关于 / PersonaSignal
起点
PersonaSignal，是从一个很实际的运营问题开始的。
多年跨境电商和独立站运营中，一个问题慢慢变得越来越重要：当消费者开始直接向 ChatGPT、Gemini 这类 AI 描述需求、比较产品时，AI 会把谁放进推荐结果？
越来越多消费者开始用自然语言提问、比较和筛选产品。PersonaSignal 想研究的，是这段选择过程里真正可观察的推荐行为。
最开始的问题
最开始，我也只是想知道：
AI 怎么看这个品牌？
早期研究从真实消费品场景和匿名历史研究案例开始。目标不是证明一段职业经历，而是弄清一个反复出现的运营疑问。
- 01
AI 知不知道它？
- 02
AI 会怎么描述它？
- 03
AI 会不会提到它？
- 04
产品信息有哪些地方值得补充？
但慢慢会发现，
只研究“AI 怎么看品牌”，
好像还解释不了推荐。
消费者并不会总是先把品牌名字告诉 AI。他们更常说的是：
- “我是什么情况”
- “我想解决什么”
- “预算多少”
- “有什么不能接受”
- “哪个更适合我”
一个直觉
个人观察 / 研究假设的起点
我后来慢慢有一种很强的感觉：
AI 好像会给每个人
“贴标签”。
有时候我会看身边的朋友怎么用 AI。我们也试过问很接近、甚至差不多的问题。
但很有意思的是：AI 给我们的产品和建议，有时候就是不一样。
那时候我就在想，会不会在长期对话、提问和表达偏好的过程中，它已经慢慢形成了一个“你大概是什么样的人”的判断？
边界我不知道模型内部到底是不是这样工作的，这更像是我当时冒出来的一个猜测。
视角转变
研究 AI 推荐，不能只盯着品牌。得先看“谁在问”。
如果不同的人、需求、情境和限制条件会带来不同的产品推荐，那么一个有用的实验就不该只问：
“AI 怎么看我的品牌？”
它还需要继续问：
什么样的人，
在什么样的情境下，
会让 AI 推荐什么样的产品？
- 谁
- 不同的人
- 需求
- 不同的需求
- 情境
- 不同的情境
- 限制
- 不同的限制
Persona 的出现
于是，我开始模拟“人”。
最开始只是少量 Persona。随着实验推进，情境逐渐扩展到几十个、100 个，再形成数百次结构化运行。重点不是堆数量，而是让“谁在问”变得可以被设计、比较和复核。
先把一个具体购物问题描述完整。
系统改变人物、任务、偏好与限制。
比较条件、模型与可观察推荐状态。
- 生活阶段
- 使用情境
- 购买目标
- 预算
- 偏好
- 限制条件
- 风险容忍度
- 必须满足的标准
- 01
消费者
人
谁在做决定 - 02
场景 / 任务
情境 / 任务
正在完成什么 - 03
完整需求
完整需求
真正需要什么 - 04
筛选标准
筛选条件
如何排除和比较 - 05
产品匹配
产品匹配
哪些选择符合条件 - 06
AI 推荐结果
AI 推荐
最终出现什么结果
测试设计框架我们不是在声称 AI 内部一定按照这六步“思考”，而是用这套结构去设计外部、可重复的推荐测试。
名字的来由
PersonaSignal 这个名字，
也来自这套思路。
先看 Persona 发出了什么样的需求信号，再观察 AI 如何把这些信号映射到品牌和产品。
谁在问
发出了什么需求信号
AI 如何映射到品牌与产品
“AI 怎么看一个品牌？”
“不同的人，在不同情境下，AI 会把什么产品放进推荐？”
今天怎么做
今天，PersonaSignal 把这个问题
变成结构化研究。
研究能力可以覆盖不同方向，但每个项目只使用与问题有关、能够被清楚定义和复核的条件。能力可以广，公开结论必须精确。
- 01
自然推荐
Blind / Natural - 02
品牌理解
Brand-informed - 03
产品适配
Product Fit - 04
竞品替代
Substitution - 05
重复运行
Repeated Runs - 06
模型比较
GPT / Gemini - 07
搜索条件
Search / Grounding - 08
来源观察
Source Review
四项研究原则
把直觉变成可以被检查的研究。
- 01
先设计，再放大
先定义 Persona、场景、需求和测试条件，再扩大运行数量。
- 02
不只看一次回答
单个 Prompt 容易受到措辞和随机性的影响。更重要的是重复运行、不同情境、条件与模型之间发生了什么。
- 03
把不同状态分开
Mention ≠ Recommendation ≠ First Choice；Fit 也不等于 Recommendation Rate。
- 04
公开结论需要人工复核
自动化扩大实验规模；证据映射、指标解释、边界判断和公开结论需要 Human Review。
定位边界
我们把正在做的事说清楚，
也把不做的事留在边界外。
PersonaSignal 是
- Persona-first AI 推荐研究
- 品牌 / 品类 / 竞品诊断
- 结构化消费者情境测试
- GPT / Gemini 等模型比较
- 可追溯的书面研究结果
- 研究产品 + 诊断服务
PersonaSignal 不是
- 问一次 Prompt 就下结论
- 保证 AI 排名的服务
- 传统 SEO / GEO 代运营
- 对模型隐藏思维过程的猜测
- 保证推荐、流量或销售增长的服务
首批研究阶段
首批研究 / 客户验证
PersonaSignal 还很早。
但它不是从一张商业计划书开始的。
它先从真实运营问题、真实实验和真实数据开始。现在正在做的，是把已经运行过的方法、证据管理和交付流程，整理成更稳定的研究产品。
现阶段重点：
- 持续运行真实研究
- 完善测试设计
- 增强证据可追溯性
- 与早期品牌验证最有决策价值的研究问题
继续了解
从故事回到研究，
继续看 PersonaSignal 如何工作。
此页面尚未开放。