王倩 · 作品集 / 用户研究
← 返回作品集首页
合成用户研究

「长难句拍照分析」多模型合成访谈实录与分析

为验证扇贝单词「拍照识别长难句」功能的核心需求与付费意愿，基于 4 个典型备考画像（雅思 / 在职 / 四六级 / 考研），使用同一份画像设定与结构化访谈提纲，在 7 个不同厂商的大模型上各自完成合成访谈——利用不同模型训练语料的差异扩展合成样本的多样性。本页展示全部合成访谈对话、洞察提取与跨模型假设检验分析。

模型 0 画像 4 对话 0 段 消息 0 方法 多模型合成访谈
📌 假设来源：本调研的核心假设——「长难句功能形态与其目标场景错配，目标人群主要是做纸质真题的考研用户」——来自作者本人的第一手使用体验（见《扇贝 App 产品体验分析》第九节）。调研定位是检验这一假设，而非事后为结论寻找依据；4 类备考画像正是围绕该假设的目标人群（考研主力）与对照人群（在职 / 雅思 / 四六级）设计的。

🧪 样本设计 · 为什么用 7 个模型

设计逻辑：合成访谈的样本多样性受单一模型训练语料的限制——同一个画像设定，模型的演绎会不自觉地带上自己语料背景里的表达习惯、工具偏好和场景细节。把同一份画像与脚本放到 7 家独立训练的模型上各自合成，相当于让每家模型用自己的语料背景来演绎同一批「受访者」：样本更多样，同时也能通过观察跨模型的一致与分歧，区分「普遍的用户行为模式」与「特定模型语料的偏好」。

设计项内容
参与模型DeepSeek（深度求索）/ Kimi（月之暗面）/ 通义千问（阿里）/ 豆包（字节）/ 文心一言（百度）/ 混元（腾讯）/ 智谱清言——7 家不同厂商，训练数据相互独立
控制变量7 个模型使用完全相同的 4 类画像提示词（雅思备考 / 四六级冲刺 / 考研二战 / 在职自学党）与访谈脚本
样本7 模型 × 4 画像 = 28 段独立对话（约 13 万字 + 326 条消息）
洞察提取 · 按画像
以下结论均基于访谈原文，每条可在上方对话记录中回溯验证。

🎯 痛点清单 · 按画像

💰 付费信号 · 对比表

画像付费意愿心理价位关键付费条件一票否决死穴
雅思备考 愿意，但有前提 月付 30–40 元
或买断 ≤198 元		 OCR 准确率 ≥95%；
「分层折叠」式标注，非机械词性着色		 OCR 不过关（漏一个 not）→ 试用期不过完直接卸
在职自学党 愿意（效果付费） 年费 150–200 元
月付 15–18 元封顶		 首月 9.9 体验价；
按「结果」付费，不为功能列表付费		 机械切词（拆碎 push back on 等固定搭配）→ 弃用
四六级冲刺 愿意（需先试用） 月付 25–30 元
6 周冲刺包 49–59 元		 免费试用额度验证；
生词本可导出 / 对接扇贝		 关键结构（however 归属）3 次搞错 → 不续费
考研二战党 强烈愿意 单次买断 98 元
包年 198 元		 一键识别图中所有长难句；
复习闭环（孤岛串成线）		 输入流程打断思考流（从读者变打字员）→ 弃用

📐 需求分级 · 从访谈证据到优先级

P0 生死线
没有它，功能不成立
任一画像缺失即触发卸载 / 拒绝付费
  • OCR 准确率 ≥95%：连字符、斜体、手写笔记干扰全部覆盖（雅思「漏一个 not 意思全反」/ 四六级「铅笔痕迹干扰」/ 考研「荧光笔画乱识别」）
  • 拍照免输入：核心价值在「输入」，不在「分析」（4/4 画像把打字 / 复制粘贴列为最大阻力）
  • 主干 / 修饰分层标注：按阅读优先级折叠，而非「名词蓝动词红」式机械着色（雅思「灰色部分先折叠不看」）
P1 核心价值
决定付费转化
让用户从「可用」到「愿意掏钱」
  • 结构「确认感」：指认 which / that 指代、插入语归属、however 修饰范围（四六级「拆对了不敢确认」/ 考研「不好意思问人」）
  • 一键识别图中所有长难句：跳过「搜寻」环节，每篇精读省 15 分钟（考研最强付费点）
  • 语境级短语讲解：push back / dipped below / got you here 这类「脸熟但心不熟」词汇（在职「双螺旋」痛点）
P2 留存闭环
决定续费与口碑
把「拆完就忘」变成可积累资产
  • 历史长难句归档 + 定期复习：按结构类型分类、艾宾浩斯推送（雅思「每周推 5 个」/ 四六级「按类型突击」）
  • 生词本一键收录 + 可导出：对接扇贝自定义词书（四六级硬条件）
  • 精读记录沉淀：跨页拼接、批量导出 PDF / Word、错题批注（四六级「周六复盘文档」）

