功能目录

本页列出 Minds 的主要功能类别，以及在产品、定价和合同引用中使用的面向客户的功能描述。客户专属协议可以单独约定计划限制、使用额度、服务范围或 enterprise 配置。

功能类别

受众建模

用于创建 Minds 和可重复使用受众的核心对象。

功能	描述
Minds	从描述、个人资料、链接、文件或研究笔记出发，创建 AI 人物角色。您提供的所有材料都会保留在该 Mind 自己的知识库中，网络增强也可以随时关闭。
包含的能力 引导式创建 当您选择“New Mind”（新建 Mind）时，系统会运行一次专门的人物画像处理：它会判断您的请求是否指向一位真实存在的人物，并同时生成初始描述与资料收集查询，而不会另行运行受众名单的生成流程。Mind 的创建使用与受众完全相同的引导式面板，步骤相同，输入框也相同，并且接受同样的素材：上传的文件、来自已连接云存储的文件、链接，以及关键词来源。 专属知识库 创建过程中提供的每一份材料，都会完整保留在该 Mind 自己的知识库中，因此在之后的每一轮对话里都可以被引用，而不只是在最初创建它的那一次会话中才能发挥作用。网络增强可以关闭；关闭之后，该 Mind 将完全依据您所提供的材料来构建。 可编辑的描述 所有者和工作区协作者可以直接在 Mind 的资料页面中编辑它的描述，并获得与编辑受众描述时完全相同的内联自动保存反馈；演示模式、通过分享链接访问以及公开访问的查看者，则始终保持只读权限。 语言与 PRISM 支撑 Mind 会以创建时所使用的界面语言生成：描述背后的人物角色画像同样以该语言撰写，之后的各轮内容增强也会沿用这一语言，而不会退回到英语。Minds PRISM 来源建模会补充来自公开来源的背景信息，并可在启用的情况下纳入获得许可的研究输入，因此同一批 Minds 可以在不同的研究流程中反复使用。 资料背景信息 对于已登录的用户，Mind 的资料页面可以在人物角色描述旁展示经过批准的个人背景信息，让团队既能查阅相关背景，又不会暴露内部的校准记录。面向公开 Mind、落地页以及分享链接返回的内容，则不包含系统提示词，也不包含内部校准信息或来源元数据。
受众创建	基于现有的 Minds、一段描述以及附加的文件或链接，构建可重复使用的合成受众。各项分布都以公开来源和您自己的研究为依据，在创建之前供您审阅，并转化为精确的配额。
包含的能力 创建面板、API 与 MCP API 与 MCP 客户端可以把提供的 UTF-8 研究文件导入到归账户所有的持久化存储中，并在不进行网络研究的情况下预览由调用方审阅过的完整分布。通过 v1 或 MCP 发起的受众创建，会沿用与网页应用完全相同的 AudienceDraft 草稿生命周期进行保存，并向每一个打开的工作区推送同样的 Drafting（草拟中）、Creating（创建中）与 Ready（就绪）状态。初始创建界面保留一个紧凑的描述输入框，固定显示在可选背景信息的下方，按 Enter 键即可继续，无需单独的底部操作按钮。 分层来源研究 分层研究会从精确的目标人群出发，逐层扩展到更宽泛的、一般性的以及全球范围的替代人群，找出证据所支持的每一项站得住脚、以来源为依据的分布，图表数量没有固定上限。当搜索出现暂时性失败时，研究会自动重试；当某一轮检索返回的来源过少、不足以支撑一项站得住脚的分布时，研究会自动放宽查询范围。因此，供应商的临时中断会被明确报告为研究暂时不可用、可稍后重试，而不会被当作该受众缺乏证据。渐进式的多来源提取会读取每一个选定的来源，并在请求预算之内返回经过验证的最佳结果。 上传的筛选问卷、报告与受访者数据 上传的研究材料会按照证据状态进行分类：筛选问卷和尚未投放的问卷用于定义候选选项、资格排除条件以及明确的目标配额；而已完成的报告和受访者数据集则可以提供观测到的实际分布。被来源排除的选项，以及未能解析的条件式选项，会连同其原因一并在审阅界面中保持可见，但绝不会成为配额分配的输入；与之匹配的受访者维度会继承筛选问卷的规则。如果来源指定了某个筛选变量，却没有给出任何目标份额或观测份额，系统会为它补全一项建议分布，让受众在该变量上依然能够产生差异：这些百分比会被标注为“假定分布”（Assumed distribution），既不会被归属到上传的文件，也不会稀释任何已声明的配额，更不会让被筛除的选项重新生效。多选变量会各自保留每个选项的发生率，其总和可以超过 100%，无需被强行拆分成对基数的划分；此外，补全一份问卷工具与读取它是彼此独立的两件事，因此即使提取过程有所降级，未设定配额的变量也依然可以参与分配，而不会只停留在审阅状态。 您的需求说明即规格 创建时填写的提示语本身就算作第一方规格说明：粘贴进来的筛选问卷、明确写出的配额，或是要求按某个变量拆分（或不拆分）的指示，都会生成与上传文件同等待遇的、经过审阅的分布，无论网络研究是否独立找到了相应的数据。散文式撰写的需求说明同样会生成完整、标注正常的分布，而不是碎片化的拆分。 内置人口统计拆分 内置的年龄、性别、收入和人生阶段拆分，只会在该受众的 Minds 确实带有相应证据时才提供，而不会以失败拆分的形式出现；有据可依的拆分会依据每个 Mind 已保存的群体画像来分配成员，而不是重新读取它的描述。内置的代表性拆分使用与肖像匹配器相同的规范词表，因此受众构建所依据的维度，与之后可以用来筛选的维度保持一致；当存在有据可依的族裔、种族或血统分布时，它们会取代内置拆分，而不是为同一个维度再增加一项拆分。系统会根据来源实际如何命名一项分布来识别内置维度，而不只依赖完全一致的名称匹配，因此诸如“Race and Ethnicity”或“Ethnic Group（2021 年人口普查分类）”这样的限定名称，都会归入同一项拆分；以请求方所用语言命名的分布同样能够被识别。而仅仅是把另一项指标按人口统计特征细分的分布，则仍会保留为特定群体的专属拆分。 以有据分布作为筛选条件 受众实际据以构建的每一项有据分布，在创建完成后都会成为可用的筛选条件，而不只是最前面的几项：凡是根据已保存的群体画像以确定性方式分配分段的分布，都会全部开放为筛选条件；只有由模型生成的建议分布，才会受到各创建模式各自预算上限的约束。 确定性配额分配 有据可依的百分比会由一个带随机种子的确定性分配器换算成精确的整数配额；每一个 Mind 都会获得一份持久保存的、专属于该受众的群体画像，目标值与实际达成值的审计结果可以通过 API 获取。当证据只包含边际分布时，系统会采用明确基于独立性假设的联合分布重建方法，而不会凭空编造变量之间的相关性。API 调用方可以调整随机种子、纳入的维度、维度数量上限、可行分段的下限、联合分布策略、响应详细程度以及资料背景信息的处理方式；同一套接口约定也已为未来的界面控件做好准备。每一项分布都会针对它实际测量的人群进行分配：如果某项分布报告的是一个子集（例如外国学生的来源国），它就只会在持有该基础分段的成员中进行分配，并会标注出所属子集及其占比，因此它始终只作用于相应人群，而不会被摊到整个受众身上。当同一个属性来自多个不同出处时，研究配额的优先级高于公开统计数据，公开统计数据的优先级又高于假定值；被舍弃的假定值仍会作为已识别项列出。 创建前审阅 在创建之前，您可以审阅实际生成的临时人物画像及其分配后的构成，八个核心分组全部可见：年龄、性别、地域、就业状况、职业、收入、教育程度和人生阶段。如需调整，请通过“Rework”（返工）提出；审阅界面本身为只读，点击创建时使用的是服务器端已确认的快照。 受访者数据集作为参考样本 计数、缺失情况、百分比以及经调查加权的结果，都会依据上传的数据行计算得出。原始研究的特征用于定义一个参考样本，而其中提供的作答则仍然属于历史发现。新的研究不会把这些作答用于人物角色生成和检索；只有在明确要求重建时，才可能使用历史汇总数据，并且这一点会在同一份审阅中如实披露。请求的配额会覆盖观测到的份额，同时两组数据都会保留下来。缺失、未提问和未知这三类字段始终彼此区分；未采集的维度会被标注为建模值或未知。当前的构成计算使用未加权的样本计数和观测到的变量关系；当提供了一列有效的调查权重时，加权后的观测结果会被单独保留。上传的客户样本绝不会被悄悄标注为全国总体人口。 可编辑的描述与保留的构成 已保存的受众构成以及群体分配结果都会被完整保留；来源信息只作为附加的元数据存在，不会改动原有数据。您可以编辑由所有者掌控的受众描述，同时市场中展示的描述会保持同步更新。 肖像匹配 在启用该功能的场景中，草稿 Minds 会获得来自公开市场受众的、已获授权的第一方肖像。已有的公开 Minds 会贡献其存储的视觉呈现元数据；在信息可用时，年龄和已声明的代表性会进一步细化匹配结果，而草拟模型会把请求中的每一个国籍或地区映射到规范的代表性分类上，使人物角色标签与目录标签共用同一套词表。每一个生成的人物角色都带有明确的视觉画像，其个人简介会遵循已经分配好的群体画像，不会改变配额。视觉呈现是唯一的硬性约束：肖像绝不会与已声明的性别相矛盾；而年龄和代表性则退化为尽力而为的偏好，没有携带代表性标签的肖像仍可作为中性匹配继续使用，而不会被直接排除。因此，每一个合成 Mind 都会获得性别相符的肖像；匹配器会优先选择年龄和代表性完全一致的肖像，当某个狭窄的人口统计分类中可用素材少于受众规模时，它会重复使用彼此兼容的肖像。稳定的姓名首字母图标只保留给刻意为之的少数情形：指名道姓的真实人物、没有声明视觉呈现的 Mind，或是与自身身份相矛盾的群体名额，绝不会因为人口统计特征不匹配而出现。肖像库取自每一个拥有已获授权第一方肖像的 Mind，而不仅限于公开市场受众，其中由知名公众人物克隆而来的 Minds 不会被用于匿名复用；肖像库还辅以生成的补充覆盖肖像，涵盖商务、休闲、创意、技术工种以及教育与看护等着装原型，让每一个人口统计单元都呈现出可见的多样性，而不是反复出现同一种形象。 实时创建进度 共享语料库创建会在第一阶段复用已预置的来源，并在每一个 Mind 的性格构建完成后立即将其标记为就绪；可选的个体深度分析会继续在后台进行，不会阻塞整体完成。