自动化用户体验问题：用于 PostHog 会话分析的持续 AI 工作流

每天，用户都在通过他们的行为向你讲述故事：在损坏的按钮上疯狂点击、放弃冗长的表单、在混乱的导航流程中挣扎。这些故事往往深埋在原始会话数据、错误日志和分析仪表盘中。

传统用户体验监控方法会造成瓶颈：需要专人定期审查会话录屏、识别模式、确定问题优先级，并为开发团队创建可执行的工单。这种手动流程缓慢、不连贯，且常常被优先级更低的事情排挤。

如果整个工作流能在后台自动运行，并在你睡眠时自动筛选出最关键的用户体验问题，会怎样？

我们的解决方案：对话式自动化

我们构建了一个“持续 AI”(Continuous AI) 工作流，用自然语言提示词完全取代了传统的脚本方法。我们的系统不再依赖维护 Bash 脚本，而是使用 Continue CLI 来：

直接从 PostHog API 获取最新的会话录屏
筛选有问题的内容（控制台错误、异常长的会话时长）
使用 Continue CLI 的 AI 能力分析模式
通过 GitHub API 创建高优先级工单
通过 GitHub Actions 实现每日定时自动运行

我们的 PostHog 会话分析工作流代表了二级（Level 2）实现，并正向三级自动化迈进。了解更多关于持续 AI 级别的内容。

新范式：提示词胜过脚本

我们不再维护 Bash 脚本，而是使用结构化的自然语言提示词和规则，由 Continue CLI 直接执行

会话分析提示词

# Prompt
   Perform a comprehensive UX analysis and issue tracking based on PostHog session recordings.

   ## Analysis Process
   1. Fetch PostHog session recordings using:
      - Endpoint: `{{POSTHOG_HOST}}/api/projects/{{POSTHOG_PROJECT_ID}}/session_recordings/?limit=20`
      - Required headers (with valid secrets).
   2. Analyze data with the following priority:
      - Console errors (highest priority).
      - Session duration vs. activity score ratios.
      - Bounce rates (0–1 second sessions).
      - Click/interaction patterns.
      - Page-specific retention issues.

   ## Issue Identification
   - Identify the **top 3 UX issues** based on frequency and impact.
   - Categorize issues by severity:
   - **Critical**: console errors
   - **High**: engagement-related problems
   - **Medium**: retention issues
   - Provide **evidence-based recommendations** for each identified issue.

工单创建提示词

I have analyzed PostHog session data and identified UX issues. Now I need you to create GitHub issues using the GitHub API.

Use these details from environment variables:
- GH_PAT: My GitHub Personal Access Token
- Repository: {owner}/{repo}

For each issue in my analysis:
1. Parse the issue title, body content, and priority level
2. Create a GitHub issue via API POST to: https://api.github.com/repos/{owner}/{repo}/issues
3. Set labels based on priority levels...

🚀 查看完整指南：构建基于 PostHog 和 GitHub 的持续 AI 工作流

为了实现完整的工作流，我们使用了 PostHog MCP 并设置了一个每日运行的 GitHub Action。一旦运行成功，根据你的会话录屏数据，你将看到类似这样的结果：

何为“持续 AI”

这是在我们的开发工作流中自主运行的 AI

始终在线：每天凌晨 6 点（UTC 时间）自动运行，无需人工干预
情境智能：调用 API、处理数据并理解我们的特定模式
可落地输出：创建符合我们开发流程的、格式规范且标注优先级的 GitHub 工单
独立自主：处理从身份验证到工单创建的全部流程
对话式逻辑：使用自然语言而非脆弱的脚本

Continue CLI 作为基础设施的强大之处

虽然大多数开发者将 Continue 视为编辑器扩展，但 Continue CLI 开辟了超越代码补全的自动化可能性。在我们的工作流中，它通过处理以下任务充当执行引擎：

API 认证：安全管理 PostHog 和 GitHub 凭据
数据处理：解析 JSON 响应并过滤会话数据
模式识别：分析复杂的用户行为模式
工单创建：执行具备正确错误处理机制的 GitHub API 调用
工作流编排：管理整个端到端流程

现实影响：从数据到决策

开发团队不再需要寄希望于有人能注意到仪表盘中深埋的用户体验问题，而是每天都能收到一份经过筛选、明确优先级的用户体验问题列表。这不再是泛泛的分析报告，而是带有明确重现步骤和修复建议的具体问题。这些都是真实用户遇到的、经过模式分析并转化为可开发工单的问题。

这就是持续 AI 自动处理整个工作流的过程。系统获取会话数据、识别问题模式、分析根本原因，并创建无缝集成到现有开发流程中的 GitHub 工单。

不同于只在你想起时才去询问 AI，持续 AI 会在后台不断工作，处理常规任务并在无需人工干预的情况下提供洞察。

🚀 立即使用我们的 PostHog + GitHub Agent 开始体验。只需添加你的 API 密钥即可上手。

开发智能的未来

这种方法预示着未来的开发团队将更像情报机构一样运作。自动化系统不再是手动搜寻问题，而是持续收集信号、分析模式并呈现可执行的洞察。人类开发者将专注于解决问题，而不是寻找问题。

无论你是要分析用户会话、自动化代码审查，还是构建自定义开发工作流，其模式都是一致的：用自然语言描述你的需求，让 Continue CLI 处理技术复杂性，并根据结果进行迭代。

当 AI 成为基础设施层而不仅仅是编码助手时，这仅仅是无限可能性的开始。

自动化用户体验问题：PostHog 会话分析的持续 AI 工作流