🔀 交叉验证 · 跨画像共通发现

多模型分析 · 假设检验与跨模型对比
两个假设源自首轮 DeepSeek 合成访谈的归纳（探索性）；随后锁定判定标准、扩展至 7 模型检验其跨模型复现性（验证性）——统计在标准锁定后进行，不做事后挑选。
样本状态：以下统计表格基于 7 模型 × 4 画像 = 28 段的完整样本设计，页面已收录全部 — 段对话。
证据来源声明：本节基于多模型合成访谈——用同一份画像提示词与访谈脚本，在 7 个不同厂商的大模型上各自合成访谈。目的不是验证某个模型的输出是否正确，而是利用不同模型训练语料的差异，让合成样本更多样：同一个画像设定在不同模型上会呈现不同的表达习惯、工具偏好与场景细节，相当于扩展了合成受访者的样本池。全部 28 段对话均为 AI 生成，所有「引用」均来自合成访谈，不作为真实用户反馈的替代证据。跨模型一致只能提升判断的稳定性，不能替代真实性：它只说明大模型基于相似训练语料得出了相似结论；在把结论作为需求依据前，仍需真实用户访谈验证。

📋 摘要 · 两个关键假设的收敛度

收敛度：多个相互独立的模型对同一问题给出一致结论的程度。一致程度越高，说明该判断越可能是普遍的用户行为模式，而非某一个模型的语料偏好或偶然输出——强收敛 = 全部 / 绝大多数模型一致；部分收敛 = 方向一致但存在需说明的例外。

假设收敛度结果
H1 用户用通用 AI / 翻译工具自救 强收敛 28/28 段对话出现通用工具自救行为。DeepL / 有道 / 欧路 / ChatGPT / 百度拍照翻译跨模型稳定出现，且一批本土工具（微信扫一扫、苹果划词、B 站讲解视频）进入自救工具链。
H2 视觉化结构拆解需求存在 强收敛 28/28 段对话在仅收到功能概要、未收到任何具体形态提示的情况下，自发提出颜色标注 / 主谓宾 / 从句归属等具体形态（4 词方案前合计命中 392 次），跨 7 模型独立复现。
核心结论：用户心智中「长难句分析」尚无足够好用的专门方案——扇贝已有该功能，但受限于单句、手动输入，体验不足；用户因此外逃至自组工具链（微信扫一扫 / 有道 / ChatGPT），折腾 7–15 分钟仍拿不到结构拆解。需求已被验证、缺口定位在输入方式：新功能的及格线是「比手动输入省事、比自组工具链快且准」；长期真正的威胁是通用 AI 助手把拍照拆解的交互做轻。付费锚点（月付 20–50 元 / 年付 200–300 元）跨模型高度一致。

🧭 品牌心智：触达与信任的阻力

我手机里其实有扇贝，但那是背单词用的……我脑子里扇贝就是个背单词的 App，我完全不知道它还有「输入句子让 AI 分析长难句」这种功能……我很难相信它做长难句分析能比 DeepL 或者专门的 AI 强。 四六级画像 · 合成访谈引用 · 非真实用户反馈
品牌心智是触达与信任的核心阻力：即使长难句功能已在扇贝上线（当前形态为单句、手动输入），「扇贝 = 背单词」的固化印象仍会压制触达与信任。功能升级的冷启动重点不是拉新，而是在既有用户的背单词主流程里制造「原来还能这样」的触达时刻（错题复盘、打卡后的长难句推送）。

1️⃣ H1 · 通用工具自救行为（强收敛）

28/28 段对话出现了用通用工具自救的行为描述。跨模型工具矩阵（●=该模型至少一段对话中出现）：

自救工具DeepSeekKimi千问豆包文心混元智谱
有道词典●●●●●●●
百度翻译 / 拍照翻译●●●●●●●
DeepL●●—●—●●
ChatGPT / GPT●●—●●●●
欧路词典●●●●—●—
通用 AI 助手（豆包/Kimi/GLM/千问）●●●●—●●
微信扫一扫 / 自带翻译●——●—●●
苹果划词翻译 / Live Text—————●—