在构建过程中，一个紧凑的实时处理层会显示当前受众层面的处理步骤，以及每一个 Mind 各自的实时训练状态。 创建模式：Balanced（均衡）、Segment Coverage（分段覆盖）、Benchmark Depth（基准深度）、Custom Size（定制规模） 创建面板默认使用 Balanced（均衡）模式，同时还提供 Segment Coverage（分段覆盖）、Benchmark Depth（基准深度）和 Custom Size（定制规模）。Custom Size 会直接设定 Minds 的确切数量，而不是由某种模式根据容量来决定受众规模：系统会自动选择与所请求规模相匹配的设计模式，而这个数量受到所在套餐每个受众允许额度的约束，其中也包括协商确定的 Enterprise 上限。API 与 MCP 调用方可以通过显式的 memberCount 设定同样的数量，它会覆盖需求说明中写明的任何数量；若超出允许范围，请求会触发升级提示而被拒绝，而不是被悄悄下调。Balanced 会依据每个受众自身的证据来确定规模：让证据中最小的分段也拥有属于自己的代表，数量从 10 个到 20 个不等，因此范围狭窄的受众会保持较小规模，而不会占满套餐额度中固定的一部分；更高级别的套餐也绝不会让 Balanced 受众的规模膨胀。当证据的细分程度超出 20 个 Minds 所能表达的范围时，Balanced 会构建它所能达到的最详细受众，而不会舍弃那些稀有分段，它们依然会显示在分布中，并在分配中保有自己的位置。仅面向 Pro 套餐的 Segment Coverage 会为每一个起限制作用的有据受众单元提供两个代表，从 10 个 Minds 的证据下限起，直至该模式 50 个 Minds 的上限，而不是占用固定比例的容量。同样仅面向 Pro 套餐的 Benchmark Depth 会为每一个起限制作用的有据受众单元提供五个代表，以获得可用于比较的深度，起点为 15 个 Minds 的证据下限，并且只把付费额度当作上限来使用。在标准 Pro 套餐下，该上限为 200 个 Minds；通过协商确定的 Enterprise 容量最高可达 1,000 个 Minds 的系统上限。明确指定的 Custom Size 数量可以用满全部付费额度；超过该额度的数量则会触发升级提示。 分段与信息标签页 创建完成后，受众会直接打开分段（Segmentation）标签页，它与草稿审阅界面保持一致，包含人物角色环形图，以及每项分布各自一张带描边的卡片，并使用横向份额条完整呈现每一个标签和百分比。紧随其后的信息（Info）标签页提供可展开的描述、完整的 Mind 列表，以及位于底部的一份来源归档；如需调整构成，则通过“Rework”（返工）提出。更宽泛人群的统计数据以及反向条件统计数据，会按其公布的百分比继续显示，作为补充背景信息。超出该受众定义范围的取值，仍可作为来源发现进行查看，并附带被排除的原因；若要更改资格条件，则需要使用“Rework”（返工）。 持久保存的草稿 受众草稿在您确认接受之前就已经保存下来，会继续在后台运行，并且随时都可以从受众列表中恢复并继续。
从社交媒体档案创建受众	粘贴 Instagram、YouTube 或 LinkedIn 的公开档案链接即可创建受众。Minds 会读取该账号并对其关注者受众进行建模——包括人口统计、兴趣和动机——让你无需克隆账号本身，就能研究关注某个竞争对手、创作者或公司的人群。
数据集细分审阅	逐个字段分析 XLS、XLSX 或 CSV 格式的受访者数据，把结果变量保留出来用于检验，并生成一个最多包含 1,000 个 Minds、具有代表性的 Benchmark 队列。
包含的能力 字段分类 系统会对 XLS、XLSX 和 CSV 格式的受访者数据中的每一行进行结构化分析，并且把其中的每一个字段归类为以下类型当中的一种：人群定义、细分变量、研究结果变量、决策驱动因素、开放式问题、权重/标识符/元数据，或者派生出来的统计量。人群定义变量和细分变量在默认情况下决定着这个队列的构成方式；而研究结果变量和决策驱动因素，则会被保留出来，专门用于后续的检验，不会被固化进受众本身。在专门设置的分析后审阅步骤当中，您可以逐一查看每一个变量在人群中的分布情况。 顾及隐私的变量关联 对于已经完成的受访者数据，系统会以确定性的方式，测量各个变量两两之间那些不会带来隐私风险的关联关系，并把它们区分为结构性依赖关系和留作检验使用的证据这两大类。观测到的分配策略会精确保留所选变量的边缘分布，与此同时，它还会借助一棵确定性的依赖树，再现其中最强、并且彼此之间相互相容的那些结构性依赖关系；样本量过小的单元格会被抑制掉，而受访者的原始数据行或者独一无二的联合画像，也绝不会被一对一地直接转换成 Minds。 Benchmark 队列生成 首先移除那些不相关的变量，然后生成一个覆盖面足够宽、并且具有代表性的 Benchmark 队列，这个队列的整体属性会完整保留您所选择的每一个分布。在启用了相应功能的情况下，一份经过审阅的变量选择最多可以包含 200 个变量，而生成的规模，则会按照该工作区所配置的受众额度进行扩展，上限为系统允许的 1,000 个 Minds。系统会把数量有限的一组宽泛的种子原型，展开成彼此各不相同、并且以确定性方式分配好的画像。以表格数据为事实依据的 Minds，在拿到各自分配到的画像之后就可以直接投入使用，而他们的人物肖像则会在后台继续生成。
受众验证	将 Audience 的回答与已发布或上传的调查结果进行比较。按需付费的验证会消耗预付回答，不含每月验证额度。付费订阅保留 Stripe 或合同规定的额度。
市场受众	订阅由合作伙伴发布的受众，或把您自己的受众发布给其他团队使用；付费访问将作为按月计费的 Pro 套餐附加项收取。
包含的能力 按套餐定价 发布者可以针对不同套餐为同一个受众分别定价：可选的 Pro 套餐价格适用于持有 Pro 订阅的买家；若不设置该价格，则所有套餐按同一价格收费。受众详情、订阅对话框以及账单中显示的价格，始终就是该套餐实际支付的价格。 封面图与库的性能 生成的封面图统一采用一致的白色空间场景，同时通过与受众相匹配的着装、活动和置于地面的物品，让每一个受众在视觉上彼此区分。受众库使用按显示尺寸生成的封面缩略图，并优先加载当前可见的卡片，因此即使您保存的受众和市场受众数量很多，浏览时也能保持流畅响应。 市场卡片 市场卡片提供三种视觉强调级别：高强调和普通强调会按比例呈现以封面图为主的布局，而低强调的列表行则在左侧显示受众头像，并在名称下方标出 Mind 数量。每一张目录卡片都在标题旁保留一个与情境相符的操作：免费受众显示“Save”（保存），付费附加项显示“Subscribe”（订阅）；研究相关操作和管理操作则集中在详情弹窗中。 公开的市场页面 受众目录在 getminds.ai/marketplace 上公开，并提供全部九种语言：未登录的访客、搜索引擎或 AI 助手都可以浏览每一个已发布受众的描述、来源与 Mind 数量，无需账户即可搜索整个目录。在某个受众上执行操作时，会打开以该受众命名的注册面板。 每个公开受众的独立页面 每一个公开受众在 getminds.ai/marketplace/<名称> 上都有自己的页面，并提供全部九种语言，展示与分享链接相同的内容：封面、带来源的描述、其中的 Minds，以及与他们的对话。公开受众的分享链接会把搜索引擎指向该页面，而不是与之竞争；指向私有受众的链接则继续不被索引。
定制上手引导	几分钟内建立你的第一批受众：描述你的品牌，粘贴你的网站地址并附上背景文件；Minds 会草拟核心受众，供你在正式创建之前审阅。
包含的能力 三个有依据支撑的核心受众 只需要几分钟的时间，就能建立起你的第一批受众：描述一下你的品牌，粘贴你的网站地址，并且附上多份背景文件；Minds 会先识别出你所处的业务背景，然后再据此草拟出三个核心受众，也就是终端客户、专业用户，以及在确实相关的情况下的贸易或者渠道受众；除此之外，只有当某一类利益相关者确实存在实质性差异的时候，才会再额外提供可以由你自行选择加入的利益相关者受众。每一个受众都会依据它自己的来源材料和分布数据独立地建立起依据，并且配有一段有据可依的描述、一个均衡的成员数量，以及一张逐步生成出来的封面图。 创建之前的审阅与编辑 在正式创建之前，还有一个专门的审阅步骤，让你可以逐一查看每一个拟建的受众，并且编辑它那些有依据支撑的分布百分比。经过你确认的依据材料和细分结构（Formations），会在该受众正式打开之前，与这一个受众一同保存下来。 封面、来源与实时研究 一旦候选的受众被确定下来，封面图的生成就会并行开始，与此同时，研究以及后台进行的人物角色配平工作仍然在继续。草稿卡片会显示出每一个受众所使用的、经过核实的那些来源材料。加载界面会一直保持在分析状态，直到实时研究的关键词出现为止，随后再以便于阅读的节奏，流式展示经过核实的研究内容；而那些已经就绪的草稿，不会为了可选的封面图或者市场（Marketplace）匹配而被拖住。“Rework”（返工）会以可见的方式重复同样的研究步骤，并且原封不动地保留那些未受影响的卡片。 补充提问与市场建议 如果你所提供的业务来源无法给出足够的背景信息，那么 Minds 会在开始草拟之前，请你简要地描述一下你所提供的产品或服务，以及它所处的市场。它会为你推荐相关的市场受众，并且打开定制方案（Custom Plan），用你保留下来的那些受众发起一项临时的问卷研究。 交接到第一项研究 定制方案会直接承接你在上一步已经选定的研究目标、业务描述、网站以及上传的背景材料，省去再一次重复进行的受众选择环节，直接进入研究方法的选择，以及可以编辑的问题审阅环节；只有在你提交第一个问题的时候，才会真正创建出研究，因此保存受众与研究用量额度，始终是彼此独立的两件事情。 额度、跳过与重新开始 创建 Audience 前会检查工作区限制。某个 Audience 创建失败时，已完成的会保留，失败的可重试。可跳过引导，或在登录 Google Drive、OneDrive 或重新加载同一标签页后继续。

