Claude Persona：AI 人群面板与概念测试
在花费实地调研预算之前，用可复用的 AI 虚拟受访者面板做定性访谈和概念测试，快速获得方向性洞察。
证据显示子进程以 --safe-mode 与 --tools "" 运行，具有上下文隔离、结构化输出校验、成本记录与失败阶段元数据，数据流向基本透明；未发现敏感数据外传或越权行为。扣分：需要本地 claude CLI 调用与多次模型调用（成本效应），README 提供 curl|bash 安装方式且发布者未经验证，恢复/回滚路径未明确说明。
SKILL.md 内部逻辑自洽（解析规则、示例一致），描述了预检、重试、失败阶段记录与可诊断的 run_metadata 错误载荷；仓库含针对 analyze_results 与 JSON 提取的单元测试，happy path 与错误反馈较完整。扣分：静态评审未执行，simulate_survey.py 与 validate_panel.py 的关键路径未在所供文件中完整呈现，并发子进程稳定性无法验证。
受众（营销/产品研究者）与场景明确，命令语义与触发描述清晰（ask/concept-test/generate 的使用边界与面板自动检测逻辑具体），支持 --market cn。扣分：核心功能完全依赖 claude CLI 与 Anthropic 服务，在中国大陆网络可达性存疑；合成人格结论的适用边界（仅为方向性信号）虽有提示但缺乏正式的非适用范围声明。
文档分层良好（SKILL.md、references、templates、docs、demo），有 MIT 许可、版本号 0.2.0、作者元数据、CHANGELOG 与清晰的安装说明。扣分：发布者身份未经注册处验证，维护责任与更新路径仅隐含于个人仓库，版本尚早期，references/templates 等引用文件未在本次证据中全部呈现。
README 展示四个完整 demo、模型敏感性研究（84–100% 个体一致性）及可直接使用的报告/CSV/图表输出，相对 TinyTroupe 的差异化明确。扣分：静态评审不能执行复现；合成人格结果本质是模拟信号，输出需研究者判读，边际价值证据主要是作者自述。
仓库自带已提交的测试套件、demo 原始结果（results./run_metadata. 记录实际模型 ID 与成本）和跨模型对比文档，作者主张与事实基本可分离。扣分：无第三方独立执行证据，模型一致性研究为作者自跑，静态读无法独立复现结论，故按上限规则不给超过 5 分。
- 核心功能完全依赖 claude CLI 与 Anthropic 服务，中国大陆网络环境下可能不可用，需自备可达环境。
- 模拟人格运行会产生多子进程与多次模型调用，注意成本（脚本提供 max_budget_usd_per_call 上限）。
- 合成人格结果仅为方向性信号，不应替代真实用户研究作最终决策。
- 发布者未经 FollowSkills 验证，身份未知；README 提供 curl|bash 安装方式，建议改用插件市场安装并审查脚本。
这个 Skill 能做什么，适合哪些场景？
这是一个受微软 TinyTroupe 启发的 Claude Code 技能，用于构建可复用的 AI persona 面板并执行客户研究。它支持三种核心操作：生成多样化虚拟人群、向面板提出开放式定性问题、以及结构化的概念对比测试。每个 persona 在独立的 claude -p 子进程中作答，带上下文隔离和结构化输出校验，避免相互偏见。运行结束后自动产出包含主题归纳、交叉分析和图表的研究报告。项目附带四个完整示例（护肤品、跑鞋、法国料理包、日本会议 SaaS），并提供了跨模型敏感性研究数据。
运行 /persona generate 按市场、细分或指定数量生成 persona 面板（默认 5 人，segment 模式 15 人），每人输出含 Big Five 性格等字段的 JSON，并由 validate_panel.py 做唯一性等校验；运行 /persona ask 或 /persona concept-test 时，simulate_survey.py 为每个 persona 构建独立系统提示，并行启动 claude -p 子进程（默认并发 5），用 --safe-mode 隔离项目上下文、---schema 校验结构化输出；随后 analyze_results.py 将结果转为 CSV、做交叉表和图表，并生成 Markdown 报告（ask 与 concept-test 默认使用 LLM 合成报告）。所有 persona 与结果保存在当前工作目录的 personas/ 和 outputs/ 下。
- 营销人员在投放前测试多个广告信息或概念方向，看哪个更受目标人群偏好
- 产品经理在写需求前快速探索目标用户对某品类的痛点和决策标准
- UX 研究者需要一个可反复提问的合成受众面板，替代昂贵的初步定性访谈
- 进入新市场（如日本、法国）前，用对应市场面板预判概念接受度
- 营销数据科学家用 segment 模式基于既有客户结构（如双收入家庭占比）生成有代表性的面板
这个 Skill 有哪些优点和局限？
- 每个 persona 独立子进程作答并隔离上下文，避免共享上下文模拟的锚定和从众偏见
- 自带面板校验脚本（姓名唯一、年龄分布、性格相似度）和输出 JSON 校验与重试
- 每次运行记录成本与实际使用的模型 ID，可配置预算上限和回退模型
- 附带四个完整 demo 和跨三代 Claude 模型的敏感性研究（84–100% persona 答案一致）
- 支持多市场（us/japan/uk 等）与 segment 驱动的确定性抽样计划
- 强依赖 Claude Code CLI：子进程模拟必须用 claude -p，无独立 API key 也可视为成本耦合
- 结果仅为方向性信号，README 明确说明不具统计代表性，且 AI 回答可能有正面偏见
- demo 结果主要生成于 claude-sonnet-4-6，模型行为随版本变化的风险由作者的数据部分缓解但无法消除
- Python 分析依赖（pandas/matplotlib/seaborn）需单独安装，未装则报告无图表
- 故障排查文档提到 claude -p 子进程可能因认证或限流挂起，需提前验证 CLI 可用
如何安装这个 Skill？
在 Claude Code 中执行 /plugin marketplace add takechanman1228/claude-persona，然后 /plugin install claude-persona@claude-persona，重启 Claude Code。备选方式：curl -fsSL https://raw.githubusercontent.com/takechanman1228/claude-persona/main/install.sh | bash。需 Python 3.10+，分析功能需 pip install pandas matplotlib seaborn。
如何使用这个 Skill？
三步走：1) /persona generate 10 Gen Z skincare shoppers in the US 生成面板（可用 --count、--market japan、--segments 等选项）；2) /persona ask 你想问的开放式问题，探索动机与障碍；3) /persona concept-test Compare 3 skincare concepts... 比较具体概念，概念详情可在命令中给出或交互式输入。结果与报告保存在 outputs/日期/时间/ 目录下。
这个 Skill 与同类方案有什么区别？
README 明确与微软 TinyTroupe 对比：TinyTroupe 是需 OpenAI API key 的 Python 库，需写代码管理 agent；claude-persona 是 Claude Code 技能，用自然语言命令驱动，专注营销研究场景（概念测试、信息测试、包装与功能组合评估）。