AI驱动的Miro客户旅程地图生成

我最近一直在自由时间里尝试使用 Claude Code、AI 代理和小型自动化项目。我上一个项目从 Gmail 中提取了五年的航班数据用于我的英国公民身份申请。那个项目教会了我 AI 在多大程度上可以帮助个人管理工作，以及现在将其与编码代理和我们每天使用的应用程序和软件集成是多么容易。上个周末我想尝试一些新的东西，一些我以前使用 Miro 手动做过的事情，Miro 是产品经理、设计师和工程师常用的流行工具。

那周我在 ProductCon（由产品学校主办），Miro 的产品负责人是演讲者之一。会议结束后，我会见了他和他的团队。他们刚刚在 2026 年 2 月推出了他们的 MCP 服务器（模型上下文协议），并讨论了它如何让 AI 工具直接与 Miro 面板交互。我已经在使用 Notion MCP 来发布内容，几乎将 Notion 视为数据库。但 Miro 不同。Notion 是结构化数据。Miro 是一个视觉画布、表格、文档、空间布局。这使得集成更有趣，也更复杂。

客户旅程地图似乎是一个很好的测试案例。我过去亲手构建了几次。大多数团队手工完成。某人预订两小时的工作坊，所有人挤在 Miro 面板周围，粘性便签在网格上缓慢累积。接触点、情绪、痛点、机会。这很有效。但当你不在房间时，地图只能和当时在场的人一样好。

因此，作为与日常工作分开的个人实验，我使用 AI 从一个名为 PawBox 的虚构宠物食品订阅中生成了六个客户通话记录。我想在 Miro 面板上完成一个旅程地图，包括阶段、情绪、痛点、直接客户引用和优先行动。我希望自动生成它。

这就是 Claude Code 帮我构建的。三个 AI 代理、一个 Miro 面板，大约 5 分钟的运行时间。代码可以从这里下载。

1、为什么自动化客户旅程地图

粘性便签没有任何错。编写它们迫使你思考。逐阶段分解旅程、逐个引用，是一个有价值的过程本身。

但是当你有大量数据时，手动处理它是耗时的。浏览几十个通话记录、标记情绪、识别痛点、将它们映射到阶段，这在你开始实际分析之前就是几个小时的工作。拥有 AI 生成结构化摘要和视觉旅程地图给你一个起点。你审查它，删除不合适的内容，添加缺失的内容，并把时间花在思考而不是格式化上。

2、MCP 使什么成为可能

MCP 服务器是位于 AI 工具和应用程序（如 Miro 或 Notion）之间的预建层。服务器宣传它可以做什么（创建表格、添加粘性便签、编写文档），AI 决定调用哪些操作，以什么顺序，以及使用什么数据。你不需要编写集成代码。代码已经在服务器端编写了。你只需告诉 AI 你想要什么，它会弄清楚如何使用可用工具来实现目标。

有趣的部分不是 AI 可以总结通话记录。它可以从原始数据到结构化分析，再到可视化协作工具上的可视化成果，最后由你触摸面板到结束，都不需要。

3、它如何工作

这是一个具有三个代理的简单示例工作流，每个代理都有特定的工作。更复杂的版本可以包括来自不同数据源的其他代理，例如支持工单、调查回复或分析。

代理 1：转录分析器

此代理读取原始通话记录并提取结构化旅程数据。对于每个转录记录，它识别对话涵盖哪个旅程阶段、客户做了什么、他们感觉如何、什么让他们感到沮丧以及存在什么机会。这是 PawBox 转录记录之一的片段：

James：我一直在尝试注册过去 20 分钟，我快要放弃了。你的结账页面坏掉了或者其他东西。
代理：噢不，我很抱歉。你能告诉我发生了什么吗？
James：所以我填完了整个宠物资料，给 Bella，我的法国斗牛犬。花了好长时间，这么多问题。然后我到了付款页面，尝试用 Apple Pay 付款，它就是报错了。没有消息，什么都没有。只是一个旋转轮子。

由此，代理 1 提取旅程阶段（购买）、接触点（结账页面）、情绪（沮丧）、痛点（Apple Pay 失败、丢失的表单数据）以及用于地图的直接引用。

Python 脚本处理 AI 分析：

# 代理 1：分析转录记录
journey_data = analyse_transcripts(transcripts)
# 代理 2：总结见解
insights_data = summarise_insights(journey_data)

