如何用 AI 查询商标
「商标检索」是「龙虾部署大师」技能市场中的商标初步筛查技能：作用是按品牌名、目标市场和商品/服务类别，查询中国 CNIPA、美国 USPTO 和国际 WIPO 的相关商标记录，输出完全匹配、近似商标、注册状态、权利人和尼斯分类，并给出混淆风险与申请流程说明，帮助命名、立项和正式提交前做基础风险判断。 技能效果 查NovaPay在美国第9类和36类有无近似商标时，它实际去USPTO检索，绕过被拦截的站点，整理出4件精确匹配记录和状态。 新品牌起名，为什么要先查商标？ 因为名字定下来、投入设计和宣传之后才发现撞标，代价往往很大。一个看起来还没人用的品牌名，可能早已被人在同一类别注册；也可能存在音近、形近或语义近似的在先商标，构成混淆风险，导致后续申请被驳回，甚至面临侵权纠纷。 问题在于，商标的占用是按"类别"区分的——同一个名字在不同的尼斯分类里可以分属不同主体。一个做茶饮的品牌该查哪些类、做 SaaS 又该查哪些类，不查清楚就贸然命名，等于把风险留到最后。不同法域（中国、美国、国际）的检索路径和近似判断口径也不一样，普通创业团队很难逐一比对。 同名，不同类别 → 风险不同 "Nova" · 第 30 类 茶饮 已有近似 → 高风险 "Nova" · 第 9 类 软件 暂无冲突 → 较低 音近 / 形近 / 拼写变体 也可能构成混淆 中 / 美 / 国际 检索口径各不同 这个技能能帮你做什么？ 这个技能把品牌名的初步筛查做成结构化的一步。它先按目标市场（中国、美国或国际）选择对应的商标数据库与检索路径，再执行完全匹配、音近、形近、拼写变体和语义近似的多维检索，把容易被忽略的近似商标也找出来。对命中的记录，它会提取注册号、申请状态、权利人、申请日期和尼斯分类，让你一眼看清这个名字在目标类别里的占用情况。 品牌名 + 市场 + 商品类别 多维近似检索 完全 / 音近 / 形近 命中记录 注册号 / 状态 / 权利人 尼斯分类 风险说明 + 行动建议 最后它会说明类别相关性、混淆风险、申请流程和常见法域差异，并指出哪些情形必须咨询专业代理人，帮你形成一份初步检索结论。 用前须知 该技能无需本地依赖或 API Key，主要依赖网络搜索访问已索引的商标记录。需要注意：官方数据库常会阻止自动化抓取，检索结果可能存在滞后或遗漏，因此结论仅作初步参考，不构成正式法律意见，也不能替代律师或商标代理人的判断。正式申请前应交由专业人员复核。 怎么用它？ 用法是把品牌名、目标市场和商品类别用自然语言告诉它，要查状态也直接说。例如可以这样对它说： 可以这样对它说 "查 NovaPay 在美国第 9 类和 36 类有没有近似商标，状态也看一下。" "这个中文品牌名想做茶饮，先看国内第 30 类和 43 类的冲突，拼音也查。" "拿注册号 5678901 查状态、权利人和有效类别，来源也标明。" 它适合这些场景：新品牌命名前确认目标市场有没有相同或近似商标；SaaS、餐饮、服装或电商项目需要定位必查和建议检索的类别；发现同名或音近商标后判断其状态、类别和潜在冲突；准备提交中国或美国商标申请前整理初步检索结论。它服务于正式委托代理人之前的基础筛查和风险归纳。 大家常问 商标近似判断主要看哪些维度？ 核心是"混淆可能性"，从音、形、义三层比对：形看图样和字形结构、音看拼音或音素的读音距离、义看词汇的语义关联。组合商标还要分别提取文字与图形再加权融合，同时结合显著性、知名度与一般消费者的注意力综合判断。 尼斯分类里类似商品与同一类商品的区别是什么？ 同一类商品看的是"形式上的分类编号是否一致"，比如第9类下的计算机和电池都属于第9类。类似商品看的是"实质上有没有混淆可能性"，跨类别也可能成立，比如第29类牛奶和第30类咖啡在实务中也可能被认定为类似。 商标显著性弱常见原因有哪些？ 常见有：直接描述商品质量或用途的描述性词（如"香甜"用于蛋糕）、行业通用名称（如"智能手机"）、仅由姓氏或地名构成的标记、过于简单的几何图形或单字母、行业惯用图案，以及由功能决定的商品自身形状。这些情形如果没有积累获得显著性，注册容易被驳回。 想用上这个技能？ 「商标检索」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。
