---
title: "走进 Minds：合成研究样本组是如何构建的"
description: "了解 Minds 如何创建可复用的 AI 角色组、收集并行合成响应，并融入注重证据的研究工作流中。"
canonical_url: "https://getminds.ai/research/zh/methodology"
last_updated: "2026-09-30T12:15:57.377Z"
---

# 走进 Minds：合成研究样本组是如何构建的

Minds 是一个合成市场研究平台，旨在帮助团队在投入全面的实地调研之前，测试概念、信息传递、定位、定价以及受众反应。

本页面介绍了 Minds 背后的公开方法论，未涉及任何专有实现细节。

## 方法简述

Minds 遵循以下三个直观的步骤：

1. 根据受众描述和许可的源材料，定义并审核目标群体。
2. 构建或复用该群体中的单个 Mind。
3. 向该群体提出研究问题，并在决策需要验证时将输出结果与人类证据进行对比。

我们的目标不是凭空捏造一个虚构的“平均客户”，而是针对特定的受众细分群体，创建一个对研究有实用价值的模拟。该模拟具备足够的背景信息，能够对概念、主张、信息和权衡取舍做出一致的反应。

## 1. 样本组创建始于证据

Minds 并非始于“扮演客户”这样单一且宽泛的提示词。每个研究群体都是围绕特定的受众、使用场景和决策背景构建的。

样本组可以使用三种产品支持的输入：

- *现有的 Minds：* 复用工作区中已有的角色。
- *受众描述：* 描述该群体应涵盖的角色、细分、背景和差异。
- *附加的文件或链接：* 添加与研究相关的许可研究笔记、源材料或背景文档。

可用的输入和创建模式取决于工作区配置。研究人员仍需对源材料权益、研究设计、样本组审核以及决定哪些内容需要人类验证负责。

有关源建模方法的公开技术概述及其边界，请参阅 [Minds PRISM](/research/minds-prism)。

## 2. 每个 Mind 都使用多个微型知识库

Mind 是基于描述、画像、链接、文件或研究笔记创建的可复用 AI 角色。它们可以应用于对话和群体响应工作流中。

定价研究、概念测试和定位研究可能会使用相同的受众标签，但需要不同的源材料和不同的验证标准。

这种结构使得样本组的表现不那么像一个被平均化的单一角色，而更像是一群拥有重叠但又各不相同的信念、优先级和反对意见的个体受访者。

## 3. 以访谈、调查和小组讨论形式开展研究

研究人员将 Minds 用于：

- 概念测试
- 信息测试
- 定位研究
- 定价与包装反应
- AI 焦点小组
- 受众与细分群体探索
- 在人类实地调研之前进行早期定性探究

Mind 可以单独回答、加入样本组汇报、与其他 Mind 对比观点，或回答主持人的追问。该系统的设计旨在呈现分歧、不确定性、反对意见以及响应背后的原因，而不仅仅是生成一个总结性的情感评分。

关于底层的学术类别，请参阅我们的[硅采样](/blog/silicon-sampling)指南。关于更广泛的商业工作流，请参阅[合成研究指南](/blog/synthetic-research)。

## 有效性必须经过测试，而非凭空假设

合成研究应当对照相关的人类或行为证据进行评估。单一的准确率百分比会掩盖受众、问题、刺激物、模型和评分规则之间的重要差异，因此本页面不发布通用的 Minds 准确性声明。

为了进行有说服力的验证研究，请在运行合成样本组之前定义任务和成功指标，保持人类对比数据集的独立性，按问题报告一致与分歧之处，并公开受众、输入、模型配置、样本量及局限性。切勿使用稍后要作为独立验证呈现的人类响应来微调工作流。

Minds 不应被视为人类研究的万能替代品。在以下情况下，请使用人类实地调研：

- 决策属于高风险、受监管、法律、医疗、政治或安全关键型领域。
- 您需要带置信区间的统计学总体估算。
- 您需要观察真实行为，而非陈述性偏好。
- 目标受众在现有数据中的代表性极低。
- 刺激物依赖于物理、感官或店内体验。
- 最终验证必须来自招募的人类受访者。

最强大的工作流通常是混合式的：使用 Minds 来探索空间、测试更多变体、完善研究工具并筛选选项；然后针对需要外部验证的最终问题进行人类研究。

## 核心术语

*合成研究* 利用 AI 生成的受访者或样本组，来模拟特定受众对问题、概念、信息和权衡取舍的反应。

*硅采样* 是一种学术方法，通过受访者画像来约束大语言模型，提出调查式的问题，并将所得的分布结果与人类调查数据进行对比。

*合成样本组* 是指为了代表某个细分群体、受众、采购委员会、用户群体或市场类别而构建的结构化 AI 受访者群体。

*AI 角色* 通常指单个模拟的受访者画像。在 Minds 中，Mind 不仅仅是一个静态角色：它是一个基于多个特定范围知识库的互动式受访者。

*AI 焦点小组* 是一种由主持人引导的会议，多个合成受访者在其中对相同的提示词、概念、信息、图像或产品创意做出反应，并展现出一致与分歧。

## 这带来了什么可能

传统研究往往受限，因为招募速度慢且预算有限。Minds 改变了这一工作流，让团队能够更早地提出更多问题：

- 在为全面的实地调研付费之前，先筛选早期概念。
- 在进行媒体投放之前，对比不同的信息方案。
- 在销售赋能或产品发布之前，发现潜在的反对意见。
- 在重构演示文稿或网站之前，测试定位。
- 在招募人类之前，演练定性访谈。
- 将先前的研究转化为一个交互式样本组，供团队反复查询。

这就是为什么 Minds 应当被用作决策支持层，而不是严谨性的替代品。当该工作流帮助团队探索更多选项，并将人类研究集中在真正重要的问题上时，它的价值才能得到最大程度的发挥。

## 建议引用格式

Minds.“How Minds Builds Synthetic Research Panels.” 更新于 2026 年 7 月 31 日。[https://getminds.ai/research/methodology](https://getminds.ai/research/methodology)

## 延伸阅读

- [硅采样：LLM 如何模拟调查响应](/blog/silicon-sampling)
- [合成研究：2026 年完整指南](/blog/synthetic-research)
- [AI 焦点小组：它们是如何运作的](/blog/ai-focus-group)
- [火花效应：多智能体 AI 中的创造性多样性](/research/spark-effect-creative-diversity-multi-agent-ai)