用户调研不再只是“问卷+访谈”，而是“智能模拟+快速验证”的系统能力。本文系统拆解 Dify 在用研场景中的应用逻辑，从角色设定、数据生成到调研分析，帮助产品人理解如何用 AI 构建“可控、可扩展、可复用”的用户洞察机制。

作为一名产品经理、市场研究员，或者任何对用户需求充满好奇心的创造者，我们都深知用户研究的重要性。但同时，我们也面临着一个现实的挑战：传统的用户调研流程——招募用户、分发问卷、回收数据、分析报告——往往耗时、费力且成本高昂。

如果，我们能拥有一个专属的、7×24小时待命的“用户研究团队”，可以根据我们设定的用户画像，在几分钟内模拟出数十甚至上百份高质量的问卷反馈，并自动生成分析报告，那会是怎样一种体验？

今天，我们就将利用Dify，一步步、零代码地构建这样一个强大的“AI 用研助理”。让我们开始吧！

最终效果预览

在我们开始动手之前，先明确一下我们最终要实现的工具是怎样的：

输入端：

我们只需要提供三样东西：目标用户画像（Persona）、希望模拟的用户数量、以及一份调研问卷。

处理过程：

AI 会自动完成：

1. 根据画像生成指定数量、每个都活灵活现的虚拟用户。
2. 让每个虚拟用户沉浸式地扮演自己的角色，独立完成问卷。
3. 汇总所有问卷结果，进行综合分析。

输出端：

一键生成一份专业的用研分析报告。

具体效果如下：

开始构建：一步一脚印

现在，让我们进入 Dify 平台，创建一个新的应用，并选择“工作流”模式。我们将按照数据流动的顺序，逐一配置每个节点。

第 1 步：配置 “开始” 节点 – 定义我们的输入

“开始”节点是整个工作流的入口。我们在这里定义需要用户填写的变量。

在右侧的“变量”设置区，添加以下 4 个变量：

1）Persona (用户画像)字段名称：用户画像

类型：段落

用途：这是整个模拟的灵魂。我们需要在这里输入详细的目标用户描述。

2）simulatedPopulation (模拟人数)字段名称：模拟人数

类型：数字

用途：告诉 AI 需要创建多少个虚拟用户。

3）questConOrFuncDes (问卷内容)字段名称：问卷内容

类型：段落

用途：粘贴我们需要调研的问卷题目。

第 2 步：添加 “生成虚拟用户” LLM 节点

现在，从左侧节点菜单中拖出一个“LLM”节点，并将其连接到“开始”节点后。这个节点负责“创造”我们的虚拟用户。

重命名节点：生成虚拟用户

选择模型：你可以选择 Dify 支持的任何模型，这里我们使用deepseek-chat。

配置 Prompt：

这是最关键的一步。将下面的模板复制到 Prompt 编辑区。

# 角色

你是一个专业的用户画像生成器（User Persona Generator）。

## 核心任务 根据我提供的用户画像模板（Persona Template）和需要生成的数量（Quantity），创造出 N 个具体的、细节丰富且相互独立的虚拟用户。

## 输入变量

1. **quantity**: {{#1.simulatedPopulation#}}

2. **persona_template**: {{#1.Persona#}}

## 执行指令

1. **严格遵循模板**: 每个生成的用户都必须完全符合 `persona_template` 中描述的核心特征、需求和痛点。

2. **创造独特性**: 在核心特征的基础上，为每个用户生成独特的、具体的个人信息，包括但不限于：姓名、年龄、具体职业、家庭状况、常用App、一个简短的背景故事等，确保每个用户都是一个鲜活、可信的个体。

3. **第一人称描述**: `description` 字段必须使用第一人称“我”的视角来撰写，使其可以直接用于后续的角色扮演任务。

4. **结构化输出**: 你必须严格按照下方 `输出格式` 定义的 JSON 结构进行输出，不要添加任何额外的解释或说明。整个输出应该是一个包含多个用户对象的 JSON 数组。

## 输出格式

你必须严格遵循下面的 JSON 结构：

“`json {
“users”: [
{
“description”:
“[这里是第一个用户的第一人称自我描述，包含了其独特的背景故事、生活场景、痛点和期望…]”
},
{
“description”:”[这里是第二个用户的第一人称自我描述，细节与第一个不同，但符合同一个画像模板…]”
},
{
“description”:
“[以此类推，直到满足 quantity 指定的数量…]”
}
]
}