Shopify加购增购策略，按场景规划升级套装提客单价
「Shopify 加购增购策略」是「龙虾部署大师」技能市场中的追加销售策略技能：它在产品页、购物车和购后感谢页设计 Upsell 升级与 Cross-sell 互补推荐，按主商品价格、毛利、使用场景和功能互补判断该推什么、推在哪里，目标是提高客单价和每访客收入。 技能效果 为买了瑜伽垫的订单设计购后增购时，它把推荐位放在订单完成的Thank-you页，搭配瑜伽砖和拉伸带的限时组合价，解释了为什么这样不打断主商品下单。 转化稳定了，客单价却抬不动 很多 Shopify 店铺把主商品转化做稳之后，会卡在另一个瓶颈：客单价上不去，每个访客带来的收入有限。问题通常不是没做加购，而是加购做得没章法——升级款和互补品分不清，配件推荐塞在错误的环节打断了下单，购物车里硬塞高价商品反而劝退，购后感谢页这个本该顺手追加的位置又空着。推荐位放几个、推荐什么价位、用什么文案引导，全凭感觉摆，自然带不动订单价值。 两种推荐，对应不同时机 Upsell 升级 同类换更好/更大包装 适合在产品页比对 Cross-sell 互补 配件/搭配品 适合购物车/购后追加 这个技能帮你设计什么 它把加购增购拆成"推什么、推在哪、用什么规则"来系统设计。在类型判断上，它区分 Upsell 升级与 Cross-sell 互补，为每种匹配最合适的展示时机；在关联规则上，它依据功能互补、场景绑定、耗材续购和礼品化组合来设计搭配关系；在推荐位规划上，它覆盖产品页、购物车和购后一键加购三个位置的展示方案；在落地支持上，它给出 Metafields、Recommendations API 和自动折扣的实现思路，并通过推荐位的位置、数量、标题和价格做实验持续优化。它还会守住分寸，比如购后追加的推荐品价格不宜超过主商品的一半，避免决策成本过高。 同一笔订单，三个位置接力提价 产品页 升级款 / 套装 购物车 低价互补配件 购后感谢页 一键追加 用前须知 该技能做的是策略设计，无需密钥即可直接使用。若要把推荐方案落地到 Shopify 原生能力上，需要店铺后台权限，以及 Metafields、Recommendations API 或 Checkout 扩展的配置。它给出的是组合规则与落地思路，实际配置在你的店铺中完成。 怎么用它 用法是把主商品、想提升的目标和约束用自然语言交给它，由它产出推荐组合与展示方案。例如可以这样对它说： 可以这样对它说 "瑜伽垫下单后推荐瑜伽砖和辅助带，出现在加购之后、别打断购买流程。" "购物车里加一个搭配购模块，规则按互补产品、价格和库存一起配。" "购后一键加购想提高客单价，推荐品价格别超过主商品的一半。" 它适合这些场景：主商品转化稳定但客单价偏低，需要设计大包装或升级款推荐；购物车阶段适合补充低价配件、提高订单附加收入；支付成功后想展示低决策成本的商品、实现一键追加购买；以及需要比较 2 个、3 个或 4 个推荐位对点击和收入的影响。 大家常问 电商里说的 Upsell（增购）和 Cross-sell（交叉销售/搭配购）有什么区别？分别适合在什么时候推？ 一句话记：Upsell 是"往上走"、让用户买更好更贵的同类款（如 128G 换 256G），看客单价；Cross-sell 是"往旁边走"、推不同类但相关的搭配品（如手机配壳和充电器），看连带率。Upsell 适合在还在决策的详情页和加购时推，Cross-sell 各阶段都能用、重在购物车和购后。本技能据购买阶段帮你匹配最佳展示时机。 为什么很多店铺转化率稳定，但客单价（AOV）一直上不去？提升客单价一般从哪几个方向入手？ 常见原因是客户愿意买、但不愿一次多买或买更贵：品类本身低频单买、页面缺搭配和升级引导、优惠策略单一、流量偏低价捡便宜。提升客单价可从六个方向入手——搭配套餐与加价购、满减满赠阶梯、升级款大容量、会员储值订阅、详情页购物引导、调整流量结构。本技能据主商品价格毛利和场景设计关联规则。 为什么推荐加购的商品价格不宜超过主商品太多？购后一键加购为什么更适合推低价配件？ 