核心用法
Customer Persona 技能通过整合 Tavily 搜索、Exa 问答和 Fal AI 图像生成能力，实现从原始市场研究到可视化用户画像的完整工作流。用户首先利用 tavily/search-assistant 和 exa/search 获取真实的人口统计数据、痛点调研和工具使用报告，再基于结构化模板（Demographics/Psychographics/Goals/Pain Points/Channels/Buying Triggers）整理信息，最后调用 falai/flux-dev-lora 生成符合目标特征的肖像照片。
显著优点
1. 研究驱动：强制以数据而非假设为出发点，通过搜索工具获取 2024 年最新薪资、行业报告和用户调研
2. 量化表达：模板要求将模糊痛点转化为可度量指标（如"每周手动报告 15 小时"替代"报告麻烦"）
3. 全维度覆盖：涵盖 Jobs-to-be-Done 框架（功能/情感/社会三层需求）和反画像（Anti-Persona）机制，避免资源错配
4. 视觉化输出：支持生成 1024×1024 专业头像，提升内部团队对 persona 的共情理解
5. 实战导向：内置购买旅程映射（Awareness→Consideration→Decision）和渠道偏好分析，直接指导营销投放
潜在缺点与局限性
- 数据依赖风险：搜索结果质量取决于外部引擎（Tavily/Exa）的索引覆盖度， niche 行业可能数据不足
- 地域局限：模板示例偏向美国 SaaS 市场，需手动调整以适应亚太、欧洲等不同职场文化
- 静态画像问题：建议季度 review 的机制缺乏自动化提醒，依赖人工维护
- AI 生成肖像伦理：Flux 模型可能产生偏见性输出，需人工审核种族、性别代表性
适合人群
- B2B SaaS 产品经理：需要为功能优先级决策寻找用户依据
- 市场增长团队：构建 ICP（理想客户画像）指导付费投放和内容策略
- UX 研究员：补充定性访谈的量化数据支撑
- 早期创业者：在客户开发阶段快速验证假设
常规风险
| 风险类型 | 说明 | 缓解建议 |
|---------|------|---------|
| 数据时效性 | 搜索结果的发布年份混杂 | 明确过滤 2023-2024 年报告 |
| 隐私合规 | 生成头像可能 resemble 真实个人 | 使用 "fictional composite" 提示词前缀 |
| 过度拟合 | 单个 persona 难以覆盖多元用户 | 严格限制 2-4 个核心 persona |
| 工具链中断 | inference.sh CLI 服务可用性 | 本地备份关键研究结果 |