顶尖高手出品！如何用AI快速完成用户研究设计？

2025 年 6 月，我受邀在伦敦大学城市学院圣乔治分校的人机交互设计中心（HCID）会议上发言。（图片来源：海伦娜・利姆）

简而言之：今年 AI 主导了用户体验（UX）领域。在本文中，我会解释原因，并介绍我将 AI 用于用户体验研究的最新方法，重点讲讲 ChatGPT 的深度研究功能如何大幅加快定性研究分析。

更多AI干货：

2025 年 8 月 ChatGPT 5 中深度研究功能的位置

十个月前，我在 Medium 上发表了关于 AI 在用户体验领域应用的文章，没想到成了 “爆款”，阅读量达数千次，远超博客上的其他文章。但在生成式 AI 领域，十个月就像过了很久，变化太快，那篇文章有些内容已经过时了。

后来，我的母校 —— 伦敦大学城市学院圣乔治分校的人机交互设计系联系我，邀请我在他们的年会上发言，我欣然接受了这个机会，想重新探讨这个话题，尤其是得知老教授说他们联系我部分原因是那篇文章很受欢迎之后。

以下是我对 AI 在用户体验领域应用的新见解，这是为 2025 年更新的内容，也包含了我在 2025 年人机交互设计中心（HCID）会议上的发言内容（我觉得讲得还挺不错的）。

一、终于成真——2025年，AI彻底接管了 UX

AI 会取代你的工作吗？这是我在 2025 年人机交互设计中心会议演讲中的一张幻灯片。（图片来源：Tania Ostanina）

2024 年初，我刚开始在工作中使用 AI 时，感觉自己就像一个勇敢的探险家，闯入了一片陌生的领域。诚然，AI 已经存在有一段时间了，我们大多数人都曾在家里用它来生成一些家常菜食谱或粗制滥造的视觉内容。但我们中很少有人有机会让 AI 真正重塑自己的工作，这主要是因为存在 “AI 会吞噬任何输入数据” 的数据隐私问题，以及由此导致的对在工作中使用 AI 的严格禁令。

数据隐私问题。这是我在 2025 年人机交互设计中心会议演讲中的一张幻灯片。（图片来源：Tania Ostanina）

但 2024 年是私有 AI 的开端。最终，像 OpenAI 和 Anthropic 这样的供应商对其大语言模型（LLMs）进行了 “隔离”，以确保数据无泄露风险，这也为像我们这样的机构开启了以订阅方式使用私有 AI 的大门。

时间来到 2025 年，尼尔森诺曼集团的一项研究表明，用户体验（UX）专业人员是使用 AI 最为频繁的群体之一。该研究揭示的一个关键数据显示，如今普通的 UX 从业者使用大语言模型的频率，比其他抽样职业高出惊人的 750 倍！

二、为什么 UX 从业者如此喜爱 AI？

你有一把锤子，但并非看到的所有东西都是钉子。从在学习作业中作弊（说真的，正在读这篇文章的人机交互设计 / 用户体验专业的学生们，要是你们尝试过让 AI 生成用户访谈记录，赶紧收手吧），到有个倒霉的乐迷惹恼尼克・凯夫（Nick Cave）—— 给他发了一首 ChatGPT 生成的 “尼克・凯夫风格” 的歌，有很多情况都表明使用 AI 并非明智之举。

正如尼克・凯夫（Nick Cave）所说，生成式 AI（GenAI）并非在所有方面都出色。这是我在 2025 年人机交互设计中心会议演讲中的一张幻灯片。（图片来源：Tania Ostanina）

媒体热衷于渲染此类故事，久而久之，这就在时代精神中营造出一种普遍 “感觉”，仿佛无论在什么应用场景下，AI 都一无是处或有害无益。

但我不这么认为。

用户体验（UX）与生成式 AI 很契合。这是我在 2025 年人机交互设计中心会议演讲中的一张幻灯片。（图片来源：Tania Ostanina）

因为我们能用这把锤子钉一些钉子。生成式 AI 的局限性与能力，和特定类型用户体验研究的局限与需求很匹配。具体来说：

1. 生成式 AI 擅长总结文本数据，而用户体验研究恰恰会产生大量文本数据。
2. 生成式 AI 必然会出现 “幻觉”（生成虚假信息）现象，而传统用户体验研究通常能应对一定程度的 “模糊性”。（但如果你的工作涉及高度精确的领域，禁止使用 AI 是明智的。）
3. 生成式 AI 本质上只能生成衍生性的输出，而用户体验从业者很少创造出完全原创的成果。相反，我们的优势在于对现有内容进行调整。

各位，这就是用户体验从业者喜爱 AI 的原因。它与我们的工作很匹配，对我们来说是真正有用的工具。除了（如今基本已解决的）数据隐私限制外，行业内对于使用 AI 并无争议。只要研究报告写得好，提供了所需数据，没人会在意它是否由 AI 生成。

