本体建模是什么 和知识图谱区别
「本体知识建模」是「龙虾部署大师」技能市场中的知识图谱技能：用实体、属性和关系表示人员、项目、任务、文档、事件等对象，变更以追加日志写入 graph.jsonl，并可通过 schema 约束必填字段、枚举、关系类型和无环依赖，帮助多个技能共享结构化状态并保留可追溯的历史。 技能效果 让它记住“Alice 负责官网改版、关联到三月发布”，它把人物和任务建成结构化本体，连 responsible_for、part_of 两条关系链和查询命令都生成好了。 让 AGENT 记住事情，为什么这么难 让代理"记住"某个人负责什么项目、某个任务被谁阻塞，听起来简单，做起来却容易散。把信息写成自由文本，时间一长就互相矛盾、查不回去；每个技能各自维护一份状态，就成了互不相通的数据孤岛；想表达"任务 A 阻塞任务 B"这类关系，纯文本既存不住结构，也无法做类型检查和合法性校验。结果是记录越积越多，可靠地查询、关联和复用却越来越难。 自由文本记忆 散落的笔记 互相矛盾 技能各存一份 · 孤岛 类型化知识图谱 人员 项目 任务 负责 包含 这个技能用什么方式管理知识 它提供一个类型化的知识图谱：把人员、组织、项目、任务、事件、文档、消息、笔记、账户、策略等都建成带类型的实体对象，再用 has_owner、blocks 这类关系把它们连起来，且关联是幂等的（重复建立不会产生脏数据）。所有变更以追加日志的形式写入技能目录内的 graph.jsonl，因此保留完整的可追溯历史；通过 schema.yaml 可以约束必填属性、枚举值、关系类型、基数以及无环依赖，对知识库结构施加类型检查。查询、遍历和过滤则用来获取任务、依赖、文档与上下文。 创建实体 / 关联 schema 校验必填 / 枚举 / 基数无环依赖 追加日志graph.jsonl可追溯历史 查询 / 遍历多技能共享 用前须知 该技能无需外部 API Key。首次使用需运行 Python setup 脚本安装依赖；数据保存在技能的 memory/ontology 目录下，已有的日志和 schema 应以追加合并的方式处理，而不是覆盖。它支持后续扩展到 SQLite。该技能偏向开发者与自动化场景，用于构建可验证、可追溯的结构化状态。 怎么用它 用法是用自然语言告诉它要记住的对象、关系，或要查询的内容。例如可以这样对它说： 可以这样对它说 "记住 Alice 负责官网改版，并把它关联到三月的发布任务，别丢掉关系链。" "查一下 CRM 项目下面还有哪些处于阻塞中的任务，按负责人分组列出来。" "把这份会议纪要连到增长实验项目和参会人，保留文档路径和来源。" 它适合这些场景：需要让代理记住某个人、项目、任务或文档，并能在后续查询；多步骤计划需要表示为可验证的图变更、依赖关系和回滚步骤；跨技能共享任务、承诺、事件等状态，避免各自维护孤岛数据；希望对知识库结构施加类型检查、关系基数和无环约束规则。 大家常问 本体知识建模到底是什么？用实体、属性、关系来表示知识是什么意思？ 本体是对一个领域的概念及其关系所做的形式化、明确的规格说明，它定义"知识应该长什么样"。建模时把世界里有身份的事物建成实体，用属性描述实体自身的特征，用关系连接实体之间的连线，于是知识不再是散乱词语，而是一张可计算、可共享、可校验的网。 本体和知识图谱有什么区别？ 本体是模式层，规定有哪些概念、属性、关系和约束，相当于一张带规则的蓝图；知识图谱是在这张蓝图上填充大量实例数据所形成的关系网络，是数据层。一句话：本体定义知识结构，知识图谱把真实数据装进去。知识图谱可以基于本体构建，也可以没有严格本体约束。 is-a（是一种）关系和 part-of（是一部分）关系有什么区别？ is-a 是分类归属，子类的每个实例也是父类实例，并自动继承父类属性，判断靠"替代性测试"——能不能用子类替换父类。part-of 是组成结构，部分不继承整体的属性，判断靠"删除测试"。常见错误是把方向盘建成"是一种汽车"，正确应是"汽车的一部分"。 