用户研究

用户研究

用户研究的目的是理解用户：他们是谁、在什么场景下、有什么痛点、如何完成任务。

更准确地说，研究的目的是降低决策的不确定性——为需求分析与优先级判断提供证据（方法与需求侧衔接见需求分析）。因此，动工前先写一句话："这个研究要改变什么决策"。写不出这句话，研究本身也是浪费——做完访谈、写好报告、无人使用，和没做一样。

三种时机的研究

研究不是集中在"项目开始时"做一次，而是分布在决策前后：

研究频率：好团队把研究做成连续动作，而不是一次性项目——每周小规模访谈 2-3 次（Cagan 的定性测试节奏），每次 1 小时、3-5 人；Torres 的"持续发现"（Continuous Discovery）也是同一思路：小步、高频、与交付并行（出处见来源说明）。上线前集中做三个月研究、然后半年不做的团队，决策质量会随信息老化一起下降。

事实、推断与决策三分

研究产出必须区分三层，不把它们混在一起：

• 事实：用户说的、做的、记录到的（"客服说转错部门是常事；日志显示错误分派率 15%"）
• 推断：从事实推出的解释（"转错多是因为没有统一的分派标准"）
• 决策：基于推断要采取的行动（"做路由建议功能，上线后看错误分派率"）

把三者分开，团队才不会把"用户随口一句话"当"用户需求"，也不会把"我们的解释"当"用户的事实"。汇报时每一条结论都标出它属于哪一层——推断与决策要能追溯到事实，否则就是空谈。

研究计划

每个研究项目开工前，把八个要素写全：

写计划时，"决策"一栏写不出来，项目直接砍掉或缩小——研究不是例行公事，是决策的证据采购。假设一栏写不出，说明团队还没有自己的判断，先做一轮快速探索（2-3 次访谈）把假设建起来，再进入正式研究。

研究伦理底线

研究是"借用用户的真实生活做证据"，有底线：

• 不伤害：不诱导用户做有损自身利益的事；涉及安全、金融、医疗等场景的研究，风险提示先行
• 知情同意：研究目的、数据用途、录音授权、退出权，讲清楚再开始；用户随时可以退出并删除数据
• 隐私最小化：只采集回答研究问题所需的数据；能不要姓名就不要姓名，能要"客服主管"标签就不要真实姓名
• 结果诚实：不为了立项粉饰证据，不删掉不利于自己的事实——研究的目标是"决策有据"，不是"研究好看"

常用方法

方法选择取决于决策类型，而不是"哪种方法高级"：

• 探索（不知道问题是什么）→ 访谈、现场、日记
• 描述（问题已知，想知道分布和规模）→ 问卷、工单统计
• 验证（判断方案是否有效）→ 可用性测试、行为数据、实验

方法组合配方——单一方法都有盲区，按阶段配组合：

竞品分析方法

竞品分析是研究的一部分，不是"打开竞品截图看一圈"。

• 对象选择：直接竞品（同客群同场景）、替代品（用户现在用的非 AI 方案）、相邻方案（同能力不同场景）三类都看——用户切换产品时，对比对象是替代品而不是你的竞品
• 分析维度：功能清单（做了什么）、体验路径（关键流程走一遍，记录步骤数）、定价与付费墙、目标客群定位、公开数据与评测（榜单、评论区差评）
• 产出：差异化机会（他们没做好的）、借鉴清单（验证过的交互）、避坑清单（差评集中点）——差评集中的点就是现成的需求信号（见需求分析的需求来源）
• AI 产品的注意：模型能力趋同时，套壳功能人人都有，差异化在体验细节与数据资产（谁的数据能喂出更好的结果）——竞品分析要看到这层，而不是"他们也有，我们也得有"

抽样与招募

用户研究的价值由样本质量决定，不由访谈数量决定。

• 目的性抽样：按研究问题选人，不追求随机——要理解"分派慢"，就找分派量大的客服，而不是随机抽全体员工
• 极端用户：最痛的用户（投诉过转错的）与最顺的用户（分派快的）信息量最大，中间用户提供基线
• 拒绝用户与流失用户：卸载、停用、拒绝续费的用户比活跃用户更能说明问题——他们用脚投了票，访谈他们问"发生了什么"
• 轻度/重度用户：重度用户知道功能细节，轻度用户代表沉默的大多数——两者的动机通常不同
• B 端角色链路：buyer / user / sponsor / operator 都要覆盖，只访谈用户会漏掉买单逻辑（详见需求分析的多角色章节）
• 避免只访问友好客户：推荐来的客户说话客气、问题不痛；从工单、流失名单、客服记录里招募，样本才有代表性
• 避免"样本即结论"：8 个用户说"很想要"，只说明问题存在，不说明市场规模——样本量对应证据层级（见需求分析的证据金字塔）

