用户说“我很烦”，这句话可能包含焦虑、失望、委屈、羞耻、愤怒、疲惫，也可能包含身体紧绷和关系压力。情绪粒度指一个人区分和命名情绪的细致程度。粒度越高，用户越容易知道自己经历了什么，也越容易选择合适的行动。
情绪记录产品如果只让用户在“开心、难过、生气、焦虑”之间选择，记录很快会变得粗糙。用户每天都选“焦虑”，却不知道焦虑来自任务不确定、关系冲突、睡眠不足还是未来预演。产品需要帮助用户把模糊感受拆细。
词表能扩大表达范围
很多用户情绪描述少，原因常在词表不足。产品可以提供分层词表：先选大类，再进入细分词。比如愤怒下面可以有被冒犯、不公平、被控制、被忽视；焦虑下面可以有担心失控、害怕评价、时间压迫、身体紧张。
词表应服务表达，减少专业术语压力。用户能选到更贴近自己的词，就能减少“我也说不清”的卡顿。情绪标注相关内容可看情绪标注帮助用户稳定下来，感受命名会先于行动建议。
词表可以按使用场景分组：
- 学习和工作压力：紧迫、担心评价、任务混乱、失控。
- 关系互动：委屈、被忽视、被冒犯、想退开。
- 身体状态：疲惫、紧绷、心慌、迟钝。
- 自我评价：羞耻、挫败、空掉、怀疑自己。
场景线索让情绪更具体
情绪粒度不能只靠词语，还要结合场景。用户记录时，可以让他补充三类线索：发生了什么，身体有什么反应，最想做什么。这样能把情绪从单个词变成完整片段。
比如“烦”可以被拆成：会议里被打断，胸口紧，想退出讨论。这时产品更容易给出合适建议：先整理要表达的观点，找一个更具体的沟通入口，或者给自己短暂恢复时间。
AI建议要先看粒度
AI 情绪产品在给建议前，最好先判断用户表达是否足够清楚。若用户只写“难受”，系统直接给建议容易偏。更好的做法是追问一个小问题：这种难受更像委屈、焦虑、疲惫，还是愤怒？身体上最明显的反应在哪里？
这类追问会增加一点步骤，但能明显提高建议质量。情绪粒度提升后，用户得到的建议会更贴合处境。
数据报告也能看表达变化
对 C 端产品来说，情绪粒度可以成为成长指标。用户从只会写“烦”，逐渐能写出“被忽视后的委屈”和“担心失败的紧张”，说明他对自身状态的识别变细了。这个变化比单纯记录天数更有价值。
对机构系统来说，群体情绪词分布也有意义。学校能看到学生常出现的压力词，企业能看到员工常见的情绪劳动和角色压力。但报告应使用汇总趋势，保护个人隐私。
产品还可以观察词汇变化。用户早期只写“烦”，后来能区分“被催促后的紧张”和“沟通无效后的无力”，说明记录已经帮助他提升识别能力。这样的变化适合写进个人趋势报告，减少用单一情绪分数概括。
情绪粒度也会影响后续干预。用户能说清“害怕被评价”，系统就可以引导他准备沟通或核对事实；用户只能说“很烦”，系统只能给出宽泛建议。记录越细，建议越容易具体。
情绪粒度还适合用于复盘高频场景。用户连续几周都在“任务压力”下记录细分情绪，产品可以帮助他看到：主要是时间压迫、评价担心，还是资源不足。这样一来，用户不会只得到一个泛化的情绪曲线。
去中心化练习也能和情绪粒度结合。用户先命名细分情绪，再把相关想法看成心理事件，后续行动会更清楚。相关内容可看去中心化情绪练习怎么做：先把想法看成心理事件。
情绪粒度让记录从打卡变成理解。用户描述得越细，行动选择越容易落到现实里。