为什么要给本体知识建模加 schema 一致性约束（必填、枚举、基数、无环依赖）？ 约束是本体区别于术语表和松散图谱的本质特征。必填属性保证实例的最低知识完整度，枚举值把取值限定在有界集合避免语义漂移，基数约束让关系网络有确定拓扑，无环依赖保证层次结构有效、推理能终止。没有约束，知识虽自由却无法被一致地计算。 想用上这个技能？ 「本体知识建模」就在「龙虾部署大师」的技能市场里，打开 技能市场 就能一键安装使用。 还没装龙虾？先 一键部署「龙虾部署大师」，在本地跑起来后再装技能即可。 注：技能的实际效果与所选用的 AI 模型能力有关，不同模型下的表现可能存在差异。
IMA 知识库怎么上传文件不乱码
「IMA 知识管理」是「龙虾部署大师」技能市场中的资料存取技能：它通过 IMA 官方 OpenAPI 统一处理笔记和知识库两类操作，按用户意图路由到 notes 或 knowledge-base 模块，完成搜索笔记、浏览笔记本、获取与创建笔记、追加内容、上传文件、添加网页链接、搜索知识库、浏览条目和获取知识库信息等任务，并特别强调凭证预检、官方域名调用、笔记写入 UTF-8 校验、文件上传原样保留以及 PowerShell 5.1 的字节编码处理。 技能效果 整理三条会议笔记时，它按主题归类、打上标签、建立关联图谱，整理成可检索的知识体系。 资料越攒越多，存取却越来越乱 当个人资料、团队知识库、笔记和网页收藏都堆在 IMA 里，日常存取容易出几类问题：分不清这是该写成新笔记、追加到已有笔记，还是上传到知识库；想找一份旧会议记录，却记不清存在哪个笔记本里；上传 PDF、Excel 时怕被重新转码、改了内容；而在 Windows 上调接口写中文，还常常碰到编码处理不当导致的乱码。这些都是手动操作 API 时反复踩的细节坑。 用户意图 笔记 notes 搜索 / 创建 / 追加 浏览笔记本 知识库 KB 搜索 / 浏览条目 上传文件 / 加链接 这个技能怎么打理 IMA 的笔记与知识库 它是一个统一的 IMA OpenAPI 技能，先根据你的意图判断这是笔记内容操作还是知识库条目操作，再路由到对应模块执行。笔记侧支持搜索笔记、浏览笔记本、获取正文、创建新笔记和向已有笔记追加内容；知识库侧支持上传 PDF、图片、Excel 等文件、添加网页链接、搜索知识库、浏览条目和获取知识库信息。它把这些操作都收敛到官方域名调用，并把容易出错的工程细节内置：写入笔记前强制 UTF-8 编码校验、文件上传保持原样不重新转码、专门处理 PowerShell 5.1 的请求体字节编码问题。 内置可靠性保障 凭证预检 官方域名调用 UTF-8 校验 中文不乱码 上传原样保留 不重新转码 它的价值在于把"存对地方、找得回来、不乱码、不改原文"这些资料管理的基本要求工程化，让 IMA 的笔记与知识库存取变成稳定可靠的自动化动作。 用前须知 该技能需要在 ima.qq.com 获取 Client ID 和 API Key，并配置环境变量或 ~/.config/ima。调用依赖 curl，需要转码时可用 Python、Node 或 iconv 配合。 怎么用它 用法是把你要对 IMA 资料做的事用自然语言交给它。例如可以这样对它说： 可以这样对它说 "把这份 PDF 原样上传到 IMA 知识库，不改内容，也不要重新转码。" "在 IMA 知识库里搜新品定价会议，找到相关笔记并打开正文看，按人归类。" "新建一篇 IMA 笔记，记录今天客户访谈要点并按对象分好段，链接别漏掉。" 它适合这些场景：想把内容保存为新笔记或追加到已有笔记中；需要上传 PDF、图片、Excel 或网页链接到指定知识库；从知识库搜到资料后再把摘要写进某篇笔记；以及在 Windows PowerShell 环境调用 IMA API、需要避免中文乱码。 大家常问 在 IMA 里，笔记和知识库分别用来存什么，有什么区别？ 