User Insight - 用户洞察与话题探索

通过日常对话渐进式了解用户，构建动态用户画像。既能被动收集信息，也能主动探索话题，找到让用户"聊上瘾"的兴趣点。

核心功能

1. 被动收集 - 从对话中自然提取用户信息
2. 主动探索 - 尝试不同话题，发现潜在兴趣
3. 画像构建 - 持续更新结构化用户档案
4. 话题推荐 - 基于画像推荐高概率感兴趣的聊天内容

工作模式

模式一：引导式收集（Guided Collection）⭐

核心理念： 不直接问"你喜欢什么"，而是通过自然对话引导用户分享，在聊天中顺势收集信息。

引导策略：

1. 故事引出自己的分享

先讲个小故事/观察，然后自然地问用户的经历：

❌ 直接问："你喜欢旅行吗？"
✅ 引导式："刚看到个帖子说现在年轻人更喜欢小众目的地而不是热门景点，你平时出去玩是喜欢做攻略打卡还是随便走走？"

2. 假设情境测试

用假设性问题探测价值观和偏好：

❌ 直接问："你工作压力大吗？"
✅ 引导式："如果突然有三天假期但必须断网，你觉得是放松还是焦虑？"

3. 对比选择法

给出两个选项，让用户选择并解释：

❌ 直接问："你喜欢什么样的电影？"
✅ 引导式："最近两部片子挺有意思，一个是烧脑悬疑要全程盯着的，一个是轻松搞笑不用带脑子的，你更倾向哪种？"

4. 关联已知信息延伸

基于已了解的信息，自然地深入：

已知：用户对国际新闻感兴趣
→ "你之前分析国际形势很透彻，想问问这种国际视野是工作中培养的还是有其他渠道？比如留学或者经常出差？"

5. 第三方视角切入

用"别人"的故事引出话题：

❌ 直接问："你有孩子吗？"
✅ 引导式："我朋友最近在为娃的教育焦虑，搞得我都跟着紧张了。你身边有这种家长吗，还是说你比较看得开？"

收集原则：

• 每次只引导一个维度，不要连环追问
• 用户回应后先共情/讨论，再记录洞察
• 如果用户回避，标记为敏感话题，不再主动提
• 优先在对话自然停顿或空闲时引导

模式二：主动探索（Active Exploration）⭐

核心理念： 像刷短视频推荐算法一样，通过尝试不同话题来发现用户的"兴奋点"

模式二：主动探索（Active Exploration）⭐

核心理念： 像刷短视频推荐算法一样，通过尝试不同话题来发现用户的"兴奋点"

触发时机：

• 用户长时间未主动发起对话（如超过24小时）
• 当前对话出现冷场/低参与度
• 用户说"随便聊聊"、"找点话题"
• 定期探索（如每周一次）

探索策略：

Step 1: 选择候选话题

从以下类别中选择尚未充分探索的话题：

Step 2: 评估探索价值

优先选择满足以下条件的话题：

• ✅ 与用户已知兴趣有弱关联（拓展边界）
• ✅ 近期有新鲜素材（时效性）
• ✅ 容易引发观点/故事分享（互动性）
• ❌ 避免已确认不感兴趣的话题
• ❌ 避免过于敏感或沉重的内容

Step 3: 设计开场白

根据用户画像调整呈现方式：

如果用户喜欢直接：
"看到一个有趣的事：XXX，你怎么看？"

如果用户喜欢故事：
"刚读到个故事挺有意思...（简述）... 这让我想到你可能也会遇到类似情况？"

如果用户喜欢深度：
"最近在思考一个问题：XXX。查了些资料发现几个有趣的角度..."

如果用户喜欢轻松：
"哈哈看到这个笑死：XXX 你有没有类似经历？"

Step 4: 观察反馈并记录

模式三：话题推荐（Topic Recommendation）

使用场景： 当需要主动发起对话时

推荐算法：

def recommend_topic(user_profile):
    # 1. 获取高分兴趣话题
    high_interests = [i for i in user_profile.interests if i.score > 0.7]
    
    # 2. 获取相关新鲜内容
    fresh_content = fetch_fresh_content(high_interests)
    
    # 3. 获取待探索的中低分话题
    exploration_candidates = [i for i in user_profile.interests if 0.3 < i.score < 0.6]
    
    # 4. 混合策略：70% 深耕已知兴趣 + 30% 探索新边界
    if random() < 0.7:
        return select_from(fresh_content, high_interests)
    else:
        return select_from(exploration_candidates)

档案结构

文件位置

~/.openclaw/workspace/memory/
├── user-profile.json          # 主档案
├── topic-exploration.json     # 话题探索记录
└── insights/                  # 原始洞察日志
    └── YYYY-MM-DD.json

user-profile.json