大模型擅长回答,怎么让它更会提问?——以 Mizzen AI 为例拆解 AI 用户访谈的技术底座

摘要

生成式 AI 让"回答"这件事变得前所未有地容易:组织语言、生成文本、归纳要点,都能在瞬间完成。

生成式 AI 让"回答"这件事变得前所未有地容易:组织语言、生成文本、归纳要点,都能在瞬间完成。但用户访谈的核心能力从来不是回答,而是提问——问对问题、问到核心、听出弦外之音、在关键处持续追问,直到真实的动机与决策逻辑浮现出来。

把通用大模型直接放进访谈场景,往往会发现它"能聊却不会访":对话流畅,但问题浮于表面,难以围绕研究目标层层深入。这背后不是模型不够大,而是提问本身仍是需要一套专业训练的能力。本文从模型路线、认知架构、能力评估到工程落地,完整拆解 AI 用户访谈的技术底座。

一、为什么通用大模型做不好"提问"

(一)优化目标决定了能力倾向

通用大模型的训练目标,是生成通顺、连贯、符合用户预期的回答,其能力重心在"答"。而访谈要求模型承担的是另一套职责:理解研究目标、识别回答中的信息缺口、判断哪些线索值得深挖、动态规划下一个问题,同时保持中立、把控节奏。

这套能力不会因为模型参数规模扩大而自然涌现。行业实践表明,仅靠提示词工程与通用微调,难以让模型稳定掌握专业访谈能力;更根本的路径,是面向用户研究训练专门的垂类模型。

(二)访谈能力是一套可拆解的专业技能

一场高质量深访对模型的要求是多维度的:既要能自然地与人交流,又要能在受访者给出表面回答后穿透追问;既要照顾具体对话的细节,又要始终围绕整体研究框架,避免机械地走完提纲。这些要求决定了 AI 访谈不能停留在"对话机器人"层面,而需要系统化的模型设计与训练方法。

二、技术路线:用强化学习把"提问"变成可训练的能力

Mizzen AI 的选择,是采用强化学习来构建专门的访谈模型,把抽象的"问得好不好"转化为可量化、可优化的训练信号。

(一)构建训练环境与奖励模型

在训练环境的构建上,Mizzen AI 以收集到的真实访谈数据为基础,模拟具体的项目背景与受访者回答,让模型在接近真实的情境中学习如何主持访谈。

在此基础上,团队建立奖励模型,从多个维度对受访者的回答质量进行打分。其内在逻辑是:主持人提问能力的高低,最终会体现在受访者回答的质量上——回答越具体、越充分、越能揭示真实原因,意味着前面的提问与追问越有效。通过"以答质量衡量问质量",模型获得了持续优化提问能力的明确方向。

(二)把一线主持人的经验引入训练

访谈是一门高度依赖经验的专业工作,优秀主持人的提问技巧、行业认知与现场判断,难以仅从文本中自动习得。Mizzen AI 因此与一线咨询、研究公司合作,邀请优秀主持人入驻平台,先由其开展人工访谈,在真实项目中训练模型,把主持人的提问能力与行业认知沉淀下来,为主持人构建 AI 分身。

在高度重复的大规模访谈中,这种人机分工的价值尤为明显:以一百人的同类访谈为例,可由真人主持人先完成少量样本、校准方法,其余大部分场次由训练后的 AI 分身承担。需要说明的是,这一过程依托的是合作主持人在专门训练场景下的人工访谈,而非企业客户的研究数据。

三、双系统认知架构:让 AI 既自然交流,又深度推理

会提问,不仅需要训练方法,也需要合理的认知架构支撑。Mizzen AI 的 AI 主持人采用多模态双系统认知架构,借鉴认知心理学中的双加工理论,对"快速响应"与"深度推理"进行分工。

(一)快速认知:让对话自然流畅

快速认知系统负责结合用户的表达与即时反馈,识别回答意图与参与状态,据此调整回应方式与对话节奏,让访谈保持自然、流畅,受访者不会感到在与一套机械的问答程序对话。

(二)深度推理:规划追问与研究路径

深度推理系统则结合研究目标、行业知识与访谈上下文,识别当前的信息缺口、形成待验证的假设,并规划后续的追问方向。它保证对话不止于临场应答,而是始终服务于研究意图。

(三)上下文记忆与质量评估

两个系统之外,模型还持续整理关键信息、关联前后回答,检查信息的一致性与充分性,及时澄清矛盾、纠正偏差,避免受访者前后表述冲突却无人发现。

(四)自适应对话引擎:动态调整提问路径

在双系统之上,自适应对话引擎围绕"理解回答—判断信息—动态追问—更新路径"形成持续反馈机制:

