用途
customer-persona 用于创建有调研数据支撑的客户画像，而非基于假设的虚构人物。它通过 inference.sh CLI（belt）调用搜索类应用获取市场数据，并调用图像生成应用生成画像头像，最终形成包含人口统计、心理特征、目标、痛点、待办任务、购买流程等维度的完整画像。
主要能力
- 市场调研：通过 tavily/search-assistant、exa/search、exa/answer 等应用查询目标市场的人口统计、痛点、工具使用习惯和内容消费习惯。
- 画像构建：提供分步流程，涵盖人口统计、心理特征、目标、痛点、JTBD、购买流程等模块。
- 头像生成：通过 falai/flux-dev-lora 应用生成符合画像人口特征的专业头像。
- 反画像：定义“谁不是你的客户”，避免在无法服务的客户上浪费精力。
- 多画像管理：区分主要、次要、第三级画像，并给出优先级建议。
- 验证方法：列出客户访谈、工单分析、分析数据、问卷、销售通话录音等验证途径。
使用方式
需先安装 inference.sh CLI（belt）：
npx skills add belt-sh/cli
登录：
belt login
调研示例：
belt app run tavily/search-assistant --input '{
"query": "SaaS product manager demographics pain points 2024 survey"
}'
生成头像示例：
belt app run falai/flux-dev-lora --input '{
"prompt": "professional headshot photograph of a 35-year-old woman, product manager, friendly confident expression, modern office background, natural lighting, business casual attire, realistic portrait",
"width": 1024,
"height": 1024
}'
构建画像的步骤包括：调研、人口统计、心理特征、目标、痛点、JTBD、购买流程、生成头像。
适用场景
- 产品团队定义目标用户与优化方向。
- 营销团队理解购买决策者与影响者。
- 用户研究团队整理调研结论并可视化。
- 需要区分主要用户、购买影响者与偶尔使用者的场景。
限制
- 画像应基于数据而非假设，需通过客户访谈、工单分析、分析数据、问卷、销售通话录音等方式验证。
- 画像数量建议控制在 2-4 个，超过 4 个难以服务好。
- 人口统计应使用范围而非精确值。
- 痛点应尽量量化。
- 画像需定期（如每季度）更新。
- 应定义反画像，明确不服务的客户类型。
- 具体收费、价格、平台支持范围等信息暂未提供。