研究工作流

用于询问 Minds、比较细分群体和测试刺激物的各种方式。

功能	描述
研究	一个研究工作区，即可完成与 Mind 的深入访谈、大规模定性探索、带有方向性量化结果的问卷、概念与信息测试，以及细分群体之间的对比。
包含的能力 研究形式 与单个 Mind 进行的深入访谈、由主持人引导的多个 Minds 之间的讨论、面向整个受众提出、并由其中每一个 Mind 并行作答的问题，或者是一份采用了某种研究方法的问卷。这几种形式还可以在同一项研究之中组合起来一起使用。 带上下文的 Mind 对话线程 在某一条 Mind 回答上点击 “Chat”（对话），就可以从这个问题本身继续往下交流，并且自动带上它在此之前给出的那些回答，以及相关的研究文件和图片，完全不需要再重新上传一遍。保存下来的对话线程会连同它的上下文一起重新打开，并且链接回作为来源的那一项研究；这个线程当中不会包含其他受访者的回答，也不会包含后续的问题。具备上下文感知能力的追问建议，会与当前这项研究所使用的语言保持一致。 访谈中的论断级引用 在与某一个 Mind 进行的一对一深入访谈当中，来自知识库、网络搜索、已分析链接以及上传文档当中的各项论断，都会显示出与研究回答卡片完全相同的内嵌来源标识悬停效果：其中公开的来源会打开它们确切的 URL 地址，而私有的文件则始终保持为不可点击的状态，并且绝对不会暴露它们的存储路径。 选择 Minds 与受众 在主输入框中选择 Minds，会立即打开对应的选择器；而如果 Minds 面板当前正处于展开状态，它会在这一次交接的过程中自动收起。最近使用过的 Mind 和受众建议各自只会出现一次，不会为了填满空位而重复列出同一条。 快速启动与受众发现 在由你的需求驱动的快速（Quick）启动方式当中，支持键盘操作的受众选择器会持续显示稳定的加载状态（Twinkle），与此同时解析并分析你所提出的那个需求，以及随之附带的网站、上传文件和受支持的集成素材，然后再据此推断出你真正想要使用的那一个受众。它会把你私有资料库中的相关匹配项，与市场（Marketplace）中的匹配项放在一起统一排序，并且草拟出一批有使用价值的全新受众。对于导出、下载或者重新排版已有结果这一类明显属于工作区操作的请求，系统会把这一类请求引导到相应的操作指引上面，而不是凭空生成出一批分析师类型的受众。受众发现的过程有明确的等待上限：它会保留那些已经找到的有用匹配项，或者向你提供一次重新尝试的机会，而不会无休止地一直加载下去。它可以并排展示出多个可以复用的，以及全新（NEW）的精确匹配或者相近的备选方案，其中在已有受众匹配成功的情况下，还会同时给出一个同名的新建选项，并且在用户主动做出选择之前，所有的结果都会保持在未选中的状态。已有的受众会保留它们实际存储下来的 Minds 数量，其中也包括那些规模较大、由人工精心整理出来的受众；只有全新的快速草稿，才会使用符合套餐限制的 5–20 个 Mind 这一区间。每一个快速请求在研究真正开始之前，都需要你明确地确认所使用的受众，即使是与已有受众完全一致的精确匹配情况，也同样需要你来确认。而确认之后的那些全新草稿，会进入共用的受众创建流程，并且完整地保留已经分析过的那些来源材料。 项目研究 项目可以基于项目中的单个 Minds 发起一项新的研究，并把这项研究一并保留在该项目之中。当某一个受众没有可用的 Minds，或者仍然处在准备这些 Minds 的过程中时，研究消息会明确地说明这一情况。 进度与状态卡片 位于界面右上角的状态卡片，会把当前这一项研究所使用的受众，与那些正在后台运行的各项研究，一起集中汇总在同一个地方；而当某一项后台研究的结果准备就绪时，这张卡片会把你直接带回那一项已经完成的研究。在研究内部，这张卡片始终都可以打开，并且它的范围只限于当前这一项研究，把这项研究正在运行的进度，与它所使用的那些受众配对呈现出来，从而形成一个便于集中管理的操作界面：已经就绪的受众会显示出它真实存储下来的 Mind 数量，点击圆形减号控件，就可以把某一个受众从这项研究当中移除掉，而 “Add Audience”（添加受众）这一行，则会打开你在工作区其他位置所使用的同一个分步受众选择器。在总览页面上，这张卡片会继续汇集起每一份已经保存的草稿、每一项正在运行的研究，以及每一个仍然处在准备过程当中的受众。其他运行时间较长的功能，同样也可以把它们各自的进度行发布到这同一张卡片之中，而当你点击其中的某一行时，就会回到发布这一行的那个功能。 快速的结果历史 运行时间较长的研究，会先渲染出最新完成的那一批研究结果，这样一来，整份记录就能够很快地打开。更早之前的那些结果，会以可以预期的批次继续提供；而当你在研究导航中选择任何一个延后加载的结果时，系统会先把它展开显示出来，然后再滚动到你需要查看的那一段证据处。
研究设置与研究方案	您可以在快速（Quick）模式下启动一项研究，也可以通过六个步骤的定制（Custom）设置流程来启动。每一次研究请求都会成为一份带版本记录的研究方案，其中包含经过审阅的问题、回答格式和研究方法，并在任何内容开始运行之前得到确认。
包含的能力 快速模式与定制设置 您可以通过快速模式直接启动一项研究，也可以使用由 AI 全程引导的六步定制设置流程：先明确定义研究目标，再添加相关的网站、文件或者备注，接着选择需要参与的受众，然后审阅与研究目标相匹配的问题，最后在这项研究正式开始运行之前，确认整套完整的设置。 带市场选择器的受众步骤 无论是在快速模式中，还是在定制模式中，受众步骤都可以把完整的市场（Marketplace）作为一个外部选择器打开：您在市场中确认的那些选择会直接回填到当前的研究方案（Study Plan）里，而如果您取消这次选择操作，方案中原有的那份受众选择就会被原样恢复回来。当您从输入框直接切换进入定制设置流程时，您当前正在撰写的研究请求会一并带入设置流程之中，同时带入随请求附上的网站、上传的文件，以及受支持的集成内容，全部作为设置阶段的上下文。与研究内容相关的受众推荐，使用的是与快速模式完全相同的一套排序结果，其中既包括您已经保存的受众，也包括系统推断出来的受众草稿；这些推断出来的草稿同时充当相关性的锚点，因此资料库中那些关联很弱、与当前研究主题并不相干的匹配结果，不会被当作推荐呈现给您。新建（NEW）的受众草稿直接在第 3 步中选择；“新建受众”磁贴允许您在同一个步骤之内补充一段额外的描述文字，无需离开整个向导，去打开那个独立的创建侧边面板。每一份草稿在第 6 步中都会被清晰地标记为待创建状态，只有在用户确认了完整的设置之后，它才会进入共享的、以事实为依据的快速受众创建流程。 可继续编辑的研究草稿 在您做出第一个规划选择之后，每一个新建的快速或定制设置，都会被保存为一份彼此相互隔离的研究草稿，它在侧边栏中的副标题会显示为“草稿”。无论您是关闭页面、跳转到别的地方、重新加载，还是遇到一次失败的启动，系统都会完整地保留您当时所处的规划步骤、已有的问题、选定的研究方法、受众选择，以及规范化保存下来的上传上下文；多份草稿之间互不影响，可以各自独立地继续编辑下去。在不同对话之间来回切换时，每一份草稿的检查点也始终保持相互隔离。