ARTICLE · 1040742
定性研究工具 MimiWork 安装使用教程:从下载安装到第一份访谈摘要
访谈稿整理好了，接下来还要归纳主题、核对引文、制作表格、排版报告。怎样让 MimiWork 帮你把这些工作接着做下去？
Part 01基础篇
01 下载并安装
准备一台 Mac 或 Windows 10/11 电脑，打开 MimiWork 官方下载页，根据设备选择安装包。
Windows：运行安装包，跟随提示完成安装。若出现 SmartScreen 提示，确认文件来自官方发布页后，可按教程选择“更多信息 → 仍要运行”。
Mac：打开 DMG，将 MimiWork 拖入“应用程序”。按附件教程，首次启动若提示开发者身份未验证，确认来源后可右键应用选择“打开”。
安装包名称与界面入口可能随版本调整；以官方发布页及所用版本为准。
02 登录账号，跟着导览走一遍
打开 MimiWork，在应用内注册或登录 QualiTaTi 账号，即可使用 Mimi 系列模型，无需自行配置 API 密钥。
- Mimi Puppy：
提供每日免费使用入口，适合先体验。 - Mimi Hound：
侧重速度，适合日常文档处理。 - Mimi Wolf：
用于要求更高的分析与整理任务。
具体额度与调用消耗以应用内显示为准。已有其他模型服务的用户，也可以在“设置 → 模型”中配置自己的 API 密钥。
首次使用先跟随导览认识输入框、文件夹入口、进度面板和成果区域。忘记入口时，可从 “设置 → 通用 → 显示导览”重新查看。
本地运行与云端模型调用需要区分：MimiWork 的任务执行与文件处理在本机进行；使用云端模型时，相关内容仍会发送给所选模型服务。完全本地的模型方案需另行配置，例如通过 Ollama 接入。
03授权一个研究文件夹
在电脑上新建“访谈练习”文件夹，放入三份模拟或已脱敏的访谈稿。在 MimiWork 中点击 “Work in a folder / 在文件夹中工作”，选择并授权这个文件夹。
授权的文件夹就是本次工作区：材料从这里读取，成果也可以保存到这里。第一次体验时，先用少量材料跑通流程。
04先看计划，再提交第一个任务
一条实用指令要讲清楚：读取哪些材料、完成什么任务、遵守什么要求、保存成什么文件。
按 Shift + Tab 切换到“计划”模式。将下面的【填写你的研究问题】换成自己的主题，再复制发送：
请读取当前文件夹中的三份访谈稿，围绕【填写你的研究问题】，生成一份 Word 主题摘要，保存为“访谈主题摘要.docx”。要求：1. 归纳主要主题，同时保留受访者之间的差异。2. 每个主题附原始引文、来源文件名和受访者编号；编号缺失时注明。3. 区分原话与分析解释，不补写引文；材料不足处标注“待核实”。4. 保留原始文件不变，新建成果文件。请先给出处理计划，待我确认后再执行。
先检查它准备读取哪些文件、如何整理主题、输出什么成果。方向合适，再允许执行。运行中需要调整，可直接补充要求：
请保留少数受访者的不同看法，明确标注共同点与差异。
05 打开成果，核对引文和来源
任务完成后，在“Artifacts / 成果文件”区域打开生成的 Word，也可以到授权文件夹中查找。下图是教程中的 summary.docx 示例，你的文件名以任务要求为准。
核对引文是否与原稿一致、来源是否对应、主题是否得到材料支持。AI 生成的摘要可以作为继续分析的起点，最终研究判断仍由你完成。
06 三个快捷键，让操作更顺手
初次使用，先从“计划”模式开始。需要明确指定某一份材料时，输入 @ 并选择文件；查找命令或技能时，输入 /。
Part 02 进阶篇
在运行途中掌舵、把你的标准教给它、接上你的工具，让它在你睡觉时也在干活——正是这些习惯，把一个工具变成一位同事。
把重复工作交给 Mimi
保存研究规范。在“设置 → 说明”中写入长期规则，如“原始访谈稿保持不变”“引文注明来源”。常用方法和报告格式可以打包为技能；已保存的记忆也能查看、编辑和删除。
配合 QualiTaTi 云端资料。教程介绍了研究数据连接功能：登录后，可请求调取项目、访谈记录或问卷回答，每次调取需要批准，再交给 MimiWork 整理为本地文档。
设置定时任务。例如：“每周一早上 8 点，整理田野笔记文件夹中的新增材料，生成周报。”自动化在本地运行，执行时需让电脑及相关服务保持可运行状态。
查看消耗与排查问题。在活动页查看调用及额度消耗。模型没有回应时，进入“设置 → 模型 → 测试”；找不到文件时，先确认材料是否位于已授权目录。
新手任务卡：跟着做一次
从三份材料开始，完成一次 “授权文件夹 → 审阅计划 → 生成文件 → 核对成果” 的流程，再逐步扩大任务范围。
下载 MimiWork 桌面客户端
QualiTaTi 中国站：qualitati.cn
AI-assisted, Researcher-led.
AI参与协助，研究者始终主导。