动通知相关人

Step 4:执行与监控

通过 cron 定时任务每天检查「访谈记录表」中「待处理」记录,

触发流水线执行,完成后更新状态为「已完成」。


使用的Skills

Skill用途
openai-whisper音频转文字
feishu-bitable访谈记录写入/读取
minimax-multimodal-toolkit文本语义分析与聚类
summarize长文本摘要压缩

价值与注意事项

核心价值

  • 效率飞跃:10小时访谈整理从2天→40分钟
  • 系统性:编码一致性与聚类标准化,避免人工主观偏移
  • 可追溯:原始引用保留,结论有据可查
  • 实时流转:cron驱动,接入新访谈自动触发

注意事项

  • 受访者隐私:转录文本需脱敏处理后再传入流水线
  • 编码质量:复杂语境下的讽刺、反讽AI可能误判,需人工抽查
  • 主题数量:聚类数量不宜过多(3-6个最佳),过多说明编码粒度太细
  • 数据量阈值:少于5份访谈不适合此流水线,人工直接看更高效
  • 结果验证:最终报告建议由研究员快速复核,避免AI幻觉

总结:定性研究从来不是「做不做」的问题,而是「能不能规模化」的问题。多Agent流水线把这一环从艺术变成工程,让洞察从稀缺资源变成可批量生产的决策原料。

评论