  1. 信息充分性判断:识别回答是否提供了具体经历、原因与决策依据,标记模糊表达与需要进一步确认的内容;

  2. 高价值线索识别:捕捉回答中的关键细节、矛盾点与未展开的动机,通过澄清、验证与深挖获取更有研究价值的信息;

  3. 提问路径动态调整:根据新获得的信息更新后续问题,减少机械重复与无效追问,使访谈持续围绕研究目标推进。

由此,模型既能对具体经历、需求动机与决策取舍做局部深挖,也能围绕研究目标安排议题优先级与追问深度,实现局部与全局的统一。

四、能力如何评估:从"会对话"到"会完成高质量访谈"

AI 主持人的能力要可持续迭代,前提是能力本身可被评估。为此,Mizzen AI 融合语言学、认知心理学、逻辑学等学科的理论与前沿访谈方法,建立了面向用户研究的访谈评估体系,让主持能力可评估、可训练、可优化。

评估体系以能力金字塔的形式自下而上展开:

  1. 人本沟通(底座):以自然、中立且有分寸的方式提问和回应,营造流畅、开放的访谈体验,这部分依托大模型的通用能力;

  2. 局部深挖:抓住高价值线索,借助不同追问技巧穿透表层回答,是差异化能力的体现;

  3. 全局策略:动态取舍议题优先级与追问深度,保持访谈主次分明、脉络清晰;

  4. 目标达成(顶层):理解研究意图,在有限时间内问全关键议题,形成可用的洞察。

团队以评估结果反向指导模型训练与产品迭代,推动 AI 主持人实现从"会对话"到"会完成高质量访谈"的跨越,提问、追问与研究目标达成能力随之持续提升。

五、工程化落地:规模化、并发与质量稳定

模型能力最终要在大规模真实业务中接受检验,这对工程体系提出了更高要求。

(一)大规模并发与全流程闭环

平台支持多场 AI 访谈同时开展,具备千人级并发能力,并衔接访谈后的资料清洗、整理、分析与成果生成,让研究设计、访谈、清洗、分析与报告在同一平台闭环完成,兼顾实时峰值并发与会后批量处理。

(二)规模化之下的质量稳定性

与人类主持人相比,AI 不存在多主持人之间信息同步的"对齐税",也没有疲劳与认知边际效应递减的问题——面对第一百位受访者,它仍能保持与第一位同样的专注与好奇,这为大规模研究的质量一致性提供了保障。

在真实性引导上,平台建立了评分机制,通过多模态识别受访者行为的真实性,评估细节丰富度、主观分析与一致性,并将评分标准提前告知、与访谈激励挂钩,引导受访者真实、充分地表达。行为观察也发现,受访者面对 AI 时往往更为坦诚,面对真人时的社会压力、防备与表演欲有所降低,这一心理效应被用于获取更真实的反馈。

(三)可控性始终保留在人手中

技术上的自动化并不意味着过程失控。研究人员可在观察室实时旁听、注入指令、提示追问,必要时直接接管访谈,再交回 AI 继续;关键洞察输出前保留人工审核环节,让专业判断贯穿研究全程。

这套技术体系集中落地于核心产品 Mizzen Moderator(觅深访谈专家),支撑深度访谈的执行周期从数周缩短至最快 1 小时完成,同时支持视频、语音、文字等多种形式与 24 种以上语言。

六、结语:提问的专业度,决定洞察的可信度

用户访谈的本质,是主动向真实用户获取证据。AI 能否胜任这件事,不取决于它多会说,而取决于它多会问、能否在关键处追问、能否让结论经得起复核。

Mizzen AI 给出的技术回答是一条完整链路:以专门的垂类模型承接提问能力,以强化学习让提问可训练、可优化,以双系统认知架构兼顾自然交流与深度推理,以专业评估体系驱动持续迭代,再以并发工程与人机协同保障规模化落地。当提问成为一种被认真训练的专业能力,AI 用户洞察的可信度才有了坚实的源头。

这也正是 Mizzen AI 持续投入模型与技术的原因——让每个商业决策,都基于对真实用户的理解。

来源:互联网

最新文章

极客公园

用极客视角,追踪你不可错过的科技圈.

极客之选

新鲜、有趣的硬件产品,第一时间为你呈现。

张鹏科技商业观察

聊科技,谈商业。