主商品价格会形成心理锚点，加购品一旦比它还贵就触发防御性比价，用户跳出去单独比价、订单流失，转化率随价格比上升而断崖下跌。购后一键加购发生在已付款的瞬间，用户转为"拥有者心态"、只问配不配套不再比价，且无需重走支付、摩擦近零，低价配件决策成本最低、顺手就买，是纯增量。本技能按这些原则设计推荐。 在商品页、购物车、购后感谢页这三个位置做追加推荐，效果和侧重点有什么不同？ 三个位置分工不同：商品页处于浏览决策阶段，推搭配和升级、负责让用户买更多品类，当期转化中等；购物车即将付款，推凑单和强关联，当期转化和客单价拉动最强，但别挡住结算按钮；购后感谢页已付款，推复购钩子和下一场景，当期几乎不增收却对复购很强。本技能会按位置规划推荐方案与数量。 想用上这个技能？ 「Shopify 加购增购策略」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。
批判性阅读怎么做才算读懂一篇文章
「深度阅读分析」是「龙虾部署大师」技能市场中的长文研读技能：支持 URL、PDF、DOCX、TXT 和粘贴文本输入，先提取正文，再按快速、标准、深度、研究四级模式调用 SCQA、5W2H、批判性思维、第一性原理等框架，把长文拆成核心论证，并输出可复用的学习笔记、写作素材或决策框架。 技能效果 让它深读一篇正念训练与工作记忆的实证论文，它拆出 SCQA 与 5W2H、揪出剂量不匹配和缺中介分析等四处漏洞，再给论证强度打了 6.5 分并列出该补的引用。 长文读完就忘，问题出在哪 论文、报告、策略长文读起来都费时，但"读过"和"读懂、能用"之间常常隔着一道坎。很多人通读一遍后只留下零散印象：抓不住核心主张，分不清哪些是事实、哪些是作者观点；看不出论证里的证据强弱和逻辑漏洞；想引用或落地时，又得回头重读。归根结底，是缺少一套和阅读目的匹配的拆解方法，于是阅读停留在"看完"，没有沉淀成可复用的结构化产物。 长文论文/报告 通读一遍 零散印象抓不住主张/分不清事实观点 要用时回头重读 这个技能怎么把长文读"透" 它先识别输入类型（URL、PDF、DOCX、TXT 或粘贴文本）并提取正文，再询问你的阅读目的、想要的分析深度和偏好框架，然后按四级模式推进——快速、标准、深度、研究，深度越高调用的思维框架组合越完整。可用的框架包括 SCQA、5W2H、批判性思维、逆向思维、第一性原理、系统思维等，用来拆解核心论证、评估证据质量、找出逻辑缺口。它在输出时会刻意保留事实、观点和行动项的边界，便于后续验证和复用。 提取正文URL/PDF/DOCX 按目的选深度，调用框架 快速 · SCQA 标准 · 5W2H 深度 · 批判性 研究 · 第一性原理 结构化产物 学习笔记 / 写作素材 决策框架 / 行动项 保留事实 · 观点 · 行动边界 用前须知 该技能无需 API Key。处理 PDF / DOCX 时，正文提取依赖 Python 及 pdfplumber、python-docx 或 docx2txt；输入 URL 时需要网络可访问该内容。它做的是结构化拆解与提炼，关键事实和引用仍建议回到原文核对。 怎么用它 用法是把要读的材料（链接、文件或粘贴文本）交给它，说清阅读目的和想要的深度。例如可以这样对它说： 可以这样对它说 "这篇论文按标准深度读，帮我拆出主张、证据和逻辑漏洞，再评估论证强度。" "这份报告太长，做成学习笔记，列出可用的框架，最后提三条可执行的动作。" "把这篇文章用 SCQA 和逆向思维分析，找出可以落地的启发，别只做摘要。" 它适合这些场景：阅读研究论文时，需要提炼核心假设、证据质量和局限性；处理商业长文或策略报告，希望得到可落地的行动方案；为写作引用整理关键论点、证据、反方视角和内容缺口；面对复杂决策材料，需要从多个角度评估风险、收益和备选项。 大家常问 什么是批判性阅读？它和普通通读一篇文章有什么不同？ 批判性阅读是带着审视和质疑去读，主动分析、评估、重构文本，而不是被动接收信息。普通通读像观众看电影，跟着内容走，读完只剩大致印象；批判性阅读像影评人，要追问作者想证明什么、论据是否可信、有没有漏洞，最后沉淀成结构化笔记。 