至于在一项已有研究内部后续打开的规划提示，则被有意排除在这套草稿机制之外。同样这一套按所有者隔离、并且可以安全修订的草稿生命周期，也通过 v1 API 和 MCP 开放出来，因此智能体可以创建、修订并继续一份研究方案，而真正的执行仍然需要得到明确的确认。 确认与启动 在您完成确认之后，系统会立即创建并打开这项持久保存下来的研究；文件上传和新建受众的准备工作，会在研究内部已有的加载状态背后继续进行，生成出来的那些受众会先挂载到同一项研究之上，然后这项研究才开始运行它已经确认好的那些问题。只有在服务器接受了这次启动之后，对应的草稿才会被移除：在这次启动进入任务队列、并且被队列接受的那一刻，与之相匹配的草稿会被原子性地消费掉，因此同一次启动绝对不会同时表现为一项研究和一份重复的草稿；而如果这次启动遭到了拒绝，那份草稿就会继续保留下来，您随时可以回到它上面继续编辑。一经确认，正在运行的这项研究就掌管着研究状态本身，当您重新加载页面时，打开的是这项正在运行的研究，而不是重新打开当初的设置流程；它的结果会以确认之后那句简洁的研究主题作为标题，而不是把完整的内部研究纲要拿来充当标题。 方案抓取与确认 规划器会抓取这项研究的研究目标、研究对象、核心问题以及主要的信息来源，并且区分哪些问题是用户自己提出来的、哪些问题只是智能体给出的建议，然后在任何内容开始运行之前，返回一组明确的确认问题，交给用户过目。用户既可以在此基础上继续修订这份草稿，也可以让可执行的问卷路径保持简单直接的样子。确认界面会逐一展示每一个问题所建议采用的回答格式，其中包括开放式文本、从给定选项中做出选择、标准的数值量表，或者由您自行定义的量表，并且允许用户在正式执行之前对这些格式进行修改；确认之后的回答格式约定会一路附带下去，贯穿整个持久化的处理过程，始终保持有效。在确认完成之后，定制模式会在最初发起这次请求的那条消息里，显示一段由规划器生成的简明摘要，其中带有经过本地化处理的问题数量和研究方法信息，而不是把完整的研究纲要再原样重复一遍。是否需要确认，取决于问题究竟是由谁撰写的，而不是取决于问题的数量：规划器自己撰写的问题，哪怕只有一个，其中也包括它对“wie viel”这类简短追问所做出的理解，都会在送达受众之前先行得到确认；而用户亲自撰写的问题，则会直接运行。 研究语言 一项经过确认的研究，会把当前的界面语言保存在它的研究方案之中，并且在整个处理器的执行过程中始终沿用这一语言；至于那些没有记录研究语言的早期方案，系统会沿用已经保存下来的所有者语言，作为它们的回退方案。一旦为一项研究明确指定了研究语言，这个语言就会统一决定服务器所添加的确认文案、问题本身、Mind 给出的回答、类别标签、单个问题层面的发现与分组之后的发现，以及之后对整项研究摘要所做的每一次刷新，即使某位协作者，或者使用 API 密钥的调用方处在另外一种语言环境当中，情况也依然如此。当一项研究的所有者在切换了请求语言之后启动一次问卷运行时，这次运行会采用他当前所使用的请求语言；而由协作者触发的运行，则会沿用所有者已经保存下来的语言，从而让这项共享的研究在所有人面前都保持前后一致。 运行之前与运行途中的额度校验 一项经过确认的定制研究，会在生成受众的相关工作真正开始之前，先检查它的对话额度，因此当一次启动被额度拦截住的时候，系统会立刻打开对应使用场景下已有的升级入口，而不是先花上好几分钟时间去准备一份受众。受众回答数量的限制，同样会在启动之前以及每一个排队问题开始之前分别进行校验：被拦截住的启动根本不会开始运行，而是直接为您打开升级入口；如果限制是在运行途中才被触发的，系统会保留已经取得的那一部分证据，停止剩余尚未运行的问题，通知用户，并把这次运行明确标记为受套餐额度限制，而不是把它标记为已经完成。 问题来源区块 对于已经确认的多问题运行，系统会严格依据确认时的那些原始问题，渲染出一个统一的、带有编号的问题来源区块；而那些虽然已被接受或者仍然处于待处理状态、却没有对应排队任务的废弃记录，则始终保持隐藏，不会出现在这个区块之中。 通过 API 和 MCP 使用研究方案 已经确认并且可以执行的研究，会保留一份不可变更的研究方案快照，并通过 v1 API 和 MCP 对外提供持久化的问卷进度、各项研究方法的计算结果，以及结构灵活的语义化摘要区块；对于包含视觉素材的研究方案，系统还会保留它面向热力图的输出意图，以便界面渲染器据此呈现出相应的可视化结果。 问题识别与方案审阅 系统会从您在一项研究中输入的提示词里，或者从作为问卷文件上传上来的内容当中，提取并识别出其中包含的问题，让用户审阅系统所理解的研究目标和信息来源，区分哪些问题由用户自己撰写、哪些问题出自系统的建议，并且在正式运行之前，编辑那些根据更宽泛的研究目标生成出来的多问题方案。快速模式、定制模式中的问题生成、方案修订、v1 API 以及 MCP，全都共用同一套研究规划策略，以及同一个响应迅速的规划模型。一项已经确认、并且当前可用的研究方法，会在普通的流式处理或者持久化的问卷处理器当中，原样保留它确切的方法本身和管线约定；处于实验阶段和规划阶段的方法仍然可以查看和审阅，但是无法启动运行。处理器一侧的文档分析，会在条件允许的时候，直接使用经过身份验证的内部上传字节流，因此定制模式和问卷的工作进程，就不必依赖于把一个相对的上传代理路径转换成公开可访问的 URL。 问题队列 研究输入框上方的问题队列，会显示每一个正在等待的条目以及它的实时进度，您后续输入的查询会按照提交的先后顺序，依次追加到这个队列当中，而每一个子问题的回答，都会归组在它最初所属的那个原始请求之下。由研究方法生成出来的那些任务，会用处理器所掌管的可执行队列，取代前端预先估计出来的那份问题列表，因此在 MaxDiff 这类会把一个问题展开成更多问题的情况下，进度显示依然能够与实际执行保持一致。当队列中的某个追问开始运行时，它会立即离开队列，并且在回答真正到达之前，就以加载中的状态出现在这项研究里面。追问始终排在正在进行的主研究运行之后。在一项已经保存的研究当中，排队等待的追问会在处理器里持久地运行下去，因此即便您重新加载了页面，或者关闭之后再重新打开这项研究，它们也不会中断，仍然会一直运行到完成为止。尚未开始的待处理条目，可以在它们开始之前被移除掉。如果您移除了某个排队请求中最后一行可见的条目，那么就会取消它所对应的整个持久化任务，其中也包括后续在分类过程中新创建出来的所有任务；当队列已经清空、并且没有任何回答正在运行的时候，您发送的下一条消息会立即开始处理。 什么算作一个问题 只有当用户确实把内容写成了一个列表的时候，系统才会把这个请求拆分开来，例如用户使用了明确的列表标记、把内容分成了各自独立的行，或者接连提出了多个问题。包含多个部分的问题会作为一个整体保持完整，因此它的选项、追加的探询问题，以及因为换行而折断的那些行，都会继续归属于它们本来所属的那个问题；而粘贴进来的参考材料，也绝不会被拿去挖掘其中出现的反问句。除此之外的所有内容，都会被理解成一个完整的研究请求，而不会仅仅依据标点符号，就被切分成好几个问题。 完成通知邮件 当一项包含多个问题的研究完成了一次较长时间的后台运行时，提交这项研究的人会收到一封邮件通知，这封通知中带有可以直接跳回结果页面的链接；即使其中有一部分问题没能顺利完成，系统同样也会发送这封邮件。至于那些运行时间较短的研究、被取消掉的运行，以及因为套餐的回答额度而中途停止的运行，则都不会发送任何邮件通知。 模板 您可以把整套问题保存为模板，并在定制研究中反复重复使用；这些模板既可以保持私有、只留给自己使用，也可以共享给您的团队一起使用。