招募渠道：

B 端角色链路样本矩阵——每个角色至少 2 人：

最小可行动样本：访谈 5-8 个用户通常就能覆盖主要模式（再增加人数，新信息急剧减少）；可用性测试 5 人即可发现约 80% 的主要问题（Nielsen 的可用性工程经验）；问卷样本量按精度公式计算 n ≈ z²pq/e²（95% 置信度、5% 误差下约需 384 人）。证据边界：结论只能外推到抽样框——访谈了 6 名北京客服，结论不能说"全国客服都这样"。

访谈要点

• 一次只聊一个主题，追问"为什么"直到触及动机
• 少问"你会不会用"，多问"你上次是怎么做的"
• 让用户讲故事，而不是让他们做产品设计
• 访谈 5-8 个用户通常就能覆盖主要模式

在这四条之上，把访谈做成能产出证据的方法：

行为事件法：让用户还原最近一次真实事件——情境（什么情况）→ 任务（要干什么）→ 行动（实际怎么做的）→ 结果（最后怎样）。"请讲一次最近的工单分派经历，越具体越好。"故事里的细节是事实，评价和畅想是噪音。

过去行为追溯：问"上一次 X 是什么时候？当时发生了什么？"而不是"你一般会怎么做？"——"一般"诱导概括和美化，具体事件才有细节。

上下文追问：时间、地点、和谁、当时什么状态、之前之后做了什么。上下文决定需求成立与否（"开会时用"和"通勤时用"是两个需求）。

沉默与追问技巧：说完一个问题停 3 秒，让用户补充；用户回答后用关键词重复确认（"所以是转错之后又退了回来？"）；不说"我理解"——说"我没太懂，能再讲细一点吗"。

记录与编码：录音转写后逐条贴标签（"分派方式""转错原因""工具""情绪"），标签归类成主题，主题再排序。编码在访谈期间就开始，边访边记，第二轮访谈验证第一轮的主题。

洞察综合：用亲合图把散点归组，找跨用户的模式；区分"一个人说了三次"（单点执念）与"六个人各说一次"（普遍模式）——后者才是需求。

《The Mom Test》规则（Rob Fitzpatrick, 2013）：问过去的事实，不问未来的承诺；不展示原型求夸奖（夸奖是社交礼貌，不是数据）。三个坏问题："如果做一个 X，你会用吗？""你觉得这个想法怎么样？""你愿意为它付费吗？"——它们得到的都是礼貌性同意。好问题是："你上次处理这个问题是什么时候？当时卡在哪？"

B 端访谈对象：尽量访谈真实使用者（一线客服、工程师），而不是只访谈他们的主管——主管讲的是管理视角（"团队效率低"），使用者才有行为细节（"我每次都要打开三个页面才能查到"）。

访谈的组织

• 准备：提前发提纲给受访者（不用发细节，防止预演）；确认录音设备与环境（安静、网络稳定）；明确时长（60 分钟为佳，至少 45 分钟）
• 双人分工：主访者负责提问与追问，记录员负责转写要点与时间戳——主访者不要分心记笔记，那会漏掉追问时机
• 远程访谈：屏幕共享观察真实操作（"能打开您现在用的工具演示一下吗"）；远程导致的非语言信息损失，用更具体的追问补
• 多轮访谈：第 1 轮发散（3-4 人）建立主题，第 2 轮验证（4-5 人）确认模式——两轮之间整理编码，带着主题去验证，而不是每次从零开始
• 访谈常见错误：打断用户、诱导回答（"是不是很麻烦？"）、推销产品（"我们这个功能就是解决这个的"）、把用户当设计顾问（"你觉得按钮放哪好？"）、只记结论不记证据