读一篇文章时，怎么区分哪些内容是事实、哪些是作者的观点？ 一条简单法则：事实可以用对错检验、能追溯能验证，观点只能用好坏或应该来评论。看信号词，「研究表明」「根据数据」多是事实陈述，「我认为」「应该」「最好」多是主观或价值判断。可以用两种标记分别标事实和观点，若观点远多于事实，论证基础就值得怀疑。 要评估一篇文章里的论据是否可信，可以从哪些方面入手？ 不能只看有没有引用，而要逐一考察：来源是一手还是转述、是否权威可追溯；数据的时效性；样本是否充分且有代表性；从数据到结论有没有逻辑跳跃；是否回应了对立观点；有无利益冲突；结论是否可被公开验证或复现。模糊引用如「有专家指出」往往是危险信号。 拆解一本书或一篇长文的论证结构，到底是在拆哪些东西？ 拆的是作者的思维骨架：先提取主旨和分论点，区分哪些是论述、哪些是论据；再看论证类型是演绎、归纳、类比还是因果，把隐含前提显式化，检查从前提到结论有没有逻辑断环。注意别把选题范围当主旨，也别把概念当成主张。 想用上这个技能？ 「深度阅读分析」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。
如何用 AI 润色简历
「简历润色」是「龙虾部署大师」技能市场中的简历优化技能：作用是针对一份已有简历，先从完整性、量化、结构、语言和岗位匹配度五个维度打分诊断，再用 STAR 法则把模糊经历重写成有说服力的量化表达，把目标 JD 的关键词自然融入，并做 ATS 兼容检查，最终输出可逐条落地的修改建议、改写对比和多岗位定制版本。 技能效果 拿到一份简历，它逐项点出结构缺失、空泛措辞和 ATS 不友好的关键词问题，并指出该补什么。 简历投出去没回音，问题出在哪？ 投了很多份却少有回应，问题往往不在经历本身，而在表达。常见的几类毛病：经历写得笼统，"负责运营工作"这类描述既看不出具体做了什么，也没有结果数据支撑；结构松散，重点信息埋在大段文字里，招聘方几秒钟扫不到亮点；语言不够专业，动词平淡、缺乏行业术语。 还有一道隐形门槛是 ATS——简历筛选系统。很多公司用它先做一轮关键词匹配，如果简历里缺少 JD 中的硬技能和术语，或排版让系统解析出错，材料可能在到达招聘人员之前就被过滤掉。这些问题靠自己反复看很难发现，因为写的人对内容太熟悉了。 改写前 "负责活动运营， 效果不错" 无情境 · 无结果 · 无数据 STAR 改写后 在预算下统筹 6 场活动 参与人数环比提升 40% 情境 · 任务 · 行动 · 结果 这个技能能帮你做什么？ 这个技能聚焦在"已有简历的提升"，不从零写起。它先读取你的简历和可选的目标 JD，从模块完整性、数据量化程度、结构可读性、语言专业度和岗位匹配度五个维度评分，定位短板在哪。诊断之后，它用 STAR 法则（情境、任务、行动、结果）把模糊经历重构成清晰、可验证、带量化成果的表述；同时提取 JD 中的硬技能、软技能和行业术语，检查关键词覆盖率并自然补齐。 它还会做 ATS 兼容性检查，提示可能导致系统解析出错或关键词漏匹配的风险点；对于一人投多岗的情况，它能基于同一份经历生成差异化的定制版本，让不同岗位各自突出对应的能力。 五维诊断，定位短板 完整性 量化 结构 语言 岗位匹配度 → STAR 重构经历 · 融入 JD 关键词 · ATS 兼容检查 用前须知 该技能无需 API Key 或额外依赖，主要通过自然语言处理完成。使用前需提供简历文本或文档；若要做岗位匹配，建议同时提供目标 JD，关键词覆盖和定制建议会更贴合。 怎么用它？ 用法是把简历交给它，再说明你想解决的问题——是整体诊断、改某段经历，还是按岗位定制。例如可以这样对它说： 可以这样对它说 "这份简历投了很多次没回音，先查结构、关键词和 ATS 兼容问题。" "把这段项目经历按 STAR 重写，结果要量化，也更能打动招聘方。" "同一份经历改两版，分别投产品岗和用户运营岗，突出不同能力。" 它适合这些场景：投递后反馈较少，需要判断结构、语言或 ATS 是否有问题；某段经历过于笼统，想改成更有说服力的量化表达；准备投递特定岗位，需要根据 JD 调整关键词和经历优先级；同一候选人面向产品、运营、技术等不同岗位，要生成差异化版本。 