客户在访谈里说"希望能自动同步"，这句话被原样写进需求清单，两周后做出来的东西没人愿意付费。一人公司常见的失误不是没做访谈，而是把客户说的话直接当成了需求。客户的诉求是原料，需求是判断的产物，中间隔着一道必须自己走的工序。

客户说的是自己的解释，不是事实

客户对自身问题的描述，往往混合了事实、归因和期待。"系统太老了"是对现象的归因，"以后肯定会用"是对未来的承诺，这两类信息在决策中的分量，远低于他上周为此花掉的时间和金钱。访谈现场的犹豫、停顿、绕开的话题，在转成文字时就已经丢失，剩下的文本比你以为的更单薄。而模型天然倾向于给出连贯、完整、有结论的答案，会把断裂和不一致抹平，于是整理稿读起来越来越顺，也越来越像一份已经成立的需求。

把诉求翻译成可追问的行为问题

一条诉求要变成可用证据，先得落到具体行为上。客户说"太麻烦了"，就问他上一次处理这件事是什么时候、花了多久、卡在哪一步。追问不到具体行为的，先降级处理。判断的优先级大致是：过去的行为 > 已经支付的代价 > 现在的抱怨 > 对未来的承诺。按这个顺序筛一遍，能筛掉相当一部分听起来合理、实则无法支撑决策的条目。

跨访谈归类时，单位是场景加触发条件，而不是关键词出现的次数。同一个词在不同客户嘴里可能指向完全不同的场景，按词频合并会造出假需求。只有一个客户提到但痛感极强的场景，单独列出来，不要急于并进主流。反例同样要留在表里——把所有支持自己的说法留下、把不一致的删掉，需求清单就变成了自我确认。

判断"这句话到底是不是证据"这件事，没有外包选项。AI 能承担转写、归类、抽原话这些体力活，但它交出来的始终是整理稿，不是证据。每条结论必须能点回具体原话和时间戳，凡是回不到原话的条目，不管读起来多顺，都该从清单里删掉。这道判断留在自己手里，需求验证才还成立。