上下文加载四要素

有效的 context loading 至少包含四个组件，它们决定 AI 如何解读之后的一切：

1. Project context（项目背景）：范围与利害。"探索是否给 Whoop 加屏幕，这是重大硬件决策，这是 10 个流失用户的访谈"是有约束的具体决策；"在做客户研究"是模糊的，AI 只能退回通用分析。
2. Business goal（业务目标）：你要回答的问题。例：判断屏幕会 (a) 赢回流失用户，(b) 解决不了流失用户的核心问题，还是 (c) 需要配套其他条件才能提升留存。说清楚，AI 才会朝你的决策加权证据，而不是它假设的决策。
3. Product context（产品背景）：领域知识。没有它，"我想看到我的数据"会被通用化解读；有了"无屏幕穿戴设备、对手是 Apple Watch/Garmin、价值主张是运动中不分心"的语境，同一句话的含义完全不同。
4. Participant overview（参与者概览）：说话的是谁。"我需要实时数据"出自一个流失转投 Garmin 的用户，和出自从没试过竞品的忠诚用户，权重应完全不同。

问卷数据额外加两段：

• DATA STRUCTURE：逐列说明含义与编码（哪列是客户原声、哪列忽略、0/1 代表什么）。别假设 AI 懂你的 CSV 格式——花 30 秒写下任何不是 100% 清楚的格式约定，可以避免计算和解读错误。
• INTERPRETATION GUIDANCE：受众是谁（如"全部是流失用户的 exit survey"）、分析侧重什么。

效果：作者示例中，补全 context 后输出从泛泛主题变成逐人 verdict、明确 tally（"30% 可被屏幕留存"）和可直接带进 roadmap 讨论的 scenario-based 建议。

反直觉点：大部分人往 context 里塞的内容是多余的。不是越多越好，而是要清晰、直接、相关——以上四项就是底线配置。