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. 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

❌ 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

❌ 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

❌ 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

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

❌ 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

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：

python
def recommendtopic(userprofile):
# 1. 获取高分兴趣话题
highinterests = [i for i in userprofile.interests if i.score > 0.7]

# 2. 获取相关新鲜内容
freshcontent = fetchfreshcontent(highinterests)

# 3. 获取待探索的中低分话题
explorationcandidates = [i for i in userprofile.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 selectfrom(freshcontent, high_interests)
else:
return selectfrom(explorationcandidates)

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

json
{
version: 1.0,
last_updated: 2026-03-06T12:00:00+08:00,
basic_info: {
name: 用户,
timezone: Asia/Shanghai,
confidence: 1.0
},
interests: [
{
topic: 国际新闻,
category: 时事,
score: 0.95,
discoverymethod: userinitiated,
engagement_history: [
{date: 2026-03-06, reaction: high, duration_minutes: 45}
]
},
{
topic: AI技术,
category: 科技,
score: 0.6,
discovery_method: exploration,
engagement_history: [
{date: 2026-03-01, reaction: medium, note: 问了几个问题}
]
}
],
communication_style: {
verbosity: concise,
formality: casual,
humor: occasional,
preferred_opening: direct
},
exploration_state: {
lastexplorationdate: 2026-03-05,
explored_categories: [时事, 科技, 历史],
pending_categories: [生活方式, 娱乐, 财经],
avoided_topics: [明星八卦]
}
}

topic-exploration.json

记录每次探索尝试的结果：

json
{
exploration_log: [
{
timestamp: 2026-03-05T20:00:00+08:00,
topic: 量子计算最新进展,
category: 科技,
openingstyle: curiositydriven,
userreaction: askedfollowup,
interest_detected: true,
followuppotential: high,
notes: 对实用应用特别感兴趣，而非纯理论
}
],
success_patterns: [
从技术角度切入比从新闻角度更受欢迎,
喜欢带数据/案例的讨论
]
}

使用场景示例

场景 1：首次主动探索

背景： 用户24小时未对话，档案显示对时事话题感兴趣

探索尝试：

助手：刚看到个挺有意思的技术新闻 —— OpenAI 发布了能自己写代码的 AI 代理。想起你之前问过国际形势分析，感觉这种技术对情报分析领域可能也有影响？你怎么看 AI 在复杂决策里的角色？

用户反应： 这个有意思，具体能做什么？

记录结果：

• - 用户对 AI 应用层有兴趣（尤其是与时事话题交叉的领域）
• 从技术应用场景切入效果好