访谈数量与饱和：5-8 人是经验基线，不是硬性指标——真正的停止条件是饱和：连续 2-3 人没有新主题出现，就可以停。分层研究按层各自饱和：B 端四角色各 2-3 人，客服角色 5 人饱和、主管角色 2 人就饱和，不必平均用力。

问卷与定量调查

问卷适合回答"多少、多常见、什么分布"，不适合回答"为什么"。

制作流程六步：

1. 构念定义：先把抽象概念拆成可操作维度——"满意度"拆成"速度、准确性、易用性、结果质量"，每个维度单独出题，不要问"你整体满意吗"（整体题信息量为零）
2. 量表选择：李克特 5/7 点量表是标配；题目方向保持一致（全部正向或明确标注反向题）；避免诱导性措辞（"您是否认为 AI 大大提升了效率？"）
3. 初稿：先易后难，敏感题（收入、公司名）放最后；人口学信息放最后，防止开头劝退；控制时长（10 分钟内，超过则回收率断崖）
4. 预测试：先找 5-10 人跑一遍，检查题目理解、时长与选项覆盖——预测试发现的歧义，正式投放后就是废数据
5. 投放与回收：渠道按目标人群选（产品内弹窗适合活跃用户，邮件适合流失用户，社群适合潜在用户）；回收率低于预期时做一次提醒，仍低则检查渠道与时长
6. 分析与解读：分段对比（按岗位、使用频率、渠道分组看差异，整体平均会掩盖分段事实）；开放题按主题归类、计数，把典型原话摘出来当引语——引语给报告温度，计数给结论依据

量表设计示例（AI 客服助手满意度，构念 → 题项）：

每个维度 2-3 题，可加一道反向题（"我经常要重试才能得到想要的答案"）检验答题质量——反向题与正向题矛盾的回答，判为无效样本。

非响应偏差：回收率低时，回答者 ≠ 目标人群（满意的人更爱填）。投放后对比回收样本与目标画像（岗位、使用频率、渠道来源），偏差大就补发或调整渠道。任何问卷都只代表"愿意回答的人"，不代表所有人——写结论时注明回收率与样本偏差。

问卷的边界：问卷测量的是"用户说自己会怎样"，不是"用户实际怎样"——调研不能替代行为证据（说的 ≠ 做的）；问卷里的相关不推出因果（"用 AI 多的人满意度高"可能是满意才用得久）。问卷的典型正确定位：描述分布、筛样、量化已知维度；解释复杂体验、发现未知问题，交给访谈和行为数据。

可用性与诊断式研究

可用性测试回答"用户能不能用、卡在哪"，诊断式研究更进一步回答"为什么卡住"。

测试流程：

1. 准备：写 3-5 个真实任务脚本（不给步骤提示，如"把这份工单转到退款部门"而不是"点击右上角'转派'按钮"）；准备原型或线上版本；招募 5 人/轮，用目标用户而非员工/熟人（员工太熟悉产品，测不出真实卡点）
2. 预测试：先找 1-2 人（同事即可）跑一遍脚本，修掉任务描述不清、步骤缺失的问题
3. 正式轮：每场 30-60 分钟；开场说明"测的是产品不是您，卡住是产品的错"；任务间休息
4. 复盘：当天整理问题清单与严重度，不隔夜——细节会丢

观察指标：任务完成率、完成时间、错误次数、求助次数、卡顿点、情绪信号（叹气、皱眉、长时间沉默）。

Think-aloud：让用户边做边说——"请把你在想什么说出来"。引导语要示范（"我现在在想这个按钮是干嘛的"）；用户卡住时不打断、不提示、不教学，观察 10-15 秒再问"现在在想什么"。

严重度判定：按"影响 × 频率"分四级——1 致命（任务无法完成）、2 严重（能完成但大量出错/长时间卡住）、3 一般（有障碍但可绕过）、4 轻微（措辞/美观）。只修 1-2 级，3 级排队，4 级记录。

原型保真度选择：低保真（纸面/线框）适合验证信息架构与流程，改起来便宜；高保真（可点击原型）适合验证交互细节；线上灰度适合验证真实数据与性能。AI 产品的可用性测试有个特殊性——输出内容是动态的，测试时要准备固定输入集（同一批问题），否则每个用户看到不同的回答，无法比较（评测集思路见评估与评测）。