两个跨模型稳定的抱怨模式：「翻译工具只给译文不给结构」与「通用 AI 能拆但要手动打指令，交互成本太高」。后者在 7 个模型中的 5 个独立出现：

豆包 · 在职自学党（设定场景） 之前还试过把句子复制到 ChatGPT，让它帮我拆解：「请划分这个句子的主谓宾，分析从句」。这个效果其实是最好的。……还有豆包本身的拍照功能。我之前就拍过一段外文，上传图片之后，我还要自己手打一句：「帮我拆分这个长难句，标出主句和从句，讲解语法」。 合成访谈引用 · 非真实用户反馈
智谱清言 · 在职自学党（设定场景） 试过啊，GLM、豆包这些我都试过，这就是我说的那种「太重了」……你想啊，我在地铁上单手拉着扶手，看到一句不懂的。 合成访谈引用 · 非真实用户反馈
Kimi · 雅思备考（设定场景） 我就又去欧路词典查，它给的是整句翻译，但成分拆解根本没有。有道更离谱，翻译得顺是顺，但「which」它直接翻译成「哪个」，我一看就知道是机翻。 合成访谈引用 · 非真实用户反馈
H1 判定 强收敛

「用户用通用 AI / 翻译工具自救」在 7 个模型 28 段对话中全部成立，工具名单与抱怨模式跨模型一致。值得注意的是：① 本土工具（百度拍照翻译、微信扫一扫）与国产通用 AI 助手广泛进入自救链；② 「通用 AI 拆得好但交互太重」的痛点被多个模型独立复现——这直接支撑「一键拍照 vs 手动打指令」的差异化主张。

🔍 自救工具的能力边界（为什么都救不了急）

这些工具各有各的强项，但在「看懂一句长难句」这件事上各有短板——所以用户才被逼得来回切 App、折腾 7–15 分钟：

自救工具它的强项对长难句的短板（访谈中的抱怨）
有道词典整句翻译快纯机翻、错译不提示（「which」翻成「哪个」），只给译文不给结构
百度 / 微信拍照翻译拍照取词方便只给译文不拆结构；OCR 识别歪（连字符、斜体易错）
DeepL译文语法准确翻得顺但「插入语归属」看不清——不告诉你是谁修饰谁
欧路词典权威词典、专业版整句翻译但「成分拆解根本没有」
ChatGPT / 通用 AI 助手拆句效果最好要手动打一长串指令、「太重」——地铁单手场景不现实
苹果划词 / Live Text划词方便只给单词释义，不拆整句

结论：翻译工具「给译文不给结构」、通用 AI「能拆但交互太重」、词典「查词不拆句」——三类工具都没踩中「拍照免输入 + 结构拆解」这个交叉点，这正是新功能的机会。

2️⃣ H2 · 视觉化结构拆解需求（强收敛）

先回应一个可能的质疑：受访者说要「颜色标注、拆主谓宾」，会不会只是被我开头那句「拍照拆解」带着顺嘴附和？我的验证办法是——看他们在听到具体功能长什么样之前，有没有自己先说出来。结果 28 段对话全部命中：他们早在我描述功能细节前，就主动提了「把主谓宾用颜色框出来」「先把从句划掉、只看主干」这类做法。而这些词（颜色、标注、主谓宾、从句），我的提问里从没出现过——所以这是真实需求，不是被引导出来的。

模型雅思备考四六级冲刺考研二战在职自学党
DeepSeek1346178
Kimi19211912
通义千问91697
豆包1814915
文心一言742412
混元16656
智谱清言11201316

表里的数字＝该画像在听到功能描述之前，主动说出「颜色 / 标注 / 主谓宾 / 从句」这类具体做法的次数——28 个格子全部大于 0。用户要「把句子结构画出来」，是他们在听到方案前就自己说出口的，不是被引导出来的。

Kimi · 四六级冲刺（设定场景） 考试的时候不是考翻译，是考理解，考你抓主干的能力。翻译软件不会告诉你「prompted」才是谓语，不会画个括号告诉你「that balance...」是修饰 frameworks 的定语从句。 合成访谈引用 · 非真实用户反馈
智谱清言 · 雅思备考（设定场景） 如果这个拍照功能真的能做到拍一下，它直接在原句上把主谓宾用不同颜色框出来，或者用划线把修饰成分剥离，然后底下直接出翻译和语法点，那简直是救我命了。 合成访谈引用 · 非真实用户反馈（此处为完整方案后的确认，自发表达见上表）
Kimi · 在职自学党（设定场景） 第二行，主干抽出来，但别用术语吓我。比如刚才那句，你就给我显示成：能力 → 整合数据 → 变成洞察 → 驱动策略，用箭头或者颜色标出来就行。 合成访谈引用 · 非真实用户反馈
H2 判定 强收敛