笔记是个人写作空间，靠 import_doc 写、append_doc 追加文本；知识库是资料仓库，存 PDF、网页和笔记引用，按文件夹归档、按全文检索。简单说，笔记是写出来的，知识库是存进去的。 为什么往 IMA 知识库上传文件前要做凭证预检？ 上传走 IMA OpenAPI 鉴权，预检在本地先确认 Client ID 和 API Key 有效，避免文件发出去半天才报错。属于轻量级快速失败，缺凭证立刻报错，不会留下空索引和无解释响应。 为什么把 PDF 上传到 IMA 知识库时要保持原样、不重新转码？ IMA 服务端自己解析原始 PDF 的文本层、目录和分页，建全文/语义/结构三层索引。提前转 txt 再传，目录层级、排版和页码定位都会丢，笔记摘录跳不回原文，跨文档关联也会断。 为什么用 OpenAPI 往 IMA 笔记写中文前要做 UTF-8 编码校验？ IMA 服务端按 UTF-8 解析 JSON Body，PowerShell 5.1 等环境容易把中文以 GBK 字节发出去，落库就成乱码。发送前显式校验 UTF-8 合法性，能避免笔记无法被分词索引、关联标题失配。 想用上这个技能？ 「IMA 知识管理」就在「龙虾部署大师」的技能市场里，打开 技能市场 就能一键安装使用。 还没装龙虾？先 一键部署「龙虾部署大师」，在本地跑起来后再装技能即可。 注：技能的实际效果与所选用的 AI 模型能力有关，不同模型下的表现可能存在差异。
苏格拉底式追问怎么帮你学得更深
「自适应苏格拉底追问」是「龙虾部署大师」技能市场中的思考训练技能：它不直接给答案，而是先分析回答的准确性、深度和盲点，再选择解释、证据、因果、反例或泛化类追问，构建一条逐步深入、每轮只问一题的提问链，帮助学习者发现假设、补足证据并形成独立判断。 技能效果 提交一个“短视频时长会降低专注力”的研究设计后，它先不给结论，而是反问专注力该怎么操作化、用什么工具测量，一步步逼出设计里的变量漏洞。 为什么"被直接喂答案"反而学不深 遇到难题时直接得到答案，看似高效，却跳过了最关键的思考过程。学习者没有经历"提出假设—检验—修正"的推理路径，就难以发现自己理解中的盲点和潜在误解。结果是当下听懂了，换个情境又不会用；论点说得出口，却补不出支撑它的证据和边界条件。研究设计、批判性思维、论文论证这类任务，恰恰需要的是推理能力本身，而不是一个现成结论。 直接给答案 问题 答案 跳过推理 → 换情境又不会 递进追问 假设 检验 修正 独立判断 这个技能用什么方式带你思考 它的核心做法是"先诊断，再提问"。每一轮，它先分析你回答的准确性、理解深度、盲点和潜在误解，再据此选择追问的类型——是让你解释机制、补充证据、追溯因果、设想反例，还是做泛化推广。它会围绕一个问题构建 3 到 5 个逐步深入的提问，并且每次只抛出一个，根据你的水平实时调整难度。当你出现挫败、偏题或在原地打转时，它会降低难度、给出思考支架，或先整理一段已达成的共识再继续。 分析你的回答准确性 / 深度 / 盲点 选择一种追问 解释性 证据性 因果性 反例性 泛化性 每轮只问一题 · 按水平调整难度 · 卡住给支架 用前须知 该技能无需 API Key、脚本或外部依赖，主要依靠对话流程与追问策略推进。它默认不直接给结论；若你明确要求直接答案，它会先给答案，再补充思路引导。它训练的是思考过程，最终的判断仍由学习者自己得出。 怎么用它 用法是把你想深入想清楚的问题、以及你目前的想法交给它，让它用提问推进。例如可以这样对它说： 可以这样对它说 "我做研究设计总是直接跳到答案，用问题一步步逼出我假设里的漏洞，先别讲结论。" "围绕因果推断这道题，只用问题引导我推到关键点，别直接揭晓答案。" "学生这个回答太浅，帮我设计几轮递进问题判断他是不是真懂，再换角度追问。" 它适合这些场景：指导学生设计研究方案，从模糊想法推进到可验证的问题；训练批判性思维，让学习者为结论补充证据和边界条件；讨论数据分析结果时，引导对方解释机制而不只是描述现象；论文写作中帮助作者梳理论点、论据和可能的反例。 