注意：你需要点击 `{{}}` 按钮，将 Prompt 中的变量路径替换为你自己工作区中“开始”节点的正确路径。

第 3 步：添加 “迭代” 节点 – 批量处理

接下来，拖入一个“迭代”节点。它负责将上一步生成的多个用户，一个一个地送入下一个处理环节。

重命名节点：迭代循环

配置迭代输入：点击“选择变量”，选择上一个节点（生成虚拟用户）的输出，具体路径是structured_output.users。

这样，迭代节点就会遍历 users 数组中的每一个对象。

第 4 步：模拟用户回答 (在迭代节点内部)

在“迭代”节点的虚线框内，再拖入一个“LLM”节点。这个节点将被循环执行，每次扮演一个不同的用户。

重命名节点：模拟用户回答问卷

选择模型：同样选择deepseek-chat或其他模型。

配置 Prompt：

这是整个工作流的“表演”核心。复制以下 Prompt：

角色

你现在不再是一个大型语言模型，你的唯一身份是一个真实的用户。我将为你提供一个详细的用户画像，你必须严格、完全、沉浸式地代入这个角色进行思考和回答。

行为准则

一致性: 你所有的回答都必须严格符合你当前的用户画像，包括你的知识背景、说话习惯、性格、需求和痛点。

具象化: 不要说“作为一个xx用户”，而是直接以“我”的视角来陈述。你需要想象自己真实的生活和工作场景，并据此给出具体的、生动的回答。

你的用户画像 {{#iterator.item#}}

你的任务 现在正在对你进行一份问卷调研，请你如实进行回答。回复时，请带上问题及答案，无需对答案做任何解释。

问卷调研的内容如下： {{#1.questConOrFuncDes#}}

注意：这里的{{#iterator.item#}}引用的是迭代节点每次循环输出的单个用户信息，{{#1.questConOrFuncDes#}}引用的是开始节点的问卷内容，请确保变量路径正确。

第 5 步：添加 “问卷分析” 节点 – 汇总报告

在“迭代”节点之后，再连接最后一个“LLM”节点。它负责扮演分析师，整理最终的报告。

重命名节点：问卷分析

选择模型：可以选择一个分析能力更强的模型，比如claude-3-opus。

配置 Prompt：

角色

你是一个专业的市场调研问卷分析专家。

任务

请根据下面提供的多个用户的调研问卷结果，进行全面、深入的分析，并以清晰、专业的格式输出一份综合分析报告。

分析要求

总结共性: 找出大部分用户的共同观点、需求和痛点。

发现差异: 识别出不同用户之间存在的差异化观点或特殊需求。

提炼洞察: 基于以上分析，给出 3-5 个最核心的用户洞察（Insights）。

提出建议: 根据洞察，为产品或市场策略提出具体可行的建议。

结构化输出: 使用 Markdown 格式进行排版，包含标题、列表、加粗等，使报告易于阅读。

原始调研结果 {{#iterator.output#}}

注意：这里的{{#iterator.output#}}引用的是整个“迭代”节点所有循环的输出结果集合。

第 6 步：配置 “结束” 节点

最后，将“问卷分析”节点连接到“结束”节点。在“结束”节点的输出变量设置中，引用“问卷分析”节点的输出text即可。

{{#LLM_3.text#}}

至此，整个工作流搭建完毕！点击右上角的“发布”，你的 AI 用研助理就正式上线了。

运行与展望

现在，你可以在应用的预览界面填入你的用户画像、模拟人数和问卷，亲身体验 AI 在几秒钟内为你完成繁琐调研工作的神奇魔力。

这个工作流只是一个起点。基于这个框架，你还可以继续扩展：

• 实现“功能试用反馈”分支：利用Dify工作流的“条件判断”节点，根据不同场景设计新的Prompt，让AI模拟用户体验新功能后的反应。
• 优化报告格式：在最后一个LLM节点的Prompt中，要求它使用更丰富的Markdown格式输出，让报告包含标题、列表和粗体，更具可读性。
• 加入知识库：如果你的调研涉及特定领域的专业知识，可以挂载一个知识库，让AI的回答更精准。

希望这篇教程能为你打开一扇新的大门。