不过，关于 AI 的伦理问题绝对应该有更多争议。就我而言，我很困惑用户体验行业对此讨论得如此之少，我会继续强调 AI 技术过去和现在存在的伦理缺陷，以引发更多关注。

关键内容

ChatGPT 企业版深度研究功能的截图

言归正传，说说具体做法。

我给大家举个用户体验研究的真实例子，在最近一个项目里，我用 AI 分析了用户数据。所有识别性信息都已匿名处理。

我用的是 ChatGPT 企业版，也就是经过 “隔离” 的私有版本，具备最新的深度研究功能。这是 OpenAI 在 2025 年 2 月推出的一款专门的 AI “智能体”，号称 “非常适合从事高强度知识工作的人”。

深度研究功能与传统模型的对比。这是我在 2025 年人机交互设计中心会议演讲中的一张幻灯片。（图片来源：Tania Ostanina）

要是你没办法使用企业版，花 20 美元订阅 ChatGPT Plus 也能用上深度研究功能（不过据我所知，这样你的数据不会经过 “隔离” 处理）。

我 2025 年的方法和之前一样，都从这三个步骤开始：

该方法。这是我在 2025 年人机交互设计中心会议演讲中的一张幻灯片。（图片来源：Tania Ostanina）

1. 输入：提供素材。如今你能提供给它的 “素材” 种类大大增加了：庞大的数据集、JSON 文件、截图、网页链接、PDF 文件等等。ChatGPT 企业版在读取 PNG 格式文件方面特别出色，能轻松识别截图中的文字。
2. 指令：告诉它要做什么。这依然遵循我在原文章中提到的提示词框架规则。
3. 获取：从它那里得到所需信息，并按需使用，比如为你所在机构的高层领导撰写报告。

步骤 1：输入

深度研究功能的优势在于，它能够处理大量数据，且比大多数传统模型（如 4o、Claude 3.7 Sonnet 等）具有更高的准确性。据我发现，你不仅可以向它输入诸如访谈记录、原型截图之类的文档，还能指定让它以某一份特定文档为依据，使该文档主导模型的思考与分析方向。

在我的案例研究中，这份文档就是讨论指南 / 研究计划。

讨论指南 / 研究计划的重要性。这是我在 2025 年人机交互设计中心会议演讲中的一张幻灯片。（图片来源：Tania Ostanina）

讨论指南通常由用户体验从业者与产品经理共同制定，一般包含以下内容：

1. 研究背景：这是个怎样的研究项目？针对什么产品开展？为什么要做这项研究？
2. 研究目标与假设：通过这项研究，你试图证明或证伪什么？
3. 访谈参与者 / 用户信息：他们是谁？招募标准是什么？如果（像我的案例中那样）他们是某个特定细分领域的专业人士，那具体是什么领域？

访谈结构，包括访谈主题与所提问题类型，所有这些都与研究目标和假设相关联。

步骤 2：指令

好了，你已经把访谈记录、截图和讨论指南输入给模型了。那要怎么告诉模型该怎么处理这些内容呢？

无需冗长对话

深度研究功能与传统模型的一个关键区别在于，深度研究功能无需大量来回沟通。相反，你一次性说明要求，在回答几个澄清问题后，模型就会开始 “执行任务”，根据你的指令生成一份详尽的报告。你只有一次输入提示词的机会，所以必须确保提示词能切中要点。

提示词框架。这是我在 2025 年人机交互设计中心会议演讲中的一张幻灯片。（图片来源：Tania Ostanina）

不过，某些提示词 “卡片” 的重要程度相比其他有所变化。目前以下这些 “卡片” 最为有用：

提示词卡片：设定场景

“设定场景” 提示词卡片。（图片来源：Tania Ostanina）

解释研究目的、针对的公司与产品、用户是谁，以及模型将会接收哪些文档；如果有关键文档（在此例中即讨论指南），要以其为依据进行设定。

提示词卡片：用户角色

“用户角色” 提示词卡片。（图片来源：Tania Ostanina）

描述你希望模型扮演的角色，例如 “就职于一家科技公司（X 公司）的全球顶尖用户体验研究员，该公司为英国的 [某职业] 提供数字信息与分析产品”。

提示词卡片应用示例。这是我在 2025 年人机交互设计中心会议演讲中的一张幻灯片。（图片来源：Tania Ostanina）

提示词卡片：模板

“模板” 提示词卡片。（图片来源：Tania Ostanina）

告诉 AI 如何组织输出内容，这仍是一项关键技巧。你可以让它依照讨论指南的结构（如果适用的话），或者给它一个包含所有标题的示例模板。

提示词卡片应用示例。这是我在 2025 年人机交互设计中心会议演讲中的一张幻灯片。（图片来源：Tania Ostanina）

提示词卡片：思维链

“思维链” 提示词卡片。（图片来源：Tania Ostanina）

如今，这项极为有用的技巧被 AI 提示词工程师广泛运用。简单来说，如果你让 AI 解释得出某个特定结论的原因，其结论的准确性就会提高。

提示词卡片：百搭卡（新增）

“百搭卡” 提示词卡片。（图片来源：Tania Ostanina）

这是一位同事想出来的。在我们公司的许多用户研究中，包括这个例子，我们对想从用户那里了解的内容已有预设结构。但要是用户说了些我们没预料到的东西呢？如果你不要求模型去发现这些意外情况，它就不会去做。你自己本就该留意这些异常，但为何不让模型也思考一下呢？