研究方法	十一种确定性的研究方法可以在一项研究内部端到端完整运行：MaxDiff、NPS、top/bottom box（高分/低分占比）、关键驱动因素分析、TURF、Gabor-Granger、Van Westendorp、Kano、偏好排序、细分对比和联合分析（conjoint）。只有在样本量足以支撑的地方，系统才会声称结果具有显著性。
包含的能力 十一种可执行的研究方法 十一种方法全都可以端到端完整执行：MaxDiff 采用由服务器设计的强制选择（forced-choice）流程；NPS、top/bottom box 计分、关键驱动因素分析、TURF、Gabor-Granger、Van Westendorp、Kano、偏好排序以及细分对比，则通过同一套确定性的适配器约定运行，既给出整体的计算结果，也给出按受众分别计算的结果；其中细分对比、top/bottom box 计分、NPS 和偏好排序还包含组间的两两显著性检验，使用的是精确检验以及在小样本情况下依然正确的检验方法，并且在每一份结果内部统一施加多重比较校正。细分对比所比较的，是实际作答的那些受众群体，而不是一份事先声明好的细分清单；当只有一个群体作答时，它会连同相应的说明一起报告这个群体，而不是干脆不给出任何结果。一种研究方法会把规划器中的一个问题展开成多个任务，每一个条目、每一个价位点或者每一组特征配对，各自对应一个任务，一项研究中最多可以展开到 100 个问题；如果某个设计因为这个上限而被裁剪，系统会保证特征配对保持完整，并且说明清楚哪些内容没能问到。联合分析同样可以执行：服务器会构建 D-最优（D-optimal）选择设计，请受访者在若干个完整的配置方案之间做出选择，再拟合一个条件 logit 模型（conditional logit），得出每一个水平的部分效用值（part-worths）和各个属性的重要度；如果某个设计的部分效用值无法被单独估计出来，系统就会拒绝展开这个设计。每一个生成出来的方法任务，都会把它确切的回答空间快照保存到对应的持久化任务当中，以防某个工作进程重新解释强制选择的选项。 计算结果作为权威依据 确定性的计算产物是结果摘要的权威依据：模型会拿到这些产物已经登记的方法、适用范围、方法学上的含义以及精确的数值，由它自行判断这些结果在实质上应该归属到哪些位置，并且对它们做出解释，而不会重新计算任何一个分数。一份已经完成的摘要，在之后仍然可以接收补上来的、原本缺失的有效计算产物，而不需要把整份摘要重新生成一遍。问题层面的一致性（Alignment）指标与运行层面的方法计算结果，共用同一个摘要样式的分析（Analysis）弹窗，因此重复出现的一致性数值，会牢牢附着在它所对应的那一个问题上面，而不是出现在一个独立的计算器浮层里面。处理器的开始时间会被持久保存下来，因此当您重新打开或者重新加载一项研究的时候，加载计时器依然能够正确地延续下去。 细分对比 在不同的受众之间比较他们各自的回答，看清各个细分群体在哪些地方看法一致、在哪些地方存在分歧，又在哪些地方需要采用不同的沟通话术。 诚实的显著性检验 只有在样本量足以支撑的地方，系统才会声称结果具有显著性：比例之间的比较使用的是 Fisher 精确检验（Fisher exact test），而不是使用正态近似（normal approximation），因为在这样的样本量之下，正态近似的适用条件根本无法得到满足；均值之间的比较使用的是基于 Satterthwaite 自由度（Satterthwaite degrees of freedom）的 Welch t 检验，这样一来，规模较小的群体就会自行放大它们自身的不确定性；同一份结果当中的所有检验，会用 Benjamini-Hochberg 方法放在一起统一校正，因此某个条目不会仅仅因为旁边同时跑了几十次比较，就显得具有显著性；作答内部完全没有任何离散度的群体，不可能得出显著的差异；而一项根本无法进行的比较，会明确地说明这一点，而不是留下一片沉默，让人误读成不存在差异。报告出来的 p 值会取一个下限值，而不是四舍五入成零，因为没有任何结果能让一项差异成为确定无疑的事实。 带解释说明的研究方法选择器 那些计算器暂时还无法执行的方法，会继续显示在研究方法选择器当中，但是无法被选中；而一项仍然在等待计算结果的研究，会在结果流中显示一个专门的计算中步骤。选择器不只是列出方法的名称，还会解释每一种方法：每一行都配有一句通俗易懂的说明，讲清楚这个方法究竟是用来做什么的；把鼠标悬停上去会展开一张卡片，给出完整的解释，并且点明它背后所使用的技术名称，让市场研究人员一看就能认出来，例如最优最劣尺度法（best-worst scaling）、Welch t 检验、总净到达率与频次（Total Unduplicated Reach and Frequency）；这张卡片同时还会说明结果中始终附带的那条固有局限。这样一来，在研究开始运行之前您就能做出有依据的选择，而不必等到结果出来之后才明白过来。选择器中不带“Advanced”（高级）标签，因为这类标签传达的是难度，而不是是否契合；“Not available yet”（尚不可用）标签则会保留下来，因为它确实会改变您可以挑选的范围。这些解释在全部九种界面语言当中都是以母语撰写的，每一种语言都使用它自己语言中对受众和研究的说法，而不是直接照搬英文的词。
受众回答	向受众提问一次，即可并行获得其中每个 Mind 的合成回答，全部以你提供的网站、文件、图片、视频和音频为依据。 独立的 MP3、WAV、M4A、OGG、FLAC 和音频 WebM 附件使用相同的转录与有界非语音声轨分析；其中一条证据路径失败时，另一条仍可使用。
