完成后你会得到什么
一份能回到原话的需求清单。每条记录都有访谈编号、原话、需求假设和下一步验证动作。这里的三位受访者及内容全部是模拟材料，不代表真实用户研究或市场验证。
1. 准备原文，保留不同意见
下载 interviews.json。示例包含三个经营者：A 每周手动合并预约申请；B 已经满意地使用现有日历；C 主要担心陌生客户的信息保存。不要把他们总结成“大家都需要自动预约”。
真实访谈先处理授权和敏感信息。用固定编号替代姓名，保留原文另存，不让模型覆盖它。把访谈日期和业务背景加入自己的研究记录。
2. 让 AI 提取证据，不替客户做决定
将模拟输入交给你使用的模型，配合下面提示词。模型服务的费用按你当前套餐计；示例文件和本地检查脚本无需 API。
依据下面的访谈 JSON，生成一个 JSON 数组。
每条记录仅包含：id、interview_id、quote、hypothesis、next_check。
quote 必须是对应 interview_id 的 text 中连续、逐字的原话。
hypothesis 是待验证的需求判断，不能写成既定事实。
保留与主流需求冲突的意见。不能编造频率、收入、付款意愿和受访者身份。
一条记录只描述一个问题。next_check 要写下一次可以询问或观察的行为。
只输出 JSON；无依据时不增加记录。可用的一条输出： 原话是“每周五，我要把邮件里的预约申请抄到表格。”需求假设可以是“集中收集申请可能减少重复录入”，不能变成“客户愿意为自动预约每月付费”。下一步应观察一次实际整理过程。
3. 运行引用检查
把四个文件保存在同一文件夹。在装有 Python 3 的电脑上打开该文件夹，运行：
python3 validate.py interviews.json evidence.json完成示例包含三条证据，脚本应报告通过。脚本检查字段、编号、引用来源和原话是否匹配；失败会返回非零退出码。
故意把某条 quote 改成原文没有说过的“每周花五小时”，再次运行：脚本应拒绝这条引用。修正时回到原文或删掉无依据结论，不能修改原文去迎合模型。
4. 人工审查脚本看不懂的部分
逐字匹配只能防止部分引用错误。模型仍然可能摘取断章取义的一句话，或者用真实引用支持过度推断。
人工逐条确认：引用是否保留语境；需求假设是否超出证据；相反意见有没有保留；下一步验证是否真的能减少不确定性。脚本通过不代表需求成立。
5. 做出一个有限的产品决定
基于这组模拟材料，可以决定先了解申请整理流程，暂不扩展为“替换所有日历”的产品。B 的反对意见应留在清单中；C 提醒你单独确认数据保存与访问方式。这是针对示例的推演，不是对真实市场的结论。
完成标准与失败处理
- 每个需求假设都有来源编号与原话；没有把假设写成事实。
- 正向示例检查通过；篡改原话的反例被拒绝。
- 至少保留一条不支持最初产品方向的意见。
- 下一步是具体访谈或行为观察，而不是立即把全部假设交给 AI 开发。
遇到未知编号，先检查输入和输出是否来自同一批材料。遇到 JSON 格式错误，让模型只修格式，不增加内容。遇到敏感原文，先回到已授权的数据处理方式。