用途：把客户访谈的问答逐字稿转化为可落地的产品机会，产出三类成果：主题化洞察聚类、把结果映射到机会与候选方案的机会解决方案树，以及用于填补证据空白的优先后续问题列表。方法源自 Teresa Torres 的持续发现习惯（机会解决方案树）、Steve Portigal 的访谈方法与 Alan Klement 的 JTBD 情境-动机-结果拆解。
主要能力：片段提取与编码，按需求/任务/痛点/收益及证据强度标注故事、矛盾、意外与情绪；主题聚类，默认证据阈值为来自至少 2 名参与者的至少 3 个片段，并配可扫读标题；机会解决方案树，从可衡量结果到客户侧机会再到候选方案，保留证据链；后续问题生成，针对弱证据主题与未映射假设生成故事型提问；支持 markdown、JSON、mermaid、confluence、notion、linear 多格式输出。
使用方式：先确认输入，包括逐字稿数量（3-20）与质量、作为树根的目标结果、证据阈值、输出消费方；不确定时应询问，若用户要求直接起草则先列出假设。准备输入可参照 assets/interview_input_template.json，每条访谈含参与者 id、角色与问答对。运行示例：python scripts/interview_synthesizer.py --input interviews.json --format markdown --output synthesis.md；仅生成树可用 --format mermaid。详见 references 中的框架、方法指南与红旗示例。
适用场景：访谈后整理（3-20 份逐字稿）、承诺方案前绘制机会空间、发现冲刺向产品三人组与相关方汇报、识别仍缺访谈证据的假设。
限制：仅处理已完成的逐字稿，不做现场访谈主持；不做定量分析（问卷统计、点击流）；情绪判断仅用确定性关键词与编码匹配，非机器学习打分；不做赢单/输单分析与画像生成。输出是思考辅助而非路线图，方案仍需实验验证；合成质量受访谈质量限制。