包含的能力 以所提供的材料为依据 当一条研究消息中包含了一个已经成功加载的网站、一份文件、一项资料来源、一张屏幕截图或者一张图片时，系统最终保留下来的每一条 Mind 回答，都必须真正引用这份所提供材料当中的某个具体细节，而不能把这份已经提供的素材当作缺失、无法读取或者根本不存在的内容来处理。 视频与音频分析 在一个常规的研究问题中上传视频时，附件分析会把可以获取到的文字转录、一条经过长度限制的音轨时间线，以及一组同样受到数量限制、并且能够识别场景的代表性画面帧，结合在一起共同使用。广告长度的视频会对它完整的音轨进行分析，从中捕捉其中具有实质意义的音乐、音效、环境声、静默片段、人声当中所流露的情绪，以及声音标识出现的那些时刻；而时长更长的视频，则最多使用 12 段均匀分布、每一段 8 秒的音频片段；而当音频分析环节出现任何失败的情况时，文字转录和画面处理这两条路径依然可以照常使用。单独上传的 MP3、WAV、M4A、OGG、FLAC 以及音频 WebM 这些附件，同样采用这一套文字转录，以及有范围限制的非语音音轨分析，其中任意一条证据路径出现失败时，另外的那一条证据路径依然保持可用。画面采样会保留对开场场景和结尾场景的覆盖，在镜头切换很快的视频中，把采样点尽量分散开来；而当无法可靠地识别出镜头切换的位置时，则会退回到三帧均匀间隔的画面。 持久的后台处理 规模比较大的研究轮次，会在后台持久地继续运行下去，运行过程中的实时进度始终保持可见，即使页面重新加载之后也依然能够恢复。对于规模较大的受众，生成回答的工作会按照当前可用的处理能力，拆分成多个持久保存的批次；每一条 Mind 回答只要完成，就会立即流式返回给你，不需要等待整个批次全部结束，而有次数限制的恢复机制，只会针对那些仍然缺失的 Minds 重新尝试。 标题、摘要与图表 每一份已经完成的结果，都会首先向你呈现出它的那个标题，以及综合了各方回答之后所形成的那一份研究摘要。如果其中只包含一个问题，结果会在可以折叠展开的证据（Evidence）区域当中，在支撑性的 Mind 级回答行之前，加入一张紧凑的回答图表。而包含多个问题的研究，则会并排加入 1 到 4 张关键发现总览图表，通常情况下是两张，这些图表的选取依据，是完整的研究诉求和总体结论，而不只是百分比数值的高低。每一张图表的背后，都有经过校验的回答数量作为支撑：独立的结果对应一个聚焦的百分比或者分数，而当某一项发现提出了比较性的结论时，则会采用两个值或者三个值之间的对比。最终的结果会为每一个已经处理过的问题，都提供它各自独立的展开面板、回答图表、受众分布情况，以及 Mind 级别的证据。 附件对比与素材分配 附件对比的结果，会在 A/B/C 三个列的正上方直接展示出原始的图片创意，以及视频的首帧预览画面，并且按照已经保存下来的文件名和出现次序来匹配各个版本，而不是按照附件在上传时的原始位置来匹配；当你重新打开较早之前生成的结果时，其中的历史投票和研究发现都会保持原样，不会发生任何改变。当一个内容区块中同时存在多个素材时，视频、图片、文档和网站这几类素材，都需要被明确地分配给具体的问题：每一个素材至少要被其中的一个问题使用，而如果某个问题的分配是空的，那就表示这个问题没有对应的材料。MCP、v1 接口以及研究构建器所执行的，都是同一套完全一致的运行约定。结果卡片会使用已经保存好的逐问题映射关系，让每一个被分配到的视频，都可以按照它的名称直接访问，并且带有它各自保存下来的场景热力图与 Mind 反应，同时在既不改变回答类型、也不改变附件对比布局的前提下，把相关的文档与网站引用一并展示出来。 回答中的来源引用 当某一个 Mind 使用了检索得到的知识库内容、受众依据材料或者网络证据时，它的悬停卡片和 “Closer Look”（细看）视图，会通过与市场（Marketplace）描述相同的那一套内嵌引用系统，展示出到具体论断层级的来源标识。公开的 URL 会渲染成可以点击的来源标识，并且附带对应的域名提示；而私有的知识文件则始终是不可点击的文档来源，绝对不会暴露任何的存储路径。在生成回答时所确定的来源归属，会与这一条回答一并保存下来；而对于以往保存的历史回答，则可以在需要的时候，再对照该 Mind 当前的知识库和受众依据材料进行校验。v1 的结果数据会提供可选的引用标记、来源标识和出处信息，同时并不会返回底层的私有知识文本。
刺激物测试	在研究中测试文案、落地页、截图、演示文稿、产品概念和竞品材料。
热力图测试	运行网站、视频或图片热力图，捕捉模拟的注意力与交互信号。
包含的能力 来自实际观察页面的证据 网站和媒体中可见的实际证据具有最高效力，优先于任何缺乏依据的先前假设；网站摘要同样依据实际观察到的页面访问轨迹生成，而不是沿用浏览之前给出的、已经过时的回答。 视频与转写处理 当主要的转写服务提供商不可用时，上传的媒体文件会改用已配置的备用语音服务进行处理。视频反应会把完整可用的转写文本与抽样帧中确切可见的元素对应起来；若转写始终无法完成，则会退回到仅基于画面的视觉分析。 每道问题可包含多张图片或多个视频 每一张上传的图片都会作为独立的创意素材进行分析，并汇总在同一份结果中，通过带字母标识的标签页呈现，每个标签页都保留其原始文件名。对于分配了多个视频的问题，选择某个视频即会切换到该视频自己保存的场景、热力图和 Mind 反应。尚未完成的分析会针对该问题与该素材自动开始；在不同素材之间切换时，已有的分析结果和该问题的整体结果都会完整保留。 界面、API 与 MCP 保持一致 无论是通过用户界面、v1 还是 MCP 发起，都使用完全相同的目标校验与分析流水线。
定时研究	安排研究按每日、每周、每月或每季度重新运行。运行会在后台可靠地继续，能从工作者中断中恢复，并保留进度以供历史查阅和导出。
研究可信度控制	从受众创建一直到研究回答，证据边界始终清晰可见：建模得出的假设绝不会被当作实测事实来呈现，每一项研究也都会说明自身的完整程度。
包含的能力 建模假设始终被明确标注 当你提供的来源材料本身可以读取，但是却无法套用任何有证据支撑的分布数据时，Minds 会把所有已经上传的材料都完整地保留下来，供你随时查阅和复核，并且把这一个受众限定在建模得出的假设范围之内，而不是把它当作实测得到的客户事实来对待：这个受众里面的每一个 Mind，在生成回答时都会被要求，把人物角色的各项细节视为合成的情景假设，因此这条证据边界是在回答本身之中得到落实的，而不是变成一个需要读者自己去留意、再去解读的标记。合成人物角色的生成过程，以及受众回答本身，都会避免给出缺乏依据的精确员工人数、营收数字、预算、收入、内部政策信息、事件数量以及市场份额这一类数字。 简报与来源随方案一同传递 作为附件提供的那些研究简报，会直接作为规划器本身的输入内容来使用；简报当中明确点名的每一项标准，都会被保留为一个可以单独审阅的独立问题，而完整的研究方案会在受众交接进入确认环节的过程中被完整地保留下来，而不是只运行其中的第一个问题。一项研究同样会保留它在发起需求时所携带的那些材料。在消息里提到的、在输入框中附加的，或者在审阅方案的过程中添加进来的网站或者文件，都会成为这一份方案所确认的来源，并且随着本次运行的每一个问题一同传递下去，因此即便原始的措辞被规划器生成的问题所替换，正在审阅的那个页面或者那一份文档，依然会被完整地保留下来。如果某一份背景文件无法读取，整项研究会就此停下来，而不会基于无人真正打开过的材料，去发布任何研究发现。 已完成研究的完整程度 一项已经完成的研究，同样还会说明它自身的完整程度。当其中某一个问题运行失败时，研究会基于那些确实得到了回答的问题来得出结论，并且说明这样的问题一共有多少个，而不是把整整一次运行的结果都作废掉，因为这次运行中其余的那些回答依然是有效的；而在重试那一个失败的问题之后，系统会依据更加完整的证据，重新构建这项研究整体的总体结论。如果一项研究停止了响应，它会明确地说明这一点，并且给出它当时已经收集到的回答数量，你也可以在需要时要求它基于这些已有的回答直接得出结论，而不是让它一直停留在一个没有尽头的进行中状态。如果某一个结论只是由各个问题各自得出的发现拼合而成，并没有经过一次完整的综合分析，那么它也会被明确地标注出来。