小样本解释边界：5 人足够发现主要问题，不足以量化"多少人会遇到"——报告里写"5 人中有 4 人卡在第二步"，不写"80% 用户会卡住"。

常见陷阱：任务脚本给了步骤提示（测试变成走流程）；用户卡住时忍不住纠正（把可用性测试变成了教学）；任务过简单或过难（没有区分度）；让设计师本人当测试员（太熟悉设计意图，测不出新手卡点）；把测试当产品推销会（用户礼貌点头，问题全被咽回去）；忽略测试环境（噪音、网络、设备与真实使用场景差异过大）。

可用性测试发现如何转成设计变更——发现本身不是产出，变更才是：

行为研究组合

行为数据回答"用户实际做了什么"，与态度数据互补。

• 日记研究：8-15 人记录 1-2 周内的使用情境与触发点——纵向、情境真实；样本小、流失高、记录负担重，需要轻量工具（每日 3 分钟的表单/语音）与每日提醒。记录模板：时间、在做什么、想完成什么、用了什么工具、卡在哪、情绪
• 现场研究：到用户的工作/生活现场观察真实工作流——AI 产品尤其适合看"现在怎么完成的"（复制粘贴、跨工具搬运），机会藏在重复劳动里。观察清单：任务起点、工具切换、重复动作、等待时间、求助对象
• 客服工单：真实问题分布，成本低——按问题类型、频次、情绪（投诉词）分类统计，能找到"80% 的工单集中在哪几类问题"；但只有遇到问题的用户才来，看不到"顺利的用户"
• 日志挖掘：大样本、真实行为（会话数、改写次数、拒答率、放弃率）；没有动机与情境，需要访谈补解释。指标要先定义清楚：什么是"一次会话"、什么是"放弃"（无后续动作 60 秒？）、什么是"改写"（同一用户 2 分钟内重新提问？）
• 漏斗与留存：漏斗看转化在哪一步流失（"提问 → 等待 → 采用 → 复访"），留存看价值是否持续（周使用率比日活诚实——AI 工具用一次就够的，周留存会迅速衰减）
• 相关性 vs 因果：相关只能提示方向。例：日志显示"使用 AI 总结的用户留存更高"——可能是 AI 总结带来价值（因果），也可能是高留存用户本来就用得更多（反向因果），还可能是新用户同时获得了引导和 AI 功能（混淆）。要分因果，用实验或准实验设计
• 分段与异常检测：按人群（新手/专家、行业、规模）分段看差异——整体平均会淹没"新客服卡在分派、老客服卡在质检"这类分段事实；异常检测找行为突变（某日拒答率飙升 = 模型或数据出问题；某人群放弃率骤增 = 功能改动或模型更新导致）

三角互证表——把三类数据对起来看，单类数据都有盲区：

三类数据结论一致 = 高置信；不一致 = 最有价值的发现，说明"用户说的"与"用户做的"背离——那里通常藏着真实需求（访谈里说"很想要 AI 自动分派"，日志显示他每次都手动改回自己的判断，这才是产品要解决的问题）。

指标口径一致性：行为研究的前提是"同一把尺子量到底"——改过埋点、换过模型、调过提示词之后的数据与之前不可比；做监控型研究要固定看板与口径，任何口径变更单独记录，否则"拒答率翻倍"可能是指标口径变了，不是产品变差了。

AI 产品的用户研究特点

• AI 素养差异巨大：从"完全不用 AI"到"重度 AI 用户"都有，访谈时先摸清用户的 AI 使用经验
• 提示词/交互心智模型：用户对 AI 产品的理解五花八门，研究他们如何描述"和 AI 说话"
• 信任问题：用户是否相信 AI 的输出？这决定了产品的交互设计（确认机制、来源展示）
• 场景比功能重要：AI 产品往往是"场景入口"型产品，研究重点放在任务场景而非功能列表

在这四条之上，AI 用户有六个必须专门研究的点——每个都给研究方法与研究产出到设计决策的映射：

1. 提示词心智模型：用户怎么描述"和 AI 说话"——像搜索（"我输关键词"）、像聊天（"我正常说话"）、还是像同事（"我给它布置任务"）？他们认为系统记得什么？很多用户以为 AI 记得上一轮对话、记得自己的名字，实际不是——记忆边界的错位是失望的根源。研究方法：回顾性访谈 + 对话日志对照，把"用户以为的"与"系统实际做的"并排。产出映射：发现记忆错位 → 产品加"重置对话/记忆提示"，并研究开场话术是否暗示了虚假记忆。