提示词卡片应用示例。这是我在 2025 年人机交互设计中心会议演讲中的一张幻灯片。（图片来源：Tania Ostanina）

这让我想起 OpenAI 那个特别搞笑又有点诡异的视频：两个兼具视觉与语音功能的 AI 助手，与一位人类主持人对话时，有个人在主持人身后比出兔耳朵的手势。这俩 AI 助手完全无视这个兔耳朵手势，直到被明确提醒才注意到。

OpenAI 的 “兔耳朵” 视频。（图片来源：OpenAI）

步骤 3：收获成果

输入提示词和相关文档后，选择 “深度研究” 并点击 “提交” 按钮，然后不妨给自己倒杯咖啡。AI 生成所需报告的时间，取决于 “任务” 的复杂程度，最长可能需要一小时。在我的案例研究中，这一步大约耗时 30 分钟。

在等待 “深度研究” 生成报告时，不妨去喝杯咖啡。这是我 2025 年演讲中的一张幻灯片。（图片来源：Tania Ostanina）

不错，报告生成了，长达 50 页！但这也是整个流程里最无趣的部分：

逐字逐句仔细检查！

虽说 “深度研究” 的准确率比大多数模型都高，但离 100% 还差得远，而且它生成的错误内容看起来可能极具说服力。所以，千万别轻信。直至今日，AI 依旧像个热情但经验不足的助手，其成果必须经过核查。只有你，作为整个流程中的专业人员，才具备专业知识和解读能力，能够真正理解用户访谈中发生的情况，否决 AI 的错误结论，并且发现即便你用了 “百搭卡” 提示，AI 仍可能遗漏的任何 “兔耳朵”（意外情况）。

“深度研究” 有个贴心的功能，就是在右侧面板你能看到它得出结论所采取的步骤。这里可能出现最离奇的错误内容，看着还挺逗。我注意到，由于 “深度研究” 功能本身已内置 “思维链” 流程，这类错误内容很少会出现在最终报告里。

离奇的错误内容：“塔斯马尼亚的三文鱼养殖”。这是我 2025 年演讲中的一张幻灯片。（图片来源：Tania Ostanina）

重要提示：由于 “深度研究” 一次仅允许执行一项任务，而非来回对话模式，所以你无法在与 AI 交流时进行修正。得用传统方法，将报告下载到 Word 文档里修改。

完成修正后，你可以把 Word 报告重新上传到 ChatGPT，让它将这 50 页内容浓缩成简洁的、类似 PPT 风格的展示文稿。这是最容易的一步：只需对常规 AI 模型（如 4o、o3 等）运用 “模板” 提示技巧就行。

关于用户原话引用的说明

以我的经验，常规 AI 模型从访谈记录中提取用户原话的能力很差，它们往往选择意译。相信我，我什么方法都试过了！相比之下，“深度研究” 的引用会直接标注原始材料来源，所以用户原话更容易交叉核对。不过我还是建议手动检查，尤其是你打算在最终报告里使用的那些原话。

三、用户体验中的 “深度研究”：要点速览

关键在于谁掌控着主导权。这是我 2025 年演讲中的一张幻灯片。（图片来源：Tania Ostanina）

所以，“深度研究” 花了约 30 分钟完成分析。即便算上人工撰写提示词、准备文档、检查和修正的时间，这也比手动完成整个分析要快，肯定也比我之前依赖常规 AI 模型的方法快。

需要提醒一句：可能会有人想把分析工作完全交给 “深度研究”，跳过检查这一步，这可就大错特错了。说到底，如果 “深度研究” 出了错，担责任的是你，而不是 AI。即便模型越来越先进，时刻保持警惕、在它们出错时加以干预，依旧至关重要。

忘掉我跟你说的一切

在我于 HCID 会议的演讲里，这是我最喜欢的一张幻灯片。先是给听众讲一堆有用且可操作的信息，接着又让他们把这些都抛诸脑后，这有种特别的快意。

但这就是 AI 领域的现实。情况每周都在变，跟上节奏的唯一办法就是与之共同发展。比如说，我那次演讲还没提到智能体 AI（agentic AI），但写这篇内容的时候，它已然是 2025 年最重大（同时也是最模糊不清！）的 AI 事件。很有可能，要是我写《用户体验中的 AI 3.0》，就会谈到智能体 AI。不过也说不定，谁知道呢~