分析与产出

将回答转化为可用研究材料的结构化产出。

功能	描述
方法结果与分析	确定性的方法结果会在同一个分析弹窗中打开，其中包含计算结果、一张效度与近似度表格，以及每种方法在自己的数字旁边标注的固有局限。
包含的能力 分析弹窗 在摘要风格的分析弹窗中打开确定性的方法结果，而整个工作区则衬在一层模糊的背景之后，始终保持可见。弹窗中会呈现两张样式统一的表格：首先是方法本身的计算结果，接着是一张效度与近似度表格，其中包含每一个问题的人格匹配度和分布匹配度，而每一处分节标题都可以通过悬停来查看对应的解释说明。每一种由计算器支撑的方法，包括 MaxDiff、NPS、top/bottom box（最高与最低选项占比）、关键驱动因素、TURF、Gabor-Granger、Van Westendorp、Kano、偏好排序以及分群对比，都会在同一个弹窗中声明各自的表格列、核心指标、类别标签和发现注释，其中分群对比、top/bottom box、NPS 和偏好排序，还会给出组与组之间两两比较的显著性说明。每一行受众都带有 Minds 的受众图标，点击之后就会把整张表格切换成这个受众所对应的计算结果。 局限说明与如实标度 每一种方法还会在自己的数字旁边写明它固有的局限，也就是这个结果并不能说明什么，而不是只把这些说明放在自动生成的摘要文字里面；关键驱动因素还会逐一标明，每一个驱动因素究竟是在拉高最终结果，还是在拖累最终结果，因为重要性这个指标本身并不带有方向。核心分数沿用标准的研究环形图来呈现，并且使用如实的标度，例如 NPS 就使用它 −100 到 100 的完整取值范围；表格也只有在各行确实能够合计成一个整体的时候，才会添加“总计”或者“平均”页脚，而且是逐列分别声明的，这样每一行的样本量就绝对不会被加总成一个比整个样本组还要大的数字。 可靠的方法切换 当你选择一种研究方法时，这个选择只有在与之匹配的研究计划返回之后才会真正提交生效，因此方法选择器里绝对不会出现一种这项研究实际上并不会真正运行的方法；而一次没有成功的方法切换，会继续保留原先正在使用的那一种方法，不会在重试的时候悄悄地把这项研究退回成定制研究（Custom research）。如果一种研究方法的配置只差一点点就完全正确，系统会在这项研究开始运行之前先把这份配置修复好，而不是把它降级成一次定性运行；正因为如此，确定性的计算结果依然会照常产出，而不会无声无息地消失不见。在一项研究正在运行的过程中发生的部署，会让页面保持稳定，不会在你脚下把页面重新加载：新的版本会在这次运行结束之后的下一次页面跳转时才被采用；而当你切换到一种强制选择类的研究方法时，系统会按照这种方法自身的题目形式，把这些问题重新改写一遍，而不是在那些为上一种方法撰写的问题上运行失败。如果一项研究所使用的方法声明了确定性的计算，那么即使这一次运行只包含单个问题，系统同样会把这项计算完整地算出来；在这项计算准备就绪之前，它的结果会一直保持在加载状态，因此你立刻打开分析弹窗的时候，总是能够看到完整的方法表格。
回答聚合	在问题类型支持的范围内，将量表、分类和定性回答聚合为分布、平均值和主题。
标准回答类别	开放式回答会依据一套带版本管理的编码框进行编码，编码框中包含定义、规则和确切的支撑原文：这是带有模型复核的自动化内容分析，而不是人工编码员之间的信度验证。
包含的能力 编码框 依据一套带有版本管理的编码框，对定性回答完整保存下来的原始文本进行归类，这套编码框中包含每一个类别的定义、纳入与排除规则，以及确切的支撑原文片段。表述含义相同的内容会被归入同一个类别，而立场彼此相反的说法则始终保持各自独立。主类别的百分比始终保持每一条回答只计一票；而次级编码则会继续附着在这条回答上。 大型研究与未编码的回答 对于规模较大的研究，编码工作会按照有大小上限的批次分批运行；含义模糊或者归类失败的回答，则会以未编码的状态呈现出来。 对已保存结果重新编码 工作区的所有者和受到邀请的协作者，都可以对已有的问题结果重新进行编码，整个过程无需重新生成回答；最初的那一版类别划分，以及最近几次的类别修订版本，都会一并保留下来。 适用范围与 A/B 变体 这是一种自动化的结构化内容分析，采用的是模型复核的方式，而不是由多位人工编码员之间进行的信度验证。A/B 测试会把上传的各个变体固定下来，作为回答的取值空间，其中也包括那些一个选择都没有得到的变体。
研究摘要	按需生成研究的滚动摘要，附有突出显示的主题和摘要图表，并随研究的继续而刷新。
结构化导出	把回答、访谈记录、研究结果和执行摘要导出为 Markdown、JSON、PDF、带品牌样式的 Word 或 16:9 的 PowerPoint，并把原始数据导出为 SPSS SAV、CSV 和 XLS。
包含的能力 执行摘要与研究报告 执行摘要可以导出为 PDF、可以编辑的 Markdown 和 Word 文档，也可以导出为一份专为幻灯片设计的 16:9 PowerPoint 演示文稿，其中会呈现执行层面的核心结论、各项指标、参与研究的分组、最多四条有证据支撑的研究发现、决策驱动因素、方法说明以及资料来源。完整的研究报告在 PDF 和 PowerPoint 中沿用同一套 16:9 的洞察演示结构，并配有可以自由重排版式的 Markdown 和 Word 版本。 人物角色画像与受众简报 人物角色画像和受众简报同样采用这一套专为幻灯片设计的呈现体系，同时带有各自专属的内容：身份信息、性格特质或者人群构成、参与其中的 Minds、方法说明，以及资料来源的层级结构。 统一的分享与导出菜单 回答层级的“Export”（导出）控件，以及摘要中的“Share”（分享）操作，打开的都是与页面顶部控件相同的那一个覆盖整个研究的分享与导出菜单。 原始数据 把受支持的研究产出导出为 Markdown、JSON、PDF 或者带品牌样式的 Word 文档，例如回答、访谈记录、研究结果和执行摘要；其中也包括 Mind 和受众的导出，并且会在有相应内容的时候，一并附上它们的素材来源与免责声明。研究的原始数据既可以导出为原生的 SPSS SAV，也可以导出为 CSV 和 XLS 格式。

协作

用于共享使用和管理的团队工作区功能。

功能	描述
共享团队工作区	从一个共享工作区处理团队所有的 Minds、受众、研究和研究材料。受众所有者、受邀协作者和共享团队工作区成员可以编辑常规受众详情、共享设置以及 Marketplace 封面或符合条件的徽标媒体；公开用户和仅通过研究访问的用户保持只读，而删除性操作、访问控制、验证和计费操作继续采用更严格的权限。
席位与角色管理	为客户团队管理团队席位、访问权限和工作区管理事务。
包含的能力 合作伙伴管理的客户入驻 获授权的合作伙伴可以创建独立的客户工作区、分配 Audiences，并且只能管理自己客户的功能权限。合同套餐包含付费席位、限时 Early Bird 奖励席位和独立的月度回答额度；账单列出由合作伙伴支付的内部许可证和具名客户费用。
团队共用用量	跨席位共用响应额度，使团队用量能够在工作区层面进行管理。
研究分享与访客访问	通过链接分享一个研究，或者把客户、利益相关方邀请进来；访客即使使用免费账户，也可以向你的受众提出他们自己的问题，而他们产生的用量计入你的额度。
包含的能力 分享链接、发布与导出 你可以通过链接分享一个研究，也可以明确地把它发布出去或者取消发布，还可以在同一个分享菜单里直接完成导出；发布类的操作以及任何具有破坏性的操作，在执行之前都会先请你确认。 使用你的额度提问的访客 把客户或者利益相关方邀请进入一个由你拥有的研究，让他们即使使用的是免费账户，也能够向你的受众提出他们自己的问题。他们提出的问题消耗的是你的回答额度，而不是他们自己的额度，因此访客那一方的任何方案限制，都不会横在他们与你所分享的这个研究之间。用量会记录在你的工作区名下，而每一位访客仍然会被保留为他们自己所提出的那些问题的作者。

