customer-persona

该 Skill 提供了一套研究驱动的客户画像（Customer Persona）构建方法论，通过结合 inference.sh CLI 工具进行市场数据检索与 AI 头像生成，帮助用户创建包含人口统计、心理特征、目标、痛点及购买流程的完整客户模型。

核心用法上，用户需先通过 infsh 命令调用 Tavily、Exa 等搜索服务收集目标市场的真实数据，再基于 JTBD（Jobs-to-be-Done）框架逐步完善画像的各个维度，最后使用 Fal.ai 生成符合 demographic 特征的专业头像。整个过程强调“用数据替代假设”，并提供反画像（Anti-Persona）定义功能以避免资源浪费。

显著优点包括：1）结构化框架覆盖从研究到可视化的完整工作流；2）引入量化痛点（如“每周花 15 小时制作报告”而非“报告很麻烦”）使画像更具可操作性；3）支持多角色优先级划分（Primary/Secondary/Tertiary）和反画像定义，帮助团队聚焦核心用户；4）生成的头像和报告可直接用于营销策略、产品需求文档及销售赋能材料。

潜在缺点与局限性在于：重度依赖 inference.sh 第三方 CLI 及外部 AI 服务（搜索与图像生成），需用户自行注册账号并承担 API 费用；所有命令需手动复制执行，无法实现自动化批量生成；作为纯文档型 Skill，其实际功能受限于外部服务的可用性与数据隐私政策，不适合对数据安全有极高要求或需完全离线使用的场景。

适合的目标群体主要为 B2B 营销人员、产品经理、UX 研究员及销售团队，特别是需要为 SaaS 或科技产品创建精准用户模型的从业者。对于缺乏明确研究方法论或依赖主观假设创建画像的初创团队尤为实用。

使用风险主要包括：执行文档中的 curl | sh 命令存在潜在供应链安全风险，需验证脚本来源；使用第三方搜索服务（Tavily、Exa）处理市场调研数据时可能涉及信息泄露；长期依赖特定 CLI 工具可能导致供应商锁定；此外，AI 生成的头像可能存在版权或伦理争议，用于商业用途时需谨慎评估。

核心功能

customer-persona 是一个研究驱动的客户画像创建 Skill，通过整合市场数据与 AI 工具生成完整的用户角色档案。核心用法围绕「研究→建模→验证」三阶段展开：

1. 数据驱动研究

• 使用 Tavily/Exa 搜索工具获取真实市场数据（薪资、痛点、工具使用习惯）
• 避免基于假设的"虚构人设"
• 支持量化指标收集（如"每周15小时手工报表"而非"报表麻烦"）

2. 八维度画像构建

• 人口统计（年龄/收入/教育/职位等区间值）
• 心理特征（价值观/动机/性格/生活方式）
• 目标设定（职业+个人双维度）
• 痛点量化（具体场景+时间成本）
• Jobs-to-be-Done（功能/情感/社会三类任务）
• 购买旅程（认知→考虑→决策全流程）
• 渠道触点（LinkedIn/Newsletter/社区等）
• 视觉头像生成（Fal.ai Flux 生成符合画像特征的专业形象）

3. 反画像与优先级管理

• 明确定义非目标客户（Anti-Persona），防止资源错配
• 建议最多 2-4 个画像，区分主要/次要/三级角色

显著优点

| 优势 | 说明 |

|------|------|

| 方法论完整 | 覆盖 JTBD、旅程地图、反画像等现代产品管理框架 |

| 实操性强 | 提供可直接复制的 Bash 命令模板和表格结构 |

| 避免常见错误 | 专门列出「基于假设」「画像过多」「痛点模糊」等6类典型失误及修正方案 |

| 验证机制 | 强调通过客户访谈、工单分析、行为数据交叉验证画像真实性 |

局限性与风险

| 限制 | 说明 |

|------|------|

| 工具依赖 | 需自行注册 Tavily/Exa/Fal.ai 等第三方服务，产生额外成本 |

| 无自动化 | 纯文档型 Skill，不提供一键生成画像的自动化能力 |

| 更新责任 | 建议季度回顾，但无内置提醒或版本管理机制 |

| 文化局限 | 示例以北美 SaaS PM 为主，其他地区/行业需自行本地化 |

适合人群

• 产品经理：需求优先级排序、功能设计决策
• 市场营销：内容策略、渠道投放、文案语气校准
• UX 研究员：用户旅程设计、可用性测试招募标准
• 早期创业团队：从 0 到 1 明确目标客户边界

使用建议

建议配套安装 web-search、ai-image-generation、prompt-engineering 三个关联 Skill 形成完整工作流。初次使用建议先用提供的模板创建 1 个主要画像 + 1 个反画像，通过 5-10 次真实客户访谈验证后再扩展。