大家常问 苏格拉底式追问到底是什么意思，它和老师直接讲答案有什么区别？ 苏格拉底式追问是一种以提问驱动思考的教学方法：不直接给结论，而是用一连串精心设计的开放式问题，引导学习者自己发现并修正认知。和直接讲答案最大的区别是知识流向——讲答案是单向传输、学生被动接收；追问是双向对话，学生自己建构理解，记得更牢、更能举一反三。 为什么用追问引导比直接告诉答案更能让人学得深、记得牢？ 直接给答案是信息单向灌输，大脑活跃度低、很快遗忘。开放式追问强制学习者主动检索和推理，留存率更高；而且当结论是自己推出来的，会被标记为"自己的成果"，记忆优先级更高。追问看似绕路，但每绕一个弯，大脑就多一次主动加工——学习的深度取决于加工次数，而不是接收的信息量。 苏格拉底式追问里说的递进追问，常见的有哪几种类型？ 常见类型包括：澄清型（逼你精确定义术语）、前提型（挖出隐含假设）、证据型（检验论据是否充分）、视角型（换立场重新审视）、后果型（推演结论会导向什么）、元认知型（把注意力转向思考过程本身）、反诘型（用归谬让你自己撞上逻辑矛盾）。这些不是随机用，而是按学习者当前状态动态切换。 追问时说的自适应难度调整是什么意思，为什么卡住了要降难度给支架而不是直接说答案？ 自适应难度调整指追问深度随学习者反应实时调整，始终把问题维持在"踮脚够得到"的最近发展区内。卡住时直接给答案，会跳过该经历的思考过程、制造"听懂了"的假象。降难度的本质是加认知支架（拆解、提示、类比、可视化），降低入口门槛但保留核心推理由学习者完成，这样才学得到可迁移的思维方法。 想用上这个技能？ 「自适应苏格拉底追问」就在「龙虾部署大师」的技能市场里，打开 技能市场 就能一键安装使用。 还没装龙虾？先 一键部署「龙虾部署大师」，在本地跑起来后再装技能即可。 注：技能的实际效果与所选用的 AI 模型能力有关，不同模型下的表现可能存在差异。
营销转化文案怎么写？用经典框架组织标题、CTA 和描述
「营销文案写作」是「龙虾部署大师」技能市场中的转化文案技能：它面向落地页、邮件、广告、销售页、产品描述和 CTA 等转化型文本，用 AIDA、PAS、FAB 等框架组织文案，从产品特性推导出明确、可信、可执行的购买理由，并处理异议、补足信任证明、规划 A/B 测试，提升页面说服链条的完整度。 技能效果 拿到一页课程落地页，它把标题、卖点和行动按钮按“语气别太硬”重写了一版，还给出更软的按钮备选。 文案写了很多，为什么不转化 转化型文案的难，不在文笔，而在说服链条。常见问题有三种：一是堆了一大段功能描述，却没把"特性"翻译成用户能感知的"收益"，读者看完不知道这对自己有什么用；二是只顾着夸产品，没回应用户心里的疑虑——价格贵不贵、有没有效果、会不会有风险；三是页面上行动指引混乱，几个按钮抢注意力，反而没人点。说服的每一环都可能断在这些地方。 说服链条：一环断，转化就漏 注意 兴趣 欲望 降疑虑 行动 特性没转成收益 / 疑虑没回应 / CTA 不单一 → 链条断裂 这个技能能帮你写出什么 它把转化文案当成一条完整的说服链来构建：吸引注意、制造兴趣、形成欲望、降低疑虑、推动行动。框架上，它用 AIDA、PAS、FAB 组织落地页和邮件的转化结构；写作上，它产出结果导向的标题、低摩擦的 CTA 和利益清晰的产品描述；异议上，它针对价格、时间、效果、风险等常见顾虑设计回应；验证上，它规划标题、CTA、价值顺序、篇幅等变量的 A/B 测试。它的关键能力是把松散的产品功能转化为用户可感知的收益语言。 产品特性 "有什么功能" AIDA / PAS / FAB 用户能感知的收益 "这对我有什么用" 它在产出时有两条约束：避免空泛术语，也避免页面上出现多个相互干扰的行动指引，让每个页面只朝一个转化动作收口。这正是它能补全说服链条的关键。 用前须知 该技能无需 API Key、脚本或系统依赖。文案质量主要取决于你提供的业务信息：产品、受众、页面目标、可用的证明材料和期望的转化动作。