结论：用户要的是「一眼看懂句子谁修饰谁」的视觉化展示，而且这个需求在他们被问到功能细节之前就自己提出来了——不是被功能描述带出来的。「视觉化结构拆解」作为核心卖点，站得住。

🎁 附带发现

付费锚点跨模型一致：多段对话独立给出的价格参照：百词斩会员连续包月约 19 元、有道词典会员二十余元、墨墨一年几十元、欧路专业版几十元、ChatGPT Plus 20 美元/月。画像对「长难句拍照分析」的可接受定价落在月付 20–50 元 / 年付 200–300 元区间，跨 7 个模型一致。在职画像对 ChatGPT Plus 的参照（约 140 元/月）构成高端锚点。

模型角色保真度差异（合成研究的方法论观察）：

模型角色保真度观察对分析的影响
DeepSeek角色保真度良好，口语化场景细节丰富（4 段共 56 条消息）直接采纳
文心一言最弱：多段回复滑向「分析报告腔」（如「我还发现这两类工具存在不足……」），且自主联网搜索带出评测文章列表搜索结果中的产品名称不计入画像提及；其 H1/H2 信号仍计（表述方式偏报告但内容在角色框架内）
Kimi输出最长最详细（1.1–1.3 万字/段），思考过程可见引用时仅取角色回答，排除思考文本
通义千问最精简（0.4–0.6 万字/段），但 5 问结构完整关键词命中基数小，方向信号仍清晰
豆包 / 混元 / 智谱角色保真度良好，口语化场景细节丰富直接采纳
真实市场声音 · 赛道尚未被统一心智占领
以下截图来自小红书等社交媒体公开帖，展示用户面对长难句的真实困惑、对现有工具的不满，以及被迫自制的解决方案。
来源声明：本节图片与文字均来自社交媒体公开可见的用户发帖/评论，属于真实用户声音，不是多模型合成访谈数据。截图仅用于说明「长难句分析」赛道的产品碎片化现状，不构成对任何具体产品的系统性评价。

多模型合成访谈给出了方向一致的假设，但合成数据无法替代真实用户的焦虑。在公开社区里随手一搜，就能看到大量类似帖子：有人吐槽现有 App 的拆解方法「莫名其妙」，有人为了驯服长难句自己写 Prompt、搭工具链、找可视化网站，还有人直接发问「长难句到底用什么软件学」。这些声音共同说明一件事——用户心智里还没有一个默认的、好用的长难句分析产品，赛道仍处于「工具难用 → 用户自制替代方案 → 继续求推荐」的碎片化阶段。

📌 看似矛盾的两面，其实是同一件事的两面——上面 22 张轮播里既有"吐槽 AI 难用"，也有"夸某工具好用"。前者指的是主流产品形态（扇贝手动+单句 / 通用 AI 交互重），后者指的是用户自己找到或自建的小众工具（Enpuz、句解霸、vibecoding 自建站、ChatGPT 等）。两种声音合起来，只讲了一件事：需求真实、方向成立、但用户必须自救才能用上——这本身就是"赛道碎片化、心智未统一"的双重证据。

🧩 从真实声音看到的赛道结论

产品心智尚未形成：用户遇到长难句时，第一选择是「微信扫一扫 / 有道 / 百度 / ChatGPT」等通用工具，或者发帖求推荐；没有任何一个专门产品成为「拆长难句」的默认答案。

工具难用催生「自制方案」：从写 Prompt、搭 Agent 工作流，到找第三方语法树可视化网站，用户愿意花时间折腾，恰恰说明需求真实且急迫；也说明现成方案没有满足「拍照即拆、结构可视、可信任」的交叉点。

准确性是最大信任门槛：无论是 NPC 划分法被吐槽「莫名其妙」，还是 AI 解析被吐槽「非谓语标错、翻译诡异」，核心都是「拆解结果不可信」。用户对错误容忍度极低——一旦标错结构，付费意愿直接归零。

与合成访谈的呼应：这些真实社区声音与上方 7 模型合成访谈的 H1 / H2 结论高度一致——用户用通用 AI / 翻译工具自救（H1 强收敛），且自发想要视觉化结构拆解（H2 强收敛）。合成数据的方向可信度因此得到真实用户声音的二次佐证，但下一步仍需真实访谈确认付费细节与使用频次。