---
title: "Minds 如何构建合成研究面板"
description: "Minds 使用内部上下文、经过验证的外部数据和市场研究伙伴数据来构建合成研究面板，并将输出与真实调查结果进行基准比较。"
canonical_url: "https://getminds.ai/research/zh/methodology"
last_updated: "2026-08-13T13:04:04.516Z"
---

# Minds 如何构建合成研究面板

Minds 是一个合成市场研究平台，用于在团队投入完整实地研究之前测试概念、信息、定位、定价和受众反应。

Minds 的产品方法来自与 HFBK Hamburg 和 MIT 研究环境相关的研究工作，之后发展为面向研究人员、机构、产品团队和 go-to-market 团队的商业平台。这一研究背景影响了方法论，但并不代表这些机构的外部认证或背书。

## 方法概览

Minds 有三个可见步骤：

1. 从有依据的证据定义研究组。
2. 用许多范围明确的知识库构建单个 Minds。
3. 在存在可比数据时，将合成输出与真实调查结果进行基准比较。

目标不是发明一个虚构的平均客户，而是创建一个对研究有用的、特定受众细分的模拟。

## 1. 研究组创建从证据开始

Minds 不从“扮演一个客户”这样的通用提示开始。每个研究组都围绕特定受众、使用场景和决策上下文构建。

研究组可以基于三类来源：

- **内部数据：** 已批准的第一方上下文，例如客户笔记、既有研究摘要、CRM 细分、访谈主题、支持主题、使用模式、品牌知识或产品文档。
- **经过验证的外部数据：** 公开、授权或以其他方式验证的市场上下文，例如品类报告、评论、搜索信号、人口统计模式、行业数据和品类语言。
- **市场研究伙伴数据：** 来自研究伙伴、面板提供商、细分研究、调查数据或研究分类体系的结构化输入，前提是客户拥有使用权。

## 2. 每个 Mind 使用许多小型知识库

Minds 不是静态 persona 卡片。每个 Mind 都由数千个小型、范围明确的知识库组合而成，涵盖背景、限制、需求、词汇、偏好、反对意见、购买上下文、品类熟悉度和决策标准。

这些知识库会根据研究问题进行选择和加权。定价研究、概念测试和品牌定位研究可能使用同一个受众标签，但需要不同的上下文。

## 3. 研究以访谈、调查和小组讨论形式运行

团队使用 Minds 进行概念测试、信息测试、定位研究、定价反应、AI focus groups、细分探索，以及真人实地研究之前的早期定性探索。

一个 Mind 可以单独回答，也可以加入面板读出、与其他 Minds 比较观点，或回答主持人的追问。系统旨在呈现共识、分歧、不确定性和反对意见。

关于学术基础，请阅读 [silicon sampling](/blog/silicon-sampling) 指南。关于更完整的商业工作流，请阅读 [synthetic research](/blog/synthetic-research) 指南。

## 准确性来自基准测试，而不是假设

合成研究应该与真实研究进行比较。在已基准测试的用例中，Minds 与真实调查结果显示出 80-100% 的方向性一致。

“方向性一致”意味着合成面板识别出与参考真人研究相同的优胜概念、主要反对意见、偏好方向或信息模式。

Minds 不是真人研究的通用替代品。对于高风险、受监管、行为观察、感官体验或最终验证类决策，真人实地研究仍然重要。

## 关键术语

**合成研究** 使用 AI 生成的受访者或面板来模拟特定受众的反应。

**Silicon sampling** 是一种学术方法：用受访者资料调节大型语言模型，并将回答与真人调查数据比较。

**合成面板** 是一组结构化 AI 受访者，代表某个细分、受众、购买委员会或市场品类。

**AI persona** 通常指单个模拟受访者资料。在 Minds 中，一个 Mind 不只是静态 persona，而是由许多范围明确的知识库支撑的交互式受访者。

**AI focus group** 是一种由多个合成受访者对同一提示、概念或信息作出反应的主持式会话。

## 这能带来什么

Minds 帮助团队更早提出更多问题：筛选概念、比较信息、发现反对意见、测试定位、准备访谈，并把既有研究转化为可重复查询的面板。

因此，我们把 Minds 描述为研究团队的决策支持层。它在帮助团队聚焦真人研究时最有价值，而不是声称取代所有研究。

## 延伸阅读

- [Silicon Sampling: How LLMs Simulate Survey Responses](/blog/silicon-sampling)
- [Synthetic Research: The Complete 2026 Guide](/blog/synthetic-research)
- [AI Focus Groups: How They Work](/blog/ai-focus-group)
- [The Spark Effect: Creative Diversity in Multi-Agent AI](/research/spark-effect-creative-diversity-multi-agent-ai)

## Minds PRISM: Source Modelling for Research Reasoning

Minds PRISM™ 是每个 Mind 背后的专利源建模层。它始于特定范围的公开源信号，并在启用、允许且与研究相关的情况下，可以整合经批准的内部客户情报以及第三方或合作伙伴的研究。

PRISM 并不通过微调画像来复制特定的调查结果。它开发可重复使用的推理模型，以便研究人员能够分析特定受众在面对相关问题时，如何权衡动机、限制因素、语言、反对意见和折中方案。有关公开的技术概述和边界，请参阅 [Minds PRISM](/research/minds-prism)。

Minds 并不将 PRISM 描述为覆盖全球网络或重构一个人完整生活的工具。该方法专为特定范围的定向研究而设计，当决策需要最终的统计、行为、监管或公开证据时，应与人类实证相结合。

## 外部背景与持续证据审查

Minds 创立并在初期资助 [Synthetic Research Index](https://syntheticresearchindex.org)。该项目是面向这一新兴领域的公共证据登记库和类别地图。Index 会披露这项资助关系；Minds 回避对自身的评估；Index 不被表述为 Minds 的独立奖项或认证。

如需了解跨供应商的[分类与证据协议](https://syntheticresearchindex.org/methodology)，包括可比较内容的边界，请参阅 Index 方法论。如需阅读与产品主张保持区分的新文献和研究摘要，请参阅其[研究动态](https://syntheticresearchindex.org/research)。