大家常问 为什么简历里过度使用形容词反而会削弱专业感 "优秀""卓越""高度负责"这类形容词信息熵极低，几乎每份简历都在用，HR 和 ATS 都无法据此区分候选人。专业感来自动词加事实——具体行为、明确范围、可验证结果——而不是修饰语堆叠。 动词主导句式与名词堆砌的简历在表达上有什么核心区别 名词堆砌（"项目负责人 · 多部门协调者"）告诉别人你是什么，是静态标签；动词主导（"主导设计微服务架构 · 协调 4 个部门数据流"）说明你做了什么、产生了什么影响。前者难验证，后者带行为序列和量化结果，可读性也更强。 简历量化表达里最容易被夸大的指标有哪些 百分比类（基数和对比周期被模糊）、数字规模类（"管理 X 人""覆盖 X 万用户"把配合算成主导）、时间周期类（截取最有利的起止点）、直接归因类（把团队成果和市场红利都算到个人）最容易被夸大。HR 看多了一眼就识破。 JD 关键词融入简历时为什么直接复制粘贴效果不好 直接粘贴"具备项目管理能力"这类短语会被识别为陈述而非证据，缺乏上下文锚点；语义模型还会检测出风格突变，降低整段权重。正确做法是把关键词融进具体行为和量化结果里，让 ATS 在同义识别和实体识别层都能命中。 想用上这个技能？ 「简历润色」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。
TikTok广告策略怎么做？规划创意钩子与广告组结构出价
「TikTok 广告策略」是「龙虾部署大师」技能市场中的投放策略技能：作用是围绕创意钩子、Spark Ads、广告组结构、出价、归因和放量节奏，为品牌在 TikTok Ads Manager 中建立一套可执行的投放框架，帮助判断学习期、预算调整和素材疲劳处置，用原生内容和算法信号提升转化效率。 技能效果 为美妆新品拆 TikTok 钩子时，它按 A/B 测试框架给出三套差异化前3秒开场和背后的心理机制。 TikTok 广告投了钱，为什么跑不出 ROAS 从 Meta 等平台迁移过来的投手常踩同一类坑：把别处的逻辑直接搬到 TikTok，结果素材没有原生感、前 3 秒留不住人；广告组一直跳不出学习期，预算和创意密度配置不当，算法迟迟学不会；素材跑久了出现疲劳，ROAS 下滑却分不清是出价问题还是创意问题，盲目调整反而越调越乱。这些都不是花更多钱能解决的，而是投放结构本身需要重建。 前 3 秒留存，决定整条广告的命运 9:16 竖屏 前 3 秒钩子 字幕 + 热门音频 留住 → 完播 → 转化 划走 → 钱白花 放量节奏 这个技能能帮你定出什么打法 它把 TikTok 投放拆成可执行的几块策略。创意层面，规划前 3 秒钩子、9:16 原生竖屏、字幕与热门音频的组合，并评估自然视频是否值得授权成 Spark Ads，把高互动内容沉淀为社交背书和自然流量复利；结构层面，设计广告系列、广告组密度、创意密度和学习期的预算下限，避免广告组一直困在学习期；出价与归因层面，选择自动出价、成本上限、归因窗口和服务器端追踪方案。它还会明确常见误区、追踪缺口，以及素材疲劳后该刷新创意还是调整设置的处置优先级。 创意钩子 + Spark Ads 广告组结构 + 学习期预算 出价 + 归因 服务端追踪 放量 + 疲劳处置 刷新 or 调设置 用前须知 该技能无需单独的 API Key 或本地运行环境，输出的是投放策略与决策框架。实际落地需要你具备 TikTok Ads Manager 权限；若要部署 Pixel、Events API 或 TikTok Shop 追踪，还需相应的广告账户、店铺和服务端埋点能力。 怎么用它 用法是把目标市场、预算、转化目标、素材状态和追踪配置用自然语言交给它，它会据此给出投放方案和调整建议。例如可以这样对它说： 可以这样对它说 "这个美妆新品要跑 TikTok 广告，先拆三套钩子测试前 3 秒留存。" "这组素材跑了七天 ROAS 下滑，判断是出价问题还是创意疲劳，成本异常写明。" "把 Spark Ads 和普通转化广告分开，设计放量节奏和预算上限。" 