- Susan，腾讯调研¹高级研究员，所在团队一年要操盘 70+ 份专项问卷调研。从问卷搭建、投放回收、清洗统计到可视化交付，每个环节都要精雕细琢，更要跟数据死磕。
- 使用 WorkBuddy 之前，调研日常工作是这样的：一份 30 道题的问卷，要在腾讯问卷后台手工复制粘贴几百次；一份回收数据，各项清洗规则全靠人工操作；出图交付基本靠 Excel 逐题绘制，生产周期通常为半天到一天。
- 她，没有研发背景，整套自动化工具链，纯靠自然语言完成搭建——从打通腾讯问卷 MCP 建卷、到搭建数据处理 Skills 流水线、再到建设可视化平台承接看板交付，全流程闭环靠 AI 编程完成。目前这套工具已经在她所在的团队推广，十几个人在使用。
- Susan，腾讯调研高级研究员
- 一、问卷调研工作三大痛点
- 问卷调研是典型的高频、重复、易错场景，覆盖设计、录入、回收、清洗、统计、出图到交付全环节，以前步步靠人工，链路一长，重复多、差错隐蔽，效率瓶颈越来越明显。三个最耗人、最易错的环节如下：
- 痛点一：问卷搭建——高频、机械、易错
- 问卷录入这个动作每年要重复几十次，一次需要手工复制粘贴几百遍。单选、多选、矩阵、量表还算常规，一旦碰上复杂逻辑、分页、分组，录入和复核都会费不少功夫。人工复制粘贴还容易出差错，返工成本很高。
- 痛点二：数据回收与清洗——数据杂乱、手工出错
- 从腾讯问卷导出的原始数据，无法直接分析。人口信息表、城市分级表和问卷表分在不同文件里，字段不统一，有人乱答，有人重复提交。更难的是清洗规则本身：哪些样本算无效？专注度检验题怎么判？在校学生、退休人员的异常逻辑怎么定义？
- 这些问题过去全靠在 Excel 里一点点手工处理：去重、筛无效样本、拼注册表、匹配城市分级，每一步都要反复复制、查找、核对。操作繁琐又量大，中等体量的问卷能耗掉半天，还容易漏剔、错拼，做得好不好，完全取决于操作人熟不熟练。
- 痛点三：可视化交付——交付静态、挖不动数据
- 数据表洗干净了，怎么把它用起来又是一道坎。过去交出去的，基本是一堆静态图表，能看不能动。客户只能看我们切好的那几个角度，想自己换个维度筛一筛、对比两个城市都做不到，很难再从里面挖出有价值的洞察。
- 二、提效成果
- 依托 WorkBuddy 腾讯问卷 MCP、自研 Skills，把调研全链路从“人工接力”改成“自动执行”，在效率、产能、覆盖、质量四个维度形成可量化提升。
- 三、解决方案
对应的每个交付节点：
- 需要说明的是，03 是一次性的中间交付物。Markdown 文档只在第一次搭平台时用到，平台按它搭好之后，同类调研可以直接复用；之后每一轮回收，实际只走 02 和 04 两步，并不需要重新写一份 Markdown 文件。
- （一）问卷搭建：WorkBuddy+ 腾讯问卷 MCP
- 通过腾讯问卷开放的 DSL（问卷编辑语言）+MCP 能力，把入口前移到 WorkBuddy，通过腾讯问卷 MCP 直接调平台能力。凡是能写进 DSL 的题型、逻辑、统计设置，MCP 基本都能做到，人工只需要核查和兜底即可。
- 两步上手
- Step1·启用“腾讯问卷”连接器
- 打开 WorkBuddy→左侧导航“连接器”安装“腾讯问卷 MCP”，然后进入“技能”→“已安装”，确认已经启用腾讯问卷 MCP 连接器。它覆盖问卷创建、修改、逻辑设置、统计配置这些核心操作，启用一次就能一直用。
- Step2·对话建卷
- 1.在 WorkBuddy 主界面输入框里，输入调研主题，或者直接附上问卷需求文档（Word/Markdown/PDF 都行）
- 2.点输入框右下角的连接器，选 MCP“腾讯问卷”
- 3.把需求说清楚，发出去之后 MCP 直接打通腾讯问卷平台，返回一条能投放的问卷链接
- 两种典型场景
- 极简场景：给主题
- 适合探索性调研、内部快速摸底、方向还没完全定下来的项目。
- 只给一个调研主题，比如「员工培训满意度调研」，MCP 就能自动补齐整套问卷结构，直接返回投放链接。提示词：
- “帮我创建一份「Z世代职场焦虑」调研问卷，覆盖工作满意度、压力来源、应对方式三个维度，目标人群22-35岁白领，预计15题左右，包含1道专注度检验题。”
- 这种模式下，人主要做的是审核问卷是否符合预期。
