# 一份 iMario 调研报告背后的五层结构

> 拆解 iMario 的报告引擎：它把 Braun & Clarke 的主题分析法和咨询式的结论写法结合在一起，从原子编码一路做到核心论点，再用一张引用图谱，把每个结论都追溯到受访者的真实原话。

Source: https://imario.ai/zh/blog/five-layers-behind-imario-research-reports
Published: 2026-04-28
Author: iMario 团队

![](https://cdn.imario.ai/blog/five-layers-behind-imario-research-reports.png)

写调研报告，主要有两种路子。

| 框架 | 起点 | 证据链 | 产出 |
|---|---|---|---|
| 学术派（Braun & Clarke、扎根理论） | 自下而上，从原始转写稿出发 | 每个观点都能追溯到编码后的数据 | 主题加描述性叙述 |
| 咨询派（Minto 的金字塔原理） | 自上而下，从假设出发 | 挑选案例来支撑观点 | 核心论点加 3 到 5 条可执行的发现 |

过去，两种路子之间要权衡的是时间。学术派要做到严谨，就得花好几周：得有人逐行给每份转写稿编码，再手工归纳出主题。现在大模型几分钟就能完成编码和提炼，这个瓶颈已经不存在了。剩下的只是形式上的选择：忠实地描述，还是给出能拿来行动的判断。

iMario 两个都要。流水线底层用学术方法，保证每个观点都有编码后的数据做依据；顶层用咨询的结构，让你读完报告的当天下午就能动手。报告引擎的骨架是一条五层流水线，一张引用图谱从头贯穿到尾：编码归入类别，类别汇总成主题，主题支撑具体的发现。最终报告里随便拎起一根线往下拉，最后都落在一句受访者的原话上。

下面逐层来看。

### 第 0 层：原子编码

访谈一结束，系统就把每条回答切分成原子编码。每个编码包含简短的标签、打标签的理由、情绪值、出自哪一段原话、受访者 ID 和题目序号。30 名受访者、10 道定性题的调研，通常能产出 2,000 到 4,000 个编码。每个编码都是一个独立完整的意义单元，对应着转写稿里一个真实的瞬间。

### 第 1 层：按题归类

每道题的编码，我们归成 5 到 10 个类别。每个类别都有三样东西：一句简短的定义，用来和相邻的类别区分开；一个态度判断，用支撑编码的情绪值交叉核对过；还有一份明确的 `code_ids` 列表，只能取自这道题实际的编码池。只要有一个 ID 不在池子里，就作废这次输出，重新生成。每个类别还会列出 3 到 5 个代表性编码，挑的标准是表达清楚，而不是在数组里排得靠前。

同一次调用还会写出每道题的分析叙述，分成三个结构化字段：“多数观点”“少数观点”和“离群观点”。每个离群观点都带着自己的原话片段和受访者 ID。调研要是把唱反调的人埋掉了，等产品上线，就会给你“惊喜”。所以离群观点在 schema 里单独占一格，不会混在一段大模型可以随手压缩的自由段落里。

### 第 2 层：跨题主题

主题，是至少横跨两道题的规律。我们不把 4,000 个原始编码直接喂给大模型（旧流水线这么试过，过了 500K token 就卡死了），而是只喂给它大约 60 个类别，提示词控制在 50K token 以内。大模型只负责挑出 `category_ids`，接下来由引用图谱做确定性的后处理，推导出 `code_ids`、提及率、情绪分布和分群明细。这些数字不是大模型写的，它也没法虚报。

### 第 3 层：反思式审查

动笔写任何叙述之前，我们先给候选主题算七个指标：编码覆盖率、受访者覆盖率、主题两两之间最高的 Jaccard 重合度、主题提及率的基尼系数、横跨多道题的主题占比、应当降级的单题主题数量，还有没落进任何主题的孤立编码数量。只要有一项越过阈值，比如 Jaccard 高于 0.5、编码覆盖率低于 0.85，或者基尼系数高于 0.65，我们就把这些主题连同具体哪一项不达标，一起交给一次专门挑错的大模型调用重新审视。合并、拆分、降级，都会记进一份变更清单。孤立编码不会丢掉，而是作为值得留意的苗头写进报告，因为只有把对不上号的案例也摆在明面上，一个发现才真正站得住。这相当于 Braun & Clarke 第 4 阶段的工程实现：主题得先经得起审视，才能写进报告。

### 第 3.5 层：发现与核心论点

到了这一层，方法论从学术切换到咨询。一次大模型调用同时产出两样东西：一段 3 到 5 句话的核心论点，概括整体的故事线；还有 3 到 7 条结构化的发现。每条发现都包括结论本身、启示（so what）、建议（do what）、优先级排序，外加至少一个来自上一层的 `theme_id`。我们明确要求大模型，不要为了照顾到每个主题而硬编发现。覆盖了多少主题，是我们拿来衡量的指标，不是强加给模型的约束。

### 实例：走一遍定价调研

一位创始人准备推出 $49/月的新档位，上线前先做了一项 30 人的调研。一共 10 道题，最后产出了大约 3,000 个原子编码。

“你对 $49 这个价格的第一反应是什么？”这道题，有位受访者这样回答：“就落地页上看到的这些，$49 感觉有点贵。要是能看到它每周帮我省 5 个小时，也许可以。”从这句话里提取出三个编码：价格和价值之间有落差（负面）；如果 ROI 清楚就愿意考虑（褒贬参半）；需要看到具体能省多少时间（中性）。