它适合这些场景：电商品牌从 Meta 转向 TikTok 获客，要重建投放逻辑；自然视频已产生高互动，要判断是否放大为 Spark Ads；广告组持续停留学习期，要检查预算、目标和素材结构；ROAS 下滑且素材疲劳明显，要决定刷新创意还是调整设置。 大家常问 Spark Ads 和普通的 TikTok 转化广告本质区别是什么，什么场景值得授权？ 本质区别是"广告身份"和"社交信号"。普通转化广告用品牌账户出现、评论区从零起，用户一眼识别成广告；Spark Ads 借用原创作者账号展示、继承原帖的点赞评论，算法在冷启动期不一定把它判成广告，CTR/CVR 和学习期效率都更优。达人合作内容自然数据好、品牌自运营真实内容、高客单需要信任的品类，最值得授权 Spark Ads。 TikTok 广告组为什么会一直停留在学习期？学习期到底在学什么？ 学习期在做三件事：用不同人群子集找转化模式、校准出价竞争位、理解创意和受众的匹配。规则是 7 天内累积 50 个转化才能跳出。停留学习期通常因为受众定向过窄给不到探索空间、预算或出价过低支撑不起 50 转化、素材同质化让系统拿不到差异化信号，再叠加归因窗口短导致回传不全。冷启动期放宽定向、用最低成本出价、别频繁调参，是突破学习期的核心思路。 TikTok 广告的前 3 秒钩子为什么决定整条广告的生死？Hook 率和完播率有什么区别？ 排名得分=出价×预估行动率，前 3 秒留存是预估行动率的核心信号。FYP 场景下每次划走都是负反馈，前 3 秒数据决定平台是否把广告分发给更多人。Hook 率是"门票信号"——决定流量分发上限，看的是观看≥3秒占比；完播率是"质量信号"——决定流量稳定性和 CPM，看的是看完占比。Hook 率低会被直接降权停展，Hook 高但完播低，跑得动但成本会越跑越贵。 TikTok 广告 ROAS 持续下滑时，怎么区分是素材疲劳还是出价问题？为什么处置优先级不一样？ 看三个信号组合：CTR 持续下降 + CPM 同步上升 + 频次≥3，是素材疲劳；CTR 稳定但 CVR 下滑、CPM 上升但 CTR 持平、频次还很低就掉，是出价或受众问题。TikTok 上"创意即定向"，算法靠互动信号反推目标人群，所以疲劳必须先排查；调出价又会重置学习期，把疲劳误判成出价问题会持续烧死创意，所以优先级是先换钩子验证 ROAS 能否回弹，回不来再动出价结构。 想用上这个技能？ 「TikTok 广告策略」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。
Shopify MCP开发怎么用？接文档减少幻觉
「Shopify MCP 开发」是「龙虾部署大师」技能市场中的开发校验技能：它通过 MCP 服务器连接 Shopify 官方文档、GraphQL Schema 和代码验证工具，回答 API 字段、Webhook、Liquid、Polaris 等开发问题，并在生成代码前比对实时 Schema，减少过时字段和模型幻觉。 技能效果 演示用Shopify Admin API创建商品时，它先做Schema内省确认productCreate的字段，再写出一段可用的GraphQL创建商品代码，并说明返回里该看哪些字段。 AI 写的 Shopify 代码，为什么常对不上 用 AI 写 Shopify 代码有个反复出现的坑：模型给出的 GraphQL 查询、Liquid 片段或 Polaris 组件属性，乍看完整，跑起来却报 Field not found，或者用了某个早已废弃的字段。原因在于 Shopify 的 API 版本和 Schema 在持续演进，而模型记住的是训练时的旧知识——它并不知道你这个店铺当前的 API 版本里某个字段到底还在不在。结果就是开发者把时间花在反复试错、对照文档手动核字段上。 模型凭记忆 可能是旧字段 直接生成代码 Field not found 反复试错 手动核文档 这个技能怎么减少幻觉 它的思路是：在让 AI 输出代码之前，先把代码拿去和官方实时来源比对。