2. 信任校准：用户是否相信输出、是否检查来源、什么时候放弃？校准 = 用户的相信度与模型真实能力的匹配度——过度信任（幻觉当真理）与信任不足（好答案也不信）都是问题。研究放弃点：在哪个错误之后用户不再用了？那是兜底设计的锚点。研究方法：让用户逐条评估 AI 输出的可信度，与其真实正确率对比。产出映射：发现放弃点 → 在那个错误出现前设计兜底（低置信度提示转人工）。

3. 自动化偏好/厌恶：用户愿意把什么交给 AI、什么时候要求人工确认？分段差异明显：新手怕错、专家嫌烦；低风险任务（写周报）愿自动，高风险任务（发客户邮件、改代码）要确认。研究方法：卡片排序——给一组任务让用户选"全自动/建议后确认/完全人工"。产出映射：按任务风险建立"确认环"分级，写进需求（需求分析的 AI 特判）。

4. 错误恢复：遇到幻觉、拒答、超时后，用户怎么自我修复？重试、改写提问、换工具、还是放弃？恢复路径越长流失越快；恢复失败的用户大概率不再回来。研究方法：日志找"重试/改写/放弃"序列 + 访谈问"当时为什么放弃了"。产出映射：恢复失败率高的错误类型 → 加自动降级路径（超时转人工），而不是让用户自己想办法。

5. 隐私顾虑：哪些内容愿意共享、哪些内容导致拒绝使用？工作数据与个人数据的敏感度不同；用户感知的隐私风险与实际风险常常背离（担心"AI 偷学我的数据"，却把公司机密贴进公共工具）。研究方法：分内容类型的意愿访谈 + 观察实际粘贴行为。产出映射：发现敏感内容边界 → 产品做数据用途说明与本地处理选项，需求文档加合规检查（见出海与合规）。

6. 代理权接受度：从"给建议"到"自动执行"，用户愿意在哪些节点放权？放权边界 = 信任 × 风险 × 收益的平衡点，直接决定产品是"建议型"还是"执行型"——Agent 类产品的人工确认环设计（human-in-the-loop）就来自这个研究（模式参考 Anthropic 的 Agent 设计指南）。研究方法：情境推演 + 试点观察，让用户对同一任务的不同放权程度打分。产出映射：得到放权梯度 → 默认配置从保守档开始，用户可逐级开放。

AI 研究问题清单——访谈前从这组问题里选：

• 您最近一次用 AI 工具是什么时候？当时想完成什么？
• 您觉得它"记得"您的什么？为什么这么觉得？
• 它给过一个您不确定对不对的答案吗？您当时怎么处理的？
• 有什么任务您绝不会交给 AI？为什么？
• 如果它答错了，您会重试、改问法、还是放弃？
• 什么样的内容您不会贴给它？担心什么？

Research Ops

研究 ops 把"做研究"变成"研究能复用、能改变决策"的基础设施：

• 研究库：每次研究的原始记录、编码、报告结构化入库——字段建议：日期、主题、方法、样本（人数与画像）、关键事实、结论、要改变的决策、状态（已决策/已采纳/已过期）。按主题/人群/产品线打标签，可检索、可引用，避免半年后重做同一个研究
• 参与者池：维护招募渠道与画像标签（行业、岗位、AI 使用水平、产品使用情况），按研究问题快速筛人；明确激励标准（时长 × 报酬，礼品卡/现金/产品权益）；池子要持续补充新血，避免"同一批老面孔"（他们已经成为专家用户，不再代表大众）
• 知情同意：每次研究前说明——研究目的、数据用途、录音/录屏授权、退出权；参与者可随时退出并删除数据。录音用于内部研究库，不用于营销
• 敏感数据处理：访谈转写去标识化（人名、公司名、联系方式）；客户数据不进公共文档；个人数据最小化采集（只要"客服主管"这个标签，不需要姓名）；设定存储期限，到期删除
• 跨团队分发：研究的终点不是报告，是决策——洞察要进需求文档与 PRD（"来自 6 次访谈 + 500 张工单日志"作为证据标注，写法见需求分析的证据节），设计团队要拿到原始片段（引语、录像），工程团队要拿到行为数据结论