这道题的 80 来个编码聚成了 6 个类别。“价值论证不足”有 24 个编码，来自 18 名受访者；“ROI 能证明就愿意考虑”有 11 个编码，来自 9 名受访者。

第 2 层看的是全部 10 道题里的约 60 个类别。一个主题浮现出来：“价值论证不足成了购买障碍”，横跨定价题、落地页题和竞品对比题。反思式审查发现，它和另一个候选主题“ROI 清晰度”的 Jaccard 重合度达到 0.62，于是触发一次挑错调用，把两者合并。最终提及率：30 人中有 22 人。

核心论点是这样写的：“定价话术的问题，首先出在可信度上，其次才是价格本身。”排第一的发现写的是：如果首屏就能把 ROI 算清楚，30 人中有 22 人愿意接受 $49，另外 8 人单纯因为价格就走了。启示：这是文案问题，不是定价问题。建议：先别打折，拿“每周帮你省 5 小时”的标题，和现在以 $49 为锚点的版本做一次 A/B 测试。优先级：1。

创始人最先读到的，就是上面这一段；它之所以信得过，靠的是下面那一整套东西。

### 一张引用图谱，从头连到尾

每条发现引用主题，每个主题引用类别，每个类别引用编码，每个编码引用一段原话和一位受访者。最终报告里的任何内容，都有一条链能追溯回数据。上面那份定价报告说“把 ROI 讲清楚，30 人中有 22 人愿意接受 $49”，这个数字不是转述来的，而是对支撑编码做图遍历、再按受访者 ID 去重后算出来的。

### 一个意外的好处

每一项输出都是结构化的，每一处引用都是真实存在的 ID，所以整份报告不光人能审，软件也能审。一个 QA 脚本就能核验：每个 `code_id` 都对应一个真实的编码，每个主题的提及率都和它支撑编码里不重复的受访者人数一致，每条发现引用的主题都确实存在。要是让一个大模型一口气把所有内容写完，这些检查一项都过不了。

一份调研报告有多可信，取决于从原始转写稿到最终结论的那条路径。我们把这条路径做成了五层，可追溯，也能让机器检查。方法论早在 2006 年就有了，[支撑它的工程管线](https://imario.ai/zh/blog/harness-engineering-is-the-missing-layer-between-models-and-products)直到现在才出现。

---

[生成一份调研报告 →](https://imario.ai/zh/invitation)

_延伸阅读：[合成调研](https://imario.ai/zh/synthetic-research)、[什么是合成人物](https://imario.ai/zh/blog/what-are-synthetic-individuals-and-why-they-can-represent-real-humans)、[一次真实调研的完整复盘](https://imario.ai/zh/blog/case-mens-beauty-three-decisions-one-week)。_

## 常见问题

### 什么是 Braun & Clarke 主题分析法？

主题分析是 Virginia Braun 和 Victoria Clarke 在 2006 年提出的一种定性研究方法，分为六个阶段：熟悉数据、生成初始编码、寻找主题、审查主题、定义和命名主题、撰写报告。这个框架把分析看作一个主动、反复迭代的过程，而不是被动地做总结。如今已是心理学、健康科学和产品研究领域的标准方法。

### AI 驱动的主题分析和人工主题分析有什么不同？

方法论是一样的，不同的是谁来干活。人工主题分析需要研究员逐行给每份转写稿编码，工作量随样本量线性增长，一项 30 名受访者的调研往往要花好几周。交给大模型来编码、提炼主题，同样的调研几分钟就能处理完。iMario 还加了一层反思式审查，用确定性的指标检查覆盖率、冗余度和提及率，所以用 AI 提了速，严谨性也不打折扣。

### 什么是金字塔原理？iMario 为什么要用它？

金字塔原理是 Barbara Minto 提出的一套商业沟通框架：文档开篇先亮出一个核心论点，下面用 3 到 5 个相互独立的发现来支撑，每个发现都有自己的依据和建议。iMario 把它放在报告引擎的最上层，因为只靠主题分析，产出的内容虽然忠实，却没法直接拿来行动。有了金字塔原理，发现才有了清晰的骨架，产品或营销团队读完报告，当天就能动手。

### AI 生成的调研报告，能信吗？

能不能信，要看能不能追溯。iMario 的报告是按引用图谱组织的：每条发现都引用具体的主题，每个主题引用类别，每个类别引用编码，每个编码引用一段原话和对应的受访者。一个 QA 脚本就能自动核验链条上的每一环。报告里说“把 ROI 讲得更清楚后，30 名受访者中有 22 人接受了这个价格”，这个数字是遍历引用图谱算出来的，不是大模型转述的。

### iMario 怎么防止大模型在发现里编造依据？

所有 ID 引用在进入下一层之前，都要先通过严格的 JSON Schema 校验。如果某条发现引用了不存在的 theme_id，或者某个类别引用了这道题编码池之外的 code_id，这次输出就会作废，重新调用一次大模型。提及率、情绪分布、支撑编码列表这些派生字段，都靠确定性的图遍历算出来，不由大模型来写。大模型负责挑引用，引擎负责核验。