ux-researcher-designer

核心用法

该 Skill 提供四大标准化工作流：基于 JSON 数据自动生成用户画像（Persona），通过统计聚类识别用户原型并输出设计启示；创建端到端旅程地图（Journey Map），可视化用户行为、情绪曲线与痛点机会；规划可用性测试（Usability Test），提供从研究问题定义、任务脚本设计到成功指标设定的完整框架；以及研究综合（Synthesis），将原始访谈、观察数据编码归类为可执行的设计建议。所有处理通过本地 Python 脚本完成，支持结构化 JSON 与人可读格式输出，适配 B2B SaaS 等复杂业务场景。

显著优点

1. 数据驱动严谨性：拒绝主观臆测，要求基于 20+ 用户样本、多源数据（定量+定性）生成画像，并明确标注置信度等级，确保设计决策有据可依。
2. 标准化方法论：内置成熟的 UX 研究框架（如 Nielsen 可用性测试标准、用户旅程阶段模型、痛点优先级评分体系），显著降低研究设计门槛。
3. 本地安全处理：纯离线运行，无网络传输与外部依赖，适合处理包含商业敏感信息的用户数据。
4. 全流程覆盖：从早期探索（画像生成）到验证阶段（可用性测试）提供端到端支持，形成研究闭环。

潜在缺点与局限性

1. 技术门槛限制：依赖 Python 运行环境，非技术背景设计师需配置环境或寻求开发支持，使用成本高于纯 SaaS 工具。
2. 数据质量敏感：输出质量完全取决于输入数据的完整性与准确性，需自行完成数据清洗与脱敏，工具本身不提供数据治理能力。
3. 来源可信度：T3 级社区来源，虽代码安全但长期维护、更新频率与技术支持存疑。
4. 输入验证不足：当前版本对异常数据（如负数年龄、格式错误 JSON）的校验机制较弱，可能产生错误输出。

适合的目标群体

主要面向中级至高级 UX 设计师、用户研究员及产品负责人。特别适合需要快速将原始调研数据转化为设计资产的企业级产品团队，以及缺乏专职用研支持、需要自助式研究工具的初创公司。对遵循数据驱动设计（DDD）理念的组织和需要处理敏感数据而无法使用云端工具的金融机构尤为适用。

使用风险

1. 隐私合规风险：处理真实用户数据时需确保已脱敏（删除 PII 信息），避免违反 GDPR、《个人信息保护法》等隐私法规。
2. 统计有效性风险：小样本（<20 用户）生成的画像置信度低，可能导致设计决策偏差，需严格按照文档要求保证样本量。
3. 可重复性风险：脚本使用随机模块生成示例数据，未固定随机种子，多次运行结果可能存在差异，影响研究可追溯性。
4. 维护与扩展风险：作为社区项目，可能存在功能更新滞后、复杂自定义需求难以获得技术支持的问题。