• 决策追踪：每个研究挂到它要改变的决策上，三个月后回看：决策做了吗？结果与研究预测一致吗？定期统计"哪些研究改变了决策"——这是研究部门存在的唯一理由。追踪表示例：

  研究	要改变的决策	决策时间	实际结果	与研究预测一致？
  客服分派访谈 + 日志	是否立项"路由建议"	2026-08	上线后错误分派率 15% → 6%	一致
  自动回复意愿调研	是否做"自动回复客户"	2026-09	未立项（合规风险）	一致（调研已预警）

• 排期与预算：研究本身要排期——每个迭代预留固定的小块研究时间（如每周半天），比"有空再做"可靠；预算按"决策价值"定：影响上百万投入的决策，配几千元研究预算完全合理；研究成本失控的常见原因是样本过多（每加一轮访谈先问：还差哪个决策证据？）

研究产出必须回到需求与优先级，而不是堆在文档里：研究结论 → 需求候选（需求分析）→ 需求文档（PRD）→ 上线后行为数据验证。闭环跑不起来的团队，先砍研究数量，把研究质量做上去。

模板

以下三个模板可直接拷走使用。

研究计划模板：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

研究问题（1-3 个，可回答）：
1.

这个研究要改变什么决策：
（写不出 → 取消或缩小本研究）

当前假设（可证伪）：
-

样本（谁、多少人、怎么选）：
-

方法（与决策类型匹配）：
-

时间表（何时做什么、多久）：
-

产出物（报告/决策简报/证据附录）：
-

成功标准（什么算完成）：
-

访谈提纲模板（60 分钟，行为事件法）：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

开场（5 分钟）：自我介绍、研究目的、知情同意（录音授权、退出权）
暖场（5 分钟）：您当前的工作/生活里，最占时间的一件事是什么？
核心（40 分钟）：
1. 上次遇到 <研究主题> 是什么时候？当时的情况是怎样的？（情境）
2. 您当时想完成什么？（任务）
3. 您实际是怎么做的？一步一步讲（行动）
4. 结果怎样？有没有卡住或返工？（结果）
5. 现在如果有一个机会改变其中一个环节，您最想改哪个？
追问方向：为什么？当时怎么想的？如果没做成会怎样？
收尾（10 分钟）：还有什么我们没想到的？有没有认识类似情况的人可以推荐？

洞察汇报模板（一页决策简报）：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

标题：<研究主题> — <一句话结论>

要改变的决策：<决策>
关键事实（用户说的/做的，带证据）：
-
推断（我们的解释，标注置信度）：
-
建议（下一步行动，标注优先级）：
-
风险与反证（什么情况下这个结论不成立）：
-
证据附录：访谈人数与对象、日志口径、原始引语（去标识化）

来源说明

官方文档/博客：

• Anthropic Building Effective Agents（Agent 人工确认环与放权设计）

经典著作与论文：

• Rob Fitzpatrick, 2013, The Mom Test（访谈问事实、不问承诺）
• Nielsen, 1994, 10 Usability Heuristics（可用性工程；5 用户测试的经验法则同出自其可用性研究）
• Marty Cagan, 2018, INSPIRED（定性与定量测试的分工、每周定性测试节奏）
• Teresa Torres, 2021, Continuous Discovery Habits（持续发现与机会研究）
• Steve Krug, 2014, Don't Make Me Think（可用性测试实操）
• Don Norman, 2013, The Design of Everyday Things（以用户为中心的设计研究）

仓库原创读书笔记：

• 《俞军产品方法论》精读笔记：用户模型、样本思维、证据与决策
• 《人人都是产品经理 2.0》精读笔记：场景采集、伪需求
• 《启示录》INSPIRED 精读笔记：定性测试不可委托、客户发现计划
• 《精益创业》精读笔记：访谈与行为数据结合、创新核算

发现错误？想一起完善？ 在 GitHub 上编辑此页！
本页面贡献者：AI-PM Wiki Team
本页面的全部内容在 CC BY-SA 4.0 和 SATA 协议之条款下提供，附加条款亦可能应用