客户反馈堆到几十条以后，团队常出现两个极端：要么谁声音大就先做谁的需求，要么把所有内容交给 AI “总结痛点”，最后得到一页漂亮但无法排期的结论。真正需要整理的不是情绪，而是证据：谁在什么场景下遇到什么阻碍、影响了哪一步、出现过几次、现有资料能不能解释、下一步该由谁验证。
这篇教程讲一套把工单、访谈摘录、销售记录和应用商店评论整理为产品决策台账的方法。ChatGPT 或 Claude 可以加快分类和提取，但不替你决定优先级，更不应该把一条抱怨写成“市场强烈需求”。
先保留原话，再做归类
建立反馈表时，第一列不是“需求名称”，而是原始反馈。至少保留来源、日期、客户类型、原文、发生场景、当前状态和链接。原文是你回查 AI 结论的依据，也能防止转述时把“我没找到”误写成“必须新增功能”。
第二层才是结构化字段：反馈类型（故障、易用性、缺失能力、价格/套餐、集成、文档、建议）、对象模块、任务、阻碍、影响等级、证据强度、重复簇、负责人和下一步。这里的“影响等级”描述现有用户任务受阻程度，不是功能开发优先级。
让 AI 抽取事实，别让它代替用户下结论
先用少量已标注样本测试分类标准。提示词要禁止模型推测客户规模、付费意愿或情绪强度：
根据以下客户反馈，只提取文本明确表达的信息，返回 JSON。字段：feedback_type、user_task、product_area、observed_blocker、stated_impact、requested_change、evidence_quote、confidence、needs_follow_up。若原文没有说清楚，填“未知”；不要推断客户预算、人数、流失风险或市场规模；不要把抱怨自动转化为产品需求。
反馈原文：{{text}}
重点查看 evidence_quote 是否真能支持前面的字段。若“用户任务”是 AI 猜的，就把这行标为 needs_follow_up，而不是投入下一轮汇总。保留置信度低的记录，比把它们伪装成整齐的数据更诚实。
把相似反馈聚成“问题簇”，不是关键词云
同一问题可能有很多说法：“导入失败”“Excel 一直卡住”“上传后看不到数据”。它们是否属于同一簇，要看发生任务、模块、错误条件和后果，而不是标题是否含有“导入”。先让 AI 提出候选分组，再由产品或支持人员确认。
将以下反馈按“同一用户任务和相近阻碍”提出候选问题簇。每个簇输出：簇名、包含的反馈 ID、共同证据、不同条件、不能合并的理由、建议补问的问题。不要按单纯关键词聚类；遇到资料不足时保留独立记录。
确认后的问题簇应有一个稳定 ID。例如 IMP-07：CSV 导入后字段映射不清。以后新反馈进入时先关联簇 ID，长期数据才不会每月换一套叫法。
优先级要把“证据”与“成本”分开
常见错误是给每个需求算一个神秘总分，然后没人知道为什么 72 分比 68 分重要。更透明的做法是并列展示四个判断：
- 覆盖：有多少独立客户、渠道或角色出现过，而不是同一位客户重复发了几条。
- 任务影响：是轻微不便、需要绕路，还是无法完成关键任务。
- 证据质量：是否有可复现步骤、截图、日志、录音原话或成交记录。
- 处理代价：需要文档修正、配置调整、小改动，还是跨团队开发。
这四项不必由 AI 打分。团队可以用高/中/低先排队，讨论时直接看到分歧：有人认为覆盖高，有人指出全来自同一渠道；有人认为影响大，但工程验证显示只是配置问题。决策会因此更具体。
给每个问题簇一个下一步，不要只留“待优化”
一个成熟的决策台账不会把所有问题都变成开发需求。下一步通常只有几种：复现并修复、补文档或引导、联系客户补问、实验原型、调整套餐说明、暂不处理并记录原因。每个动作都写负责人和截止时间。
例如五条“找不到导出按钮”的反馈，可能不需要新功能。先检查页面信息架构、现有帮助文档和权限条件；若不同角色都找不到，再进入设计优化。反过来，只有一条但会让付费客户无法交付的反馈，也可能需要优先处理。数量永远不是唯一判断。
回访是验证，不是礼貌性通知
问题处理后，选择最初提供具体证据的用户进行回访。不要问“现在满意吗”，而是问原任务是否完成：你上次在导入 CSV 时卡在字段映射，这次能否按相同步骤完成？还有没有需要手动绕过的地方？回访结果写回簇 ID，才能知道所谓“修复”是否真的改善体验。
AI 可以根据处理记录起草回访问题，但不应承诺版本日期或效果：
根据原始反馈、已完成的处理动作和仍存在的限制，起草一封简短回访邮件。说明我们检查或调整了什么；用一个具体任务问题验证结果；不要说“问题已彻底解决”，不要承诺未确认的上线时间。语气直接，不超过 120 字。
每两周复盘一次台账本身
抽查十条 AI 分类记录：字段是否有原文支持、问题簇是否合并过度、负责人是否真的更新了状态、暂不处理是否写清原因。再看是否出现大量“未知”——这通常说明收集入口没有问到关键上下文，而不是模型不够聪明。补一个“你当时想完成什么”和“卡在哪一步”的字段，往往能让下一批反馈质量提升很多。
当反馈保留原话、聚类能追溯、优先级看得到证据、处理后有回访时，AI 才成为产品团队的整理助手。它不能替你决定产品方向，但能让真正值得讨论的问题不再淹没在一堆零散消息里。