chanpinhsd/agent/skills/ude_diagnosis/SKILL.md

name	description
UDE 诊断	基于 TOC 约束理论，从 VOC 消费者数据中提取 UDE（不良效果），通过向量聚类发现核心问题

UDE 诊断（Undesirable Effects Diagnosis）

什么是 UDE

UDE（Undesirable Effect）= 系统中当前正在发生的、阻碍系统实现目标的、可观测的负面现象。

UDE 是症状，不是病因，也不是解决方案。多个 UDE 之间的因果关系指向隐藏的核心问题——通常是一条不被质疑的政策或假设。

---

整体流程

VOC 评论 ──LLM转写──→ UDE 格式句 ──向量化──→ 语义聚类 ──覆盖扫描──→ 核心 UDE 清单
                ↑                    ↑           ↑                    ↑
           格式转换（低幻觉）   DashScope v4   DBSCAN（确定性）    因果链验收

LLM 只出场一次（转写），相似性判断和频次统计全部交给向量空间。

---

第一步：VOC → UDE 转写

有 VOC 研究数据时

对 Agent 说：

"请对研究 [research_id] 的 VOC 评论进行 UDE 转写"

Agent 会调用 voc_to_ude 工具，将每条消费者评论转写为一条 UDE 格式句。

转写规则（LLM 的任务是"格式转换"，不是"分析"）：

• 输入："一瓶三百多，吃一个月，真的吃不起"
• 输出："该品类产品月均消费成本持续超出目标消费者的可接受范围"

UDE 格式规范（7 条硬约束）

#	规范	检查要点
1	完整陈述句	不是"响应慢"，而是"客户投诉响应时间持续超过48小时"
2	现在时态	描述当前正在发生的事，不是过去或未来
3	只描述效果，不含原因	不能包含"因为…所以…"
4	不是伪装的解决方案	不能说"需要X"、"应该做Y"
5	单一实体	一条 UDE 只描述一个问题
6	客观可验证	利益相关方能达成共识的事实
7	在影响范围内	品牌/企业可以采取行动改善的

「伪装的解决方案」速查表

❌ 伪装的解决方案	✅ 正确的 UDE
"需要新的 ERP 系统"	"关键数据难以检索，决策持续滞后"
"应该增加广告预算"	"品牌知名度持续低于主要竞品"
"需要引进高端人才"	"核心技术岗位长期空缺，项目交付延期"
"应该做消费者调研"	"产品开发决策缺乏消费者需求依据"

无 VOC 数据时

引导用户从自身经验出发。不要用预设框架，直接问：

"站在你的客户/消费者的角度，他们当前持续承受着哪些让他们不满意、阻碍他们更好地完成任务的问题？"

---

第二步：向量聚类

前置条件

用户需配置 DashScope API Key（阿里云百炼控制台获取）。对 Agent 说「我的 DashScope Key 是 xxx」即可。

执行

对 Agent 说：

"请对研究 [research_id] 的 UDE 进行聚类分析"

Agent 会调用 cluster_udes 工具：

1. 使用 DashScope text-embedding-v4 将所有 UDE 句向量化（1024 维）
2. 使用 DBSCAN 算法进行语义聚类
3. 返回按覆盖量排序的聚类列表

为什么用向量聚类而非标签统计

	标签统计（旧方案）	向量聚类（当前方案）
问题	LLM 标签碎片化（1020 条产出 1003 个标签）	向量空间天然处理近义表述
频次	GROUP BY 结果无意义（每标签=1次）	簇大小 = 真实覆盖量
全局视野	❌ LLM 逐条处理	✅ 向量空间容纳全部 UDE

输出示例

簇 1（覆盖 80 条）
  代表 UDE：该品类产品月均消费成本持续超出目标消费者的可接受范围
  原声：["一瓶三百多真的吃不起", "不是不想买太贵了", ...]

簇 2（覆盖 27 条）
  代表 UDE：产品冷藏存储要求与消费者日常场景持续冲突
  原声：["需要冷藏但办公室没冰箱", "忘了放冰箱担心失效", ...]

噪声：45 条（4.4%）— 不属于任何主要 UDE 簇

---

第三步：覆盖扫描

对 Agent 说：

"请扫描 UDE 聚类的覆盖情况"

Agent 会调用 scan_coverage 工具，返回：

• 覆盖率：多少 VOC 评论被 UDE 簇覆盖
• 噪声占比：未被覆盖的 UDE（可能遗漏的线索）
• 噪声样本：供人工检查

判断标准：

• 噪声 < 10%：覆盖充分
• 噪声 10-20%：查看样本，可能遗漏某类 UDE
• 噪声 > 20%：需要调整聚类参数

---

第四步：构建因果链

取聚类产生的 Top 5-10 个代表性 UDE，用「因为…所以…」链接，寻找因果关系：

1. 取任意两条 UDE，问："A 是否会导致 B？"
2. 用箭头标注因果方向
3. 发出最多箭头的 UDE = 候选核心问题（根因方向）

朗读测试

• 从下到上：「因为 [原因 UDE]，所以 [效果 UDE]」
• 从上到下：「[效果 UDE] 是因为 [原因 UDE]」

听着不合逻辑 → 检查是否缺少中间环节。

---

第五步：核心问题验收（CLR 检验）

对核心问题候选进行 3 项验收：

检验项	问题
充分性	该原因单独足够导致那些效果吗？还需要什么其他条件？
预测效果	如果核心问题存在，还应该产生什么其他效果？那些效果存在吗？
同义反复	核心问题是不是在用不同的话重复某个 UDE？

---

完成标志

• VOC 评论已转写为 UDE 格式句
• UDE 已通过向量聚类，产出按覆盖量排序的簇
• 覆盖扫描通过（噪声 < 10%）
• 构建了因果链，识别出核心问题候选
• 核心问题通过 CLR 三项验收
• 用户确认核心问题

完成后，将核心问题和 UDE 清单传递给下一步：冲突图构建。

关键提醒：核心问题 = 导致最多 UDE 的根因，不是"跟我们的产品最相关的"。产品/方案如何注入到核心问题上，是冲突图和惯例打破要解决的事。