- 精准场景：给问卷
- 适合题目已经定稿的正式项目。
- 把写好的问卷或需求文档直接附上去，MCP 会照着需求和你给的题干、选项和跳转逻辑原样建到平台上，不自己发挥。提示词：
- “附件是已经定稿的问卷（共 30 题，含完整题干、选项和跳转逻辑），帮我原样录入腾讯问卷平台，题目和选项的措辞不要改动。其中 Q1 是筛选题，选「否」直接结束问卷；Q8-Q12 用矩阵量表呈现；Q15 是开放题。每道题保留原题号，建好后把投放链接发我。”
- 最终实现
- 整个过程不用打开问卷后台，不用逐题复制粘贴，也不用自己写 DSL 文件，把需求说清楚它直接在腾讯问卷平台上把卷建好，拿到录入的问卷链接。只要需求能用腾讯问卷的 DSL 表达，MCP 基本都能做到。人工只需要复核，完成 DSL 不能完成的任务，以及评估是否符合需求预期。
- MCP 能力边界与实操要点
- 问卷回收、导出原始数据之后，进入下一步，也就是用 Skills 处理数据。
- （二）数据处理：用自研 Skills 搭建数据处理流水线
- 把调研数据处理流程拆成多个职责单一的 Skill，分别负责格式转换、多表关联、数据清洗和统计分析。具体的处理规则、参数阈值和输入输出要求，都固化在 Skill 的配置与文档中，最后再用统一的输入输出格式把它们串联起来。
- 实例：一份「AI 工具使用调研」的数据是怎么处理的
- 阶段 0·原始数据现状：
- 问卷投放结束，从腾讯问卷导出两类文件：
- 注册数据表.csv：ID、性别、年龄、学历、职业、城市等人口学字段
- 问卷数据表.csv：ID、答题时长、各题的题目、各题作答结果
- 典型「脏数据」特征：
- 两个文件的 ID 格式不一致，直接 VLOOKUP 匹配不上
- 同一 ID 出现 2-3 次作答记录
- 部分样本答题时长仅 8 秒，明显无效
- 专注度检验题（「请选 A」）有人选了 C
- 城市字段写法混乱：「北京市」「北京」「beijing」并存
- 开放题里有大量「无」「不知道」「111」等无意义字符
- 这些过去需要在 Excel 中逐项处理的问题，现在交给 Skills 一次完成。
- 阶段 1·格式转换 Skill：
- 第一步不做任何业务判断，只管格式兼容：
- CSV 批量转为标准 Excel（.xlsx）
- 统一列名命名规范（题号与题干分离、人口学字段标准化）
- 修复编码问题，处理导出乱码字符
- 统一时间格式，确保下游可读
- 这一步的意义在于，不管导出格式怎么变，进入清洗的永远是一份结构一致的标准数据。
- 阶段 2·多表关联 Skill：
- 调研项目常常要把好几张表合到一起：
- 注册表×问卷表：按 ID 关联，把人口学字段拼到作答数据上
- 城市分级索引表：按城市名匹配一线/新一线/二线/三线/四线/五线
- 多批次回收：支持追加合并而不是覆盖，适合分波次投放的调研
- 阶段 3·数据清洗 Skill：
- 阶段 4·统计分析 Skill：
- 自动逐题计算结果并生成交叉统计，不再需要人工反复制作透视表和计算比例：
- 人口学交叉分析：自动按性别、年龄、学历、城市分级、收入等维度下钻分析
- 指定题目交叉分析：输入题号即可分析重点问题，也可以进行全卷分析
- 样本加权统计：需要校准样本结构时，指定权重字段即可自动计算
- 标准数据表输出：自动生成封面、数据统计表和原始数据明细
- 继续和 WorBuddy 对话，把上述多个 skills 封装成可以交互的数据处理工具（如下图），既可实现一站式完成上述数据处理工作流，又可以在「处理步骤」模块选择任意步骤单独调用。整条流水线跑通后基本不用再手动碰 Excel，跑一遍工具就能输出规整的分析表，数据处理节省了约 60%的人力。
用 WorkBuddy 搭建的数据处理工具- （三）平台设计：用 WorkBuddy 搭建数据可视化平台
- 如果说 Skills 流水线管的是“数据能不能算”，那接下来的环节就是“结论能不能让人一眼看懂”，目标是把数据表上传平台，整份问卷的所有题目自动出图，同时支撑维度点选、差异对比告警、跨题和跨周期分析等核心功能。
- 搭建平台的第一步不是马上写代码，而是先把分析目标、功能需求、页面结构和数据口径整理成一份 Markdown 格式的 PRD，再交给 WorkBuddy 生成可视化平台。