信息越具体，写出的购买理由越可信、越可执行。 怎么用它 用法是把要写的文案类型、产品和目标用自然语言交给它。例如可以这样对它说： 可以这样对它说 "这页课程落地页先重写标题、卖点和行动按钮，语气别太硬。" "把新品首发邮件写成三封转化序列，先痛点，再提醒优惠和转化。" "这条广告只卖试用名额，文案要短、有力，带可信证明，适合信息流。" 它适合这些场景：为 SaaS、课程、咨询、工具或电商产品撰写完整落地页文案；广告或邮件打开率偏低、需要重写标题、价值主张和行动按钮；产品功能多但价值表达松散、需要转成用户可感知的收益语言；上线前检查文案是否缺少证明、异议处理或单一 CTA。它适合创业者、增长团队、市场人员、广告投手、产品经理和独立创作者。 大家常问 AIDA 和 PAS 这两个文案框架到底有什么区别？什么场景该用哪个？ AIDA 走正向驱动（注意→兴趣→欲望→行动），适合读者对产品陌生、需要逐步教育的长落地页；PAS 走负向驱动（痛点→放大→方案），适合读者已知痛点、要直奔出口的功能性短文案。区分关键看读者是否清楚自己的问题：清楚选 PAS，不清楚选 AIDA。 落地页文案里说的「特性」和「收益」为什么不能混着写？ 特性回答「这是什么」（参数、功能），收益回答「这对我有什么用」（价值、感受）。混写会让读者在两种思维模式之间反复切换，认知负荷上升、信息组块被打乱，筛选与说服两个决策阶段都被拖慢。分开写让理性判断与感性共鸣各司其职，转化链条才走得通。 文案里的「信任状」到底是什么？为什么没它转化就上不去？ 信任状是文案里用来回答「我凭什么相信你」的证据，包括数据、权威认证、社会证明、案例证言、退款承诺等。读者从兴趣走到行动之间有一道信任鸿沟，转化率是「说服力 × 可信度」的乘积，可信度为零，说服力再强乘积也是零，所以信任状缺位转化就断在那一环。 价值主张（UVP）和卖点 slogan 有什么区别？为什么不能互相替代？ UVP 是完整陈述句，回答「为谁解决什么问题、凭什么比对手好」，负责说服决策，篇幅较长、战略级稳定；slogan 是短句记忆钩子，负责吸引注意与传播，战术级可灵活换。slogan 太短承担不了说服闭环，UVP 太长进不了广告位，两者是地基与建筑符号的关系，不可互换。 想用上这个技能？ 「营销文案写作」就在「龙虾部署大师」的技能市场里，打开 技能市场 就能一键安装使用。 还没装龙虾？先 一键部署「龙虾部署大师」，在本地跑起来后再装技能即可。 注：技能的实际效果与所选用的 AI 模型能力有关，不同模型下的表现可能存在差异。
亚马逊评论怎么批量采集？抓评分差评痛点做竞品分析
「亚马逊评论采集」是「龙虾部署大师」技能市场中的评论数据采集技能：给定一个或多个评论页链接，它自动翻页采集评分、评论人、标题、时间地点、评论正文和评论类型，并可选提取评论里的图片与视频链接，最终输出结构化 JSON 数据，便于做竞品评论分析、痛点挖掘和素材收集。 技能效果 采集某商品的评论时，它跨十个站点去重后取出前五十条，逐条保留了评分、国家、日期、标题与「已验证购买」标记，图片和视频链接也一并留存。 竞品评论这座金矿，人工挖太慢 商品评论里藏着最真实的用户痛点和卖点线索，但人工挖掘成本很高：一个热销 ASIN 动辄上百条评论，要逐条读、手动复制评分和正文；想跨多个竞品对比评分分布和高频抱怨，更是要在几个页面间来回翻抄，口径还容易乱。等整理完，时间已经耗掉大半，数据也难以复用。 这个技能能帮你拿到什么 它把评论页转成可直接分析的结构化数据。一次采集会批量抓取多个评论页的评分、标题、正文和评论人，支持设定每个商品的采集数量（1 到 999 条）并自动翻页；还可选提取评论中的买家图片和视频链接作为素材输入。采集前它会校验链接格式（评论 URL 需含 reviewerType=all_reviews），必要时辅助从商品详情页转换到评论页。 