然后 Claude Code + Miro MCP 处理视觉输出。你运行脚本，然后告诉 Claude Code 使用输出文件夹中的数据在 Miro 面板上构建面板。

这就是流水线。数据进入。Miro 面板输出。

4、为什么是两个步骤而不是一个

我最初想要一个执行所有操作的单一 python run.py 命令。MCP 是一个开放协议，因此 Python 脚本技术上可以使用官方 MCP Python SDK 连接到 Miro MCP 服务器。但 Miro 的 MCP 使用专为 Claude Code 和 Cursor 等交互式客户端设计的 OAuth 认证，处理无头脚本中的流程会增加复杂性。对于周末项目，使用 Claude Code 作为 MCP 客户端是最简单的选项。因此工作流是两个步骤：用于分析的 Python（可重复、版本控制、可共享），Claude Code + MCP 用于面板（使用原生 Miro 元素实现更高质量的输出）。

在实践中，第二步大约需要 30 秒。你打开 Claude Code 并说"使用输出文件夹中的数据在 Miro 面板上构建旅程地图。"Claude 读取 JSON 并创建面板。它不是完全自动化的，但很快。

5、输出是什么样的

Miro 面板有两个主要元素。

第一个是旅程地图表格。六个阶段列，六个维度行：接触点、行动、客户思考、情绪、痛点和机会。因为它是一个原生 Miro 表格（不是粘性便签），所以它是干净、对齐的，并且易于扫描。客户思考行包含带有归属的直接引用，这使地图比从假设或二手摘要构建的地图更可信。

从六个客户通话记录使用 Claude Code 和 Miro MCP 服务器生成的客户旅程地图。

第二个是见解文档。这是一个格式化的 Miro 文档，包含顶级评估（好的、坏的、丑陋）、五个影响分析和推荐修复的批判性见解，以及优先行动排序列表。

Miro 面板上带有由见解总结者代理生成的关键发现和推荐行动的优先见解摘要。

整个过程大约需要五分钟来生成。一个有三四个人的团队进行比较的手动练习需要两到四个小时。

值得注意：这只是一个通用版本，是从示例数据构建的。不同团队将有不同的要求、不同的阶段、不同的维度。输出是一个起点，而不是成品。你审查它、调整它，并让它成为你的。

6、诚实的限制

这现在只是一个简单示例，目前还有几件事值得直接说明。

质量完全取决于输入数据。如果通话记录简短、模糊或记录不良，旅程地图将反映这一点。垃圾输入，垃圾输出。

AI 分析可能会错过细微差别、讽刺和文化背景。客户在失败的结账后说"太棒了，那太好了"，但模型可能会将其读为积极的。我在测试中看到了一些像这样的边缘情况。

通过 Claude Code 构建面板步骤需要通过 Claude Code 进行手动触发。这很快，但并不总是一个命令。

工作流也没有连接到任何实时数据源。通话记录是静态文件。理想情况下，你会将此连接到你的分析、用户研究存储库、支持工单或销售反馈，以便流水线自动提取新数据。这是一个自然的下一步，但还没有构建。

最重要的是，这并不替代与客户交谈。它加速你在与他们交谈后对这些对话所做的事情。地图是决策的起点，而不是同理心的替代品。

7、更广泛的观点

MCP 的价值不仅仅是 AI 可以读取你的文件或搜索网络。它是 AI 可以在团队已经使用的工具中生成可视化效果。Miro 面板上的旅程地图。Notion 中的项目简报。还有执行真正任务的项目板。你不需要自己编写集成代码。MCP 服务器处理到工具的连接。AI 处理决策。你只需描述你想要的。

这将 AI 从研究助手转变为生产工具。

人们仍然可以使用粘性便签进行即兴头脑风暴和快速思考。这很有价值且值得保留。但是当你已经拥有数据、客户通话、支持工单、调查回复或处理时，可以加快你所做的这些对话。这意味着有更多时间与客户交谈和头脑风暴，在行政工作上花的时间更少。

原文链接: How I Built a Simple AI Workflow That Turns Call Transcripts Into a Customer Journey Map on Miro

汇智网翻译整理，转载请标明出处