- 为什么要先写 PRD？因为用编程 AI 搭平台，最费时间的不是写代码，而是跟它反复来回磨需求。分析目标、人群怎么分、图表口径、筛选条件、页面长什么样，但凡有一处没交代清楚，AI 就只能边问边猜、改了又改，来回几轮下来既拖进度又费成本。把这些一次性整理进 Markdown 文档、写成一份完整的 PRD，AI 照着做基本能一次到位，省去大量反复沟通。
- 文档写什么：
- 这六类信息写清楚后，就可以让 WorkBuddy 按照 PRD 内容生成数据可视化平台，过程中不需要自己写代码，只需要检查生成结果是否符合业务需求，再通过对话补充或调整细节。
- 平台搭建完成后，这份 PRD 的任务也就结束了。它是从 0 到 1 搭建平台时使用的一次性交付物，后续同类调研不需要重复编写。
- （四）数据展示：用 WorkBuddy 一键生成可视化看板
- 数据可视化平台投入使用后，每轮调研只需要数据处理后的标准表格，即可实现一键可视化输出。以“低空经济公众认知”调研为例：
- 全卷自动出图+题目搜索：30 道题全部自动出图，顶部可搜索快速定位题目，题多的时候不用翻页找题。
- 顶栏多维筛选：收入段（如 8001–15000 元、15001–25000 元等）、城市分级（一线/新一线/二线等）、具体城市等筛选标签。点一下就能切换样本范围，支持多列合并，不用重新跑数。
多列对比+自动差异分析：将同一道题在两个城市中的统计结果并列展示，并用不同颜色加以区分，百分比差异一目了然。进一步，还可以逐个选项自动算差异：标出哪座城市最高、哪座最低，相差多少个百分点，并按差距给出“较小/中等/较大”的程度评级，再配一句结论，节省人工计算和核对的时间。如下图：
单题深度分析：每道题底部支持趋势分析、颜色设置、选项合并、Rebase、下载图表、图表类型切换等操作功能，网格线和坐标轴也能单独开关。
- 四、关键经验总结
- （一）高质量 AI 提效经验
- 1、场景优先，聚焦高价值环节
- 先选定业务场景再匹配 AI 工具，优先在高频、重复、易出错流程落地 AI，快速拿到可量化业务收益。
- 2、结构化规范 Prompt，稳定产出质量
- 使用 Markdown 标准化梳理 AI 编程需求、约束条件、输出格式，替代口语化指令，0-1 原型阶段效果更突出。
- 3、前置优化输入，从根源提升精度
- 不靠反复微调 Prompt，优先通过数据标准化、适配模型选型、固化业务规则解决输出精度问题。
- 4、人机协同定位：AI 做放大器而非替代者
- AI 承接重复劳作、基础推理工作；人主导规则设计、质量审核、核心业务判断，稳定输出高质量成果。
- （二）Skill 模块化落地经验
- 1、原子化拆分，单一职责
- 按功能拆分独立 Skill，格式转换、数据清洗、数据关联、报表封装等功能互不耦合，一个 Skill 只承担一类任务。
- 2、统一标准协议与命名目录
- 固定各 Skill 输入路径、参数格式、输出文件，统一 I/O 交互协议；
- 规范命名、目录层级，废弃模糊迭代命名，如 clean_v2_final_真的最终版；
- 配套标准化交付模板，预设封面、表格样式，执行完成后可直接交付使用。
- 3、完备标准化 Skill 文档
- 每份 Skill 完整记录名称、适用场景、调用方法、异常处理逻辑，便于智能 Agent 检索、新人快速上手。
- 4、分层测试+全链路校验
- 先完成单个模块独立单元测试，确认可稳定运行后再串联；全链路联调核对字段传递、执行耗时，输出结果与人工标准样本比对校验。
- 写在最后
- Susan 的这套方法论，并不是一套“高门槛的黑科技”——它由一个非研发岗的研究员，靠 WorkBuddy 一步步搭建出来。这也意味着，它可以被任何一个有类似痛点的同学复用。
- 正在阅读这篇文章的你，不妨也找到工作中高频、重复、易错的场景——它就是你思考工作流提效的起点，打开 WorkBuddy，从一次对话开始，迈出工作提效的第一步。
- ¹注：腾讯调研是腾讯旗下的专业数据研究品牌，致力于构建专业、高效的数字化调研网络，凭借高精度的样本触达能力与科学的数据分析体系，聚焦经济消费、数字文化、科技热点、社会趋势与网络生态等核心议题，以严谨的量化研究探寻热点背后的社会动因。