评论页链接一个或多个 自动翻页采集1–999 条 结构化 JSON评分 / 标题 / 正文 / 评论人时间地点 / 图片 / 视频链接 拿到结构化数据后，原本散在网页里的评论就能直接拿去做高频痛点归类、评分分布对比，或把买家晒图作为研究真实使用场景的素材。 评论数据 差评痛点归类 评分分布对比 买家晒图做素材 跨 ASIN 语料 用前须知 该技能无需 API Key，但评论 URL 必须包含 reviewerType=all_reviews 才能正确采集；它依靠真实抓取工作，采集量较大或频繁时可能受 Amazon 反爬限制影响。 怎么用它 用法是把要采集的评论页和需要的字段用自然语言说清楚即可。例如可以这样对它说： 可以这样对它说 "采集这个亚马逊评论页前五十条评价，图片和视频链接也保留。" "这三个竞品 ASIN 的差评都抓下来，后面做痛点归类分析，关键字段别漏。" "把评论评分、标题、时间和正文整理成结构化表格，后续用来分析卖点。" 它适合这些场景：分析竞品 ASIN 的差评和高频痛点、为 Listing 优化提供依据；采集多款产品评论、比较评分分布与反馈差异；获取评论里的买家图片或视频、研究真实使用场景；为产品研发或客服策略建立跨 ASIN 的评论语料库。 大家常问 亚马逊商品评论一般分哪几种类型？做竞品分析时要重点看哪一类？ 常见有星级评分、文字评论、带图/带视频评论、Vine 评论，以及带「Verified Purchase」标识的已验证购买评论。做竞品分析价值最高的是 VP 标识的 1—3 星差评，尤其带图差评，里面直接暴露竞品缺陷和未满足需求；用「亚马逊评论采集」按 ASIN 批量抓评分、标题、正文连同图片视频链接，归类后即可反推自己的 Listing 优化方向。 为什么有的亚马逊评论页只显示精选评论，看不到全部评论？ 页面默认按「精选（Top reviews）」排序，只展示算法认为最有帮助的少量评论；要看全部需切到「最新（Most recent）」，或直接访问带 reviewerType=all_reviews 参数的 product-reviews 评论页。「亚马逊评论采集」执行前正是校验链接是否含该参数，确保抓到的是全部评论而非精选子集，避免分析样本偏差。 亚马逊差评里通常藏着哪些产品痛点信号，对优化 Listing 有什么用？ 差评高频信号集中在尺寸/适配不符、质量耐用性差、功能与宣传有落差、说明书安装难、配件包装问题、以及预期与实物不符六类。把这些痛点词反向写进标题、主图参照物和五点描述，诚实界定适用边界，能同时降低退货率。用「亚马逊评论采集」批量抓多个 ASIN 的差评做高频归类，比逐条翻页快得多。 批量采集亚马逊评论时，为什么容易触发验证码、采到一半就中断？ 评论页是亚马逊反爬重点，单 IP 短时间高频翻页、并发过大或浏览器指纹异常都会触发验证码；翻页参数变化、动态收紧阈值也会让采集中途断掉。可控做法是随机化翻页间隔、用真实浏览器环境、分批续采。「亚马逊评论采集」无需 API Key，但采集量大或需登录可见的评论时，仍建议分批执行、保留登录态，结果仍受站点反爬影响。 想用上这个技能？ 「亚马逊评论采集」就在「龙虾部署大师」的技能市场里，打开 技能市场 就能一键安装使用。 还没装龙虾？先 一键部署「龙虾部署大师」，在本地跑起来后再装技能即可。 注：技能的实际效果与所选用的 AI 模型能力有关，不同模型下的表现可能存在差异。
研究型长文怎么写？协作出大纲补来源引用，逐节给反馈