借助 MCP 服务器，它做四件事——检索 shopify.dev 的文档片段并拉取完整参考内容；对 Admin、Storefront 等 GraphQL Schema 做实时内省，确认字段是否真实存在；验证 GraphQL、Liquid、Polaris 和主题代码块的有效性；并维护 conversationId 上下文，确保整个会话里 API 版本和工具链保持一致。它要求先调用 learn_shopify_api 获取会话上下文，再进入检索、内省和校验的流程，让"先核实、再展示"成为固定动作。 learn_shopify_api 取上下文 检索文档 拉完整参考 Schema 内省 确认字段存在 代码块校验 GraphQL/Liquid 校验通过后再展示代码 用前须知 该技能需要 Node.js 18+，并在本地安装 @shopify/dev-mcp、用 mcporter 注册 MCP 服务器后才能工作。它无需直接写入店铺，但 API 校验依赖 Shopify 的文档与 Schema 工具可正常访问；它做的是检索与验证，不替你部署代码。 怎么用它 用法是把要写或要排查的 Shopify 代码问题用自然语言交给它，由它先核实再给出结果。例如可以这样对它说： 可以这样对它说 "我要写一段用 Admin API 创建商品的 GraphQL，先核对 Schema 再把代码给我。" "Order 对象的某个字段报错了，查一下实时 Schema 确认哪些字段可用。" "这个 Polaris 组件的属性我不确定，验证通过之后再展示完整的示例代码。" 它适合这些场景：需要确认 Order、Product 或 Customer 对象当前可用的字段；生成 Webhook、POS UI Extension 或 Polaris 组件前要先验证代码；GraphQL 返回 Field not found、需要按实时 Schema 排查；以及团队希望用官方文档和验证工具来约束 AI 生成的 Shopify 代码。 大家常问 用 AI 写 Shopify 的 GraphQL 查询，为什么经常报 Field not found（字段不存在）这类错误？ 常见四类原因：一是 API 版本不对，Shopify 每季度更新、旧字段会被废弃或改名；二是把 Admin API 与 Storefront API 的 Schema 搞混，两者字段定义完全不同；三是字段有前置条件（如需先定义 metafield）；四是嵌套层级写错。本技能通过 MCP 实时内省当前版本 Schema、并对代码块做校验，从而减少这类幻觉字段。 Shopify 的 Admin API 和 Storefront API 有什么区别？各自适合做什么？ Admin API 面向商家/管理员，用私密令牌，对商品、订单、客户、库存等做完整增删改查，适合后台管理、ERP/WMS 对接、数据分析、App 开发；Storefront API 面向消费者，令牌可公开嵌前端，以只读商品加创建购物车/结账为主，适合无头店面、自定义购物车、移动端下单。两者 Schema 不同，写查询前要先确认用哪一套。 为什么说 Shopify 的 GraphQL 接口要看 API 版本（版本号）？版本不对会怎样？ Shopify 用日期版本号（如 2025-01）按季度发布，同一版本内承诺不引入破坏性变更、稳定至少 12 个月。版本不对的后果：用已停用旧版会返回 404 或"不再支持"；用 unstable 跑生产可能字段无预警变化；最隐蔽的是字段行为悄悄改了、不报错却拿到错值。本技能会维护会话上下文，确保 API 版本与工具链一致。 Shopify 开发里说的 MCP 是什么意思？它能解决 AI 生成代码时的什么问题？ MCP 是 Model Context Protocol（模型上下文协议），相当于一座桥，让 AI 实时访问 Shopify 官方文档、GraphQL Schema 和代码校验工具，不再凭记忆写代码。它主要解决三个痛点：知识过时产生幻觉字段、写完无法验证对错、文档检索低效。本技能正是先 learn_shopify_api 取上下文，再做内省与代码块校验。 想用上这个技能？ 「Shopify MCP 开发」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