跳到正文
Kwei 个人主页作品集 project library
跳到正文

AI focus group

担任职务研究设计、原型开发与主题分析

项目背景

AI focus group 是一次将多模型协作引入定性研究的早期探索。项目以 LINELESS 科技广告研究为情境，围绕受众的感知、情感参与与品牌信任，尝试将半结构化焦点小组转化为可操作的 AI 讨论实验。

架构设计

系统按“会前配置—会中讨论—分析导出”组织。人物设定与研究提纲独立配置，不同模型通过 API 接入同一会话，依据本题历史依次回应。选题、发言顺序与追问由研究者控制，外部检索按需补充。

模型选型包括 GPT-4o mini、豆包 Seed 1.6 Thinking（250715）、DeepSeek Chat（deepseek-chat）、Moonshot V1 8K、Qwen3-Max 与 Gemini 2.5 Flash，通过统一的 API 调用层接入讨论。

讨论逐轮留存为逐字稿，会后可触发 OpenAI 与 DeepSeek 分别开放编码，合并结果并导出研究资料，供后续整理与分析。

  1. Persona：让身份有依据，也能延续

    每位参与者都有独立的 Persona，包含生活背景、职业、消费习惯、价值观与表达风格，并与模型固定绑定。通过画像差异检查拉开角色视角；每轮重新带入身份和本题近期对话，用于维持身份连续性，也让角色能回应他人，而非反复复述自己的标签。

  2. 外部检索：补充共同背景与个体线索

    问题级搜索提供共同背景，角色再依据人设和已有对话提出关键词，由主持人选择平台、确认查询。原型通过 Tavily API，以及小红书、数英、IT 之家的平台抓取接入材料；参考不足时可追加搜索，让后续发言获得新的信息。

  3. UGC 蒸馏：保留线索，控制筛选

    早期方案考虑由本地 DeepSeek 将平台内容提炼为舆情摘要。后续实现选择保留小红书搜索卡片标题，去重、剔除过短内容，最多保留 20 条，减少过度筛选造成的线索损失。整理结果与来源文件一并保存，再交给参与者模型形成回答。

项目推进

早期开发以 ChatGPT 对话为起点：把功能需求拆成具体问题，让 AI 协助生成代码，再手动复制到 PyCharm CE 的对应文件中运行、检查和修改。Python、API 与 JSON 的逻辑，也是在这些往返中逐步学会的。开发先打通提问、发言与记录，再补入检索和分析模块。

搭建时的工作界面。

原型是一个终端工具。实验时，我先选择提纲中的问题，用 s P4 点名角色发言，并确认需要检索的平台与关键词。模型回应后，再用 f P4 加入追问，引导它补充具体案例或解释判断；程序同步保存回答、追问和参考材料，形成可回看的讨论记录。

项目结果

项目完成了可运行的多模型讨论原型。在研究分析部分，我使用 ATLAS.ti 进行编码与主题归纳，完成主题审查、命名和报告撰写。最终报告于 2025 年 12 月 14 日完成，形成 3 个研究目标下的 9 个主题、27 个子主题。

研究进一步凝练出 Calm Intelligence 概念框架，将主题分析转化为品牌表达建议：清晰克制的视觉、贴近日常的叙事，以及一致而真诚的沟通。

分析与展望

这段实践让我更清楚地理解了模型、程序与研究之间的关系：程序组织讨论，模型提供回应，而主题如何成立，仍要回到材料与研究者的判断。

研究结束后，我曾考虑将原型延伸为舆论预测工具，后续未继续开发。如今，合成受众与群体反应预测已有一批产品，下面列出其中几项相近方向。