集成

程序化访问和已连接的工作流界面。

功能	描述
已连接的账户	把存放着你素材的各种工具连接进来，无需重新上传，就能把内容带入研究、受众或某个 Mind 的知识库：云存储、设计文件、广告账户以及产品工单。
包含的能力 Google Drive 与 OneDrive 在研究的输入框中、在创建一个新的受众时，以及在某个 Mind 的知识库里，你都可以直接附加来自已连接云存储的文件，例如 Google Drive 或者 OneDrive，而具体到每一个文件的访问权限，都由你在文件选择器中逐一授予。 Figma 设计文件 在启用了该功能的场景中，把一个 Figma 文件或者画板的链接粘贴到研究里，就可以把这份设计稿用作研究的刺激材料。 Meta Ads 广告账户 在所订阅的方案已经启用该功能的情况下，你可以从设置中连接一个 Meta 账号，从中选择一个已经获得授权的广告账户，把现有的广告文案、图片和视频直接导入到研究当中。该集成采用加密的方式来存储 OAuth 令牌，会完整保留一份导入操作的审计记录，并且只申请只读权限，因此 Minds 无法创建、编辑、发布、暂停或者删除任何一条 Meta 广告。 Linear 工单 连接 Linear 之后，你可以在聊天输入框中附加一个 epic 或者一份 PRD，既可以从最近的 issue 列表中挑选，也可以直接粘贴一条 issue 链接，然后针对它开展样本组研究。这条 issue 会以只读的方式导入成一份 Markdown 文档，其中包含它的描述、元数据以及最近的评论，并且会像任何一份上传的 PRD 一样被摄取处理。如果安装了 @Minds 工作区助手，你还可以在某条 issue 上提及 @Minds，直接在讨论串里拿到一份研究计划，确认之后，样本组得出的研究发现会回到这条 issue 上呈现给你。 Jira 工单 连接 Jira 之后，你可以在聊天输入框中附加一个 epic 或者一份 PRD，既可以从最近的 issue 列表中挑选，也可以直接粘贴一条 issue 链接，然后针对它开展样本组研究。这条 issue 会以只读的方式导入成一份 Markdown 文档，其中包含它的描述、元数据以及最近的评论，并且会像任何一份上传的 PRD 一样被摄取处理。 集成总览 在一个完整的工作区总览页面里浏览并搜索 Minds 的各项集成，这个页面既可以从侧边栏打开，也可以从设置中打开。页面里的卡片会分组展示，分别是已连接的账户、AI 助手、数据与报告、网站工具，以及即将推出的集成。已经可以使用的卡片，点击之后会打开一个设置对话框，其中提供连接控件或者具体的操作说明。受支持的账户还会显示实时的连接状态；至于能否使用，则取决于具体的集成以及你所使用的方案。
MCP 集成	通过 Model Context Protocol，把兼容的 AI 客户端和智能体连接到 Minds 的各项工作流中，其权限边界与公开 API 完全一致。
包含的能力 通过 MCP 使用 Minds、受众与研究 针对 Minds、知识、受众、Formations、研究、对话以及研究草稿的各项核心生命周期操作，都遵循与公开 API 完全相同的应用边界。已有的研究可以导出，可以通过链接明确地发布出去或者取消发布，也可以分享给受到邀请的协作者；发布类的操作会保留各自的风险提示标注，具有破坏性的工具在执行之前需要得到明确的确认，而 API 凭据的创建与轮换，则始终只能在经过身份验证的账户设置中完成。 持久化的研究运行 研究中的问题会返回一个持久的运行 ID，而不是依赖于某一个 MCP 进程，或者某一条始终保持打开的数据流；运行状态从共享的、以数据库为后端的账本中读取，因此在断线重连、服务重启，以及横向扩展出来的多个 MCP 实例之间，都能够一致地读到状态。 MCP 宿主中的计划挂件 桌面端的计划挂件一共分为六个步骤：目标、背景、受众、方法、问题和审阅。你可以编辑研究的目标、粘贴进来的受访者材料，以及受支持的问题、选项、量表、题目顺序和材料分配方式。保存会创建出一个新的草稿修订版本，并不会触发 AI 重新生成内容；而真正开始研究，则需要在对话中针对这个已经保存的修订版本，再单独做一次确认。当存在尚未保存的修改时，挂件会显示“Save and review”（保存并审阅），并且不提供“Run Study”（运行研究）按钮。方法专属的成组题目，以及对现有研究成员构成的改动，都在工作区中完成。移动端会直接打开工作区，而一个已经启动的研究也会链接到工作区，供你在那里查看进度和结果。 浏览器扩展与挂件 借助受支持的浏览器扩展和 MCP 挂件界面，把 Minds 带入到外部的工作流当中，或者带入面向客户的界面当中。创建、状态、受众和回答这几类挂件，会通过 MCP 宿主接收已经获得授权的状态数据，以全部九种受支持的语言来渲染各自的界面，在工作进行当中显示一个居中的 Minds 加载动画，并且通过短时有效的签名图片 URL来展示获准显示的 Mind 头像，同时不会在 iframe 中暴露应用的凭据。
API 访问	使用公开 API 进行受支持的、程序化的 Minds、受众、研究和导出工作流。
Minds for n8n	Install n8n-nodes-minds on self-hosted n8n and connect a Minds API key. Version 0.1.0 supports Study Create, Get, Get Many, Preview Research Plan, and Get Summary, including use as an AI Agent tool. Preview saves a plan draft; review and start research separately in Minds. The package is published on npm; n8n verification is under review and n8n Cloud installation is not yet available.
Minds for Google Sheets	把 Google 表格当作研究队列。选择第一列包含问题的行，选择已有的受众，确认运行，每条回答都会写入下一列。空行保持原位，插件在覆盖已有结果单元格前会先提示，并通过其他受支持集成所用的同一 Minds MCP 端点，每次最多发送 25 个问题。
Looker Studio 的研究分析	把已有的研究连接到 Looker Studio，作为报表、定期复盘和共享仪表板的可复用数据源。该连接器使用 API 密钥进行身份验证，读取你输入的研究 ID 的实时分析数据，且从不修改该研究。
定制化集成	为企业工作流、内部系统或分析技术栈界定客户特定的集成范围。

安全与企业级控制

通常为较大团队和采购主导的部署所配置的控制项。

功能	描述
单点登录	通过 Supabase Auth 配置由客户管理的 SAML 2.0 登录，支持 Microsoft Entra ID 或 Okta，同时由身份提供商保留 MFA 和 Conditional Access 策略。
团队模型连接	在已启用此功能的 Pro 工作区中，管理员可以为使用 OpenAI Chat、OpenAI Responses 或 Anthropic Messages 的公共 HTTPS 端点保存加密凭据。请先验证能力，再为 Mind 或研究请求明确选择连接。排队任务保留所选修订版本；连接不可用时会报错，不会切换模型。辅助分析仍使用 Minds 模型，提供商费用另计。此版本不支持视觉输入。
企业级 SLA	在适用时，为企业部署约定服务级别、支持响应时间和服务抵扣。

服务与支持

支持、上手、验证和客户特定的服务。

功能	描述
订阅账单	新客户在结账前选择账单国家或地区。现有订阅用户保留原有账单安排和约定价格。团队所有者和管理员管理同一个团队订阅。
验证与校准服务	针对合适的内部或外部参考数据，开展单独界定范围的验证、上手、校准或研究支持工作。
定制化合成人群	根据客户输入、合作伙伴研究和合适的公开来源，创建客户特定或行业特定的合成人群。
优先支持	为付费套餐和客户工作区提供优先支持。
社区支持	使用标准的自助式和面向社区的支持资源。