dsh-plugin-user-research
DeepSeek Harness 插件：用户研究合成 Agent 包——把访谈 / 问卷 / 观察笔记合成用户画像、痛点与机会点。
插件会安装到这里；不确定时保持 web。
npx -y @deepseek-ai/dsh plugin --profile web add github:nsdmgt/dsh-plugin-user-research#cb0ce07fb9d70d9bbab8c5196ba0eee8a1ae89caPlugin User Research 以 dsh-plugin-user-research 发布，当前版本为 0.1.0。Plugin Hub 会校验它的 manifest，并保存精确安装来源，便于复现安装结果。
点击下方 Badge 复制 Markdown，粘贴到 README 即可。
验证 package.json 声明的 GitHub 仓库，即可管理这个公开页面。认领后，Hub 会优先安排当前版本的安全扫描，并在通过后公开展示结果。
认领这个 Plugin →DeepSeek Harness 插件 · 把调研笔记变成产品决策 输入访谈记录、问卷开放题或用户反馈,输出用户画像、痛点原话、可验证的机会点。
做用户研究最怕两件事:一是访谈/问卷记了一大堆,最后只能凭感觉总结;二是让 AI 直接总结,结果它替你"编"了好多原话里没有的结论。
这个插件做的是一个有方法论约束的用户研究合成工具:它不替你下判断,而是把原始素材按一套固定的研究框架拆成"画像—痛点—机会",让你能基于真实证据做决策。
一个 agent 可调用的工具 + 一套方法论技能:
research_synthesize:输入一份笔记文件,输出结构化合成结果
personas — 推断的用户画像(角色 / 诉求信号 / 主题)painPoints — 抽出的痛点原话(带主题与严重度,绝不替用户编造结论)opportunities — 按信号强度排序的机会点(含可解释的评分口径)/user-research-synthesis、/interview-analysis、/persona-build、/opportunity-map三步就能跑起来:
准备素材:把访谈录音转写、问卷开放题导出、客服聊天记录或用户反馈整理成一个 .txt、.md 或 .csv 文件。
调用工具:在 dsh 会话里说:
把
notes/interview-01.md做一次用户研究合成,挑出前 3 个机会点。
agent 会调用 research_synthesize(filePath="notes/interview-01.md", maxOpportunities=3)。
看结果:你会拿到一份结构化输出,包含按主题归类的痛点原话、推断出的用户画像,以及按信号强度排序的机会点。
| 角色 | 场景 |
|---|---|
| 产品经理 / 需求分析师 | 做完用户访谈后,把 10 份录音转写快速合成出"用户真正在抱怨什么" |
| UX 研究员 / 设计师 | 从可用性测试笔记中抓出高频痛点,支撑设计决策 |
| 创业者 / 市场人员 | 整理问卷开放题、竞品评论、售前咨询记录,找未被满足的需求 |
| 客服 / 用户成功 | 把用户投诉和反馈聚类,定位产品改进优先级 |
一句话:只要你手里有一堆用户的原话,想把它变成"谁有什么痛、值不值得做"的清晰结论,这个工具就适合你。
# 装入 web profile(装完需重启 web 服务)
dsh plugin --profile web add dsh-plugin-user-research
或临时用绝对路径挂载(开发期,不改全局配置):
dsh web --patch ./cordis.patch.yml
# 本地开发请把 cordis.patch.yml 里的 name 改为 index.js 的绝对路径,见文件内注释
装好后,在会话里直接说:
把
notes/interview-01.md做一次用户研究合成,挑出前 3 个机会点。
agent 会调用 research_synthesize(filePath="notes/interview-01.md", maxOpportunities=3)。
素材会按 6 个常见维度自动归类:
每个维度对应一组中文信号词。如果你对某个领域有特定口径(比如医疗、教育、B2B),可以在 synthesize.js 的 THEME_TAXONOMY 里自己增删。
机会得分 = 信号条数 × 1 + 显式痛点条数 × 2
简单说:被越多人反复提到、越明确表达痛苦的需求,得分越高。但它只告诉你"这里值得多看一眼",要不要做、能不能做,仍然要你自己结合业务判断。
工具在输出痛点时,只引用用户原话,不会扩写成"用户认为……"。样本太少的时候,它也会直接提示"结论置信度低"。这样你拿到的东西才能拿去跟团队对质,而不是一段看起来很有道理但查无实据的漂亮话。
dsh-plugin-user-research/
├── index.js # dsh 插件入口:把 synthesize 接成 research_synthesize 工具
├── synthesize.js # 纯逻辑合成引擎(与 Cordis 解耦,可独立单测)
├── cordis.patch.yml # bundle 挂载描述(insert 行)
├── skills/ # 4 个方法论技能包(SKILL.md)
├── templates/ # 访谈提纲 / 合成画布
└── test/synthesize.test.js
核心逻辑刻意不依赖任何 @deepseek-ai/* 运行时,因此可以脱离 DeepSeek Harness 单独测试。
node --test
# 9 passed —— 覆盖语句切分、主题检测、痛点判定、画像推断、评分排序、计数截断、空输入
核心合成逻辑是脱离 dsh 框架写的纯函数,所以可以直接用
node --test跑,不需要启动整个 agent 环境。这也是我们敢在预览期 dsh 上发布插件的底气——只要主题分类和评分逻辑不变,框架接口再怎么变,这部分都不会坏。
@deepseek-ai/dsh@0.1.0-rc.7(npm latest,2026-08-19),Node ^22.19 || >=24node --test 并核对 defineTool 契约。package.json 的 engines.dsh 已锁定 >=0.1.0-rc.7。