「研究型内容写作」是「龙虾部署大师」技能市场中的写作助手技能：它面向博客、文章、Newsletter、教程和案例研究，先理解主题、论点、受众、长度、目标和风格，再协作生成大纲并标记研究缺口，随后检索资料、提取事实、补充引用、优化开头钩子，并在逐节写作时给出清晰度、结构、证据和风格的修改建议，最终输出草稿审阅、引用清单和发布前检查表。 技能效果 写「AI客服降本」文章时，它先列出完整大纲，并标注了所引用研究的来源。 写长文最难的，其实不是动笔 真正卡住人的是动笔前后的两段：开头时缺结构，不知道这篇该怎么搭、哪里需要查资料；写完后缺审视，看不清证据够不够、引用是否可信、读起来顺不顺。中间还夹着一个高频痛点——开头钩子平淡，第一段抓不住人，后面写得再好也容易被划走。这些环节如果各用各的工具拼凑，作者的语气还容易在反复修改中被磨平。 搭大纲 查资料 改钩子 逐节写 终稿审阅 这个技能能帮你做哪几件事 它把一篇长文的成稿过程拆成几个可协作的环节。结构上，它围绕主题、受众、目标和风格协作生成大纲，并把需要补充资料的地方标成研究缺口；资料上，它为指定段落或论点检索可信来源，提取关键事实、数据并添加引用；开头上，它能把平淡的引言改写成数据型、故事型或问题型等多个钩子版本；写作中，它逐节给出关于清晰度、流动性、证据、风格的具体改写建议。整篇完成后，它再做一遍草稿审阅，给出结构流畅性判断、引用清单和发布前检查表。 贯穿全程的一条原则是：在提升可信度和可读性的同时保留作者本人的声音，而不是把文章改成千篇一律的腔调。 你的 语气 补来源 / 引用 改钩子 / 结构 逐节修改建议 可信 + 可读 的成稿 用前须知 该技能无需本地依赖或 API Key。研究阶段可能需要联网查找可信来源；建议在独立的写作目录中维护大纲、研究记录和草稿文件，方便逐节推进与回溯。 怎么用它 用法是把要写的主题、读者和当前卡点用自然语言告诉它，它会顺着大纲、资料、钩子、审阅的链路陪你往下走。例如可以这样对它说： 可以这样对它说 "写一篇 AI 客服降本文章，先做大纲和引用研究，读者是中小老板。" "这段开头太平了，换三个更有钩子的版本，分别用数据、故事和反常识。" "审一下我刚写完的案例章节，看证据和引用够不够，语气别跑偏。" 它适合这些场景：撰写需要先搭结构、再标研究待办的深度博客或 Newsletter；已有引言但吸引力弱、想改写开头又保留原语气；技术教程或案例研究需要补充数据来源与例证；以及长文完成后，从结构、证据、可读性和发布清单做一次全面审阅。 大家常问 为什么有些文章一句话就抓住人，有些两行就让人划走？什么样的开头才算"有钩子"？ 读者点开文章的前几秒，脑子里只有一句"这跟我有什么关系"。让人划走的开头通常是铺垫过长、自说自话或正确的废话；有钩子的开头会在首句就制造认知缺口——要么说出读者心里的痛点，要么用一个反常识、悬念或具体数字让读者觉得"必须往下看才能填上这个缺口"。 写文章的"大纲"和"提纲"是一回事吗？为什么很多老作者都强调动笔前先列大纲反而写得更快？ 大纲是文章的骨架，解决"长什么样"；提纲在大纲上再填进论据、案例和过渡，解决"怎么写出来"。先列大纲反而更快的原因是结构性返工被消灭在标题层——大纲阶段改的是几行字，成文后改的是整段；同时大纲拆掉"下一句该写什么"的内容决策，让大脑专注遣词造句，写作卡顿和反复推翻都会大幅减少。 为什么一篇有数据、有引用的文章看起来就更可信？引用到底在文章里起的是什么作用？ 引用做的事是把信任成本从"作者本人"转移到"可核查的外部来源"上。它在文章里有三层功能：为孤立观点提供可定位的证据锚点；借助权威来源做信誉嫁接；以及给读者留下可追溯的入口。引用要起作用，前提是相关、准确、时效、且不刻意回避反面证据，否则反而会反向损害可信度。 同样写一个话题，为什么有的人能写出深度，有的人写出来像流水账？"有深度"的文章和"没深度"的文章差在哪？ 流水账是时间线驱动的平铺——只写"发生了什么"；有深度的文章是逻辑驱动的，在事件层之上叠了一层解释层，回答"这意味着什么"。差异具体落在四件事上：是否有一条贯穿全文的主线、是否在事件后追问归因与推理、是否在关键处打反转或金句这种"桩子"、以及是否在具体场景与抽象规律之间上下穿行而不是停在同一层。 想用上这个技能？ 「研究型内容写作」就在「龙虾部署大师」的技能市场里，打开 技能市场 就能一键安装使用。 还没装龙虾？先 一键部署「龙虾部署大师」，在本地跑起来后再装技能即可。 注：技能的实际效果与所选用的 AI 模型能力有关，不同模型下的表现可能存在差异。
提示