测试驱动开发怎么落地红绿重构循环
「TDD 开发指南」是「龙虾部署大师」技能市场中的测试驱动开发技能：作用是根据源码、目标框架或新功能需求，生成单元测试脚手架、happy path、错误路径和边界用例，解析覆盖率报告标注优先级缺口，准备 fixture 与 mock 数据，并按 RED、GREEN、REFACTOR 每个阶段给出验证要求，覆盖 Jest、Pytest、JUnit、Vitest、Mocha 等主流框架。 技能效果 把一个登录函数交给它补测时，它用 Pytest 写出正常登录、用户不存在、密码错误等用例，异常路径都用断言覆盖到位。 写测试这件事，为什么常常被拖着 测试该写、要写，但落地时总卡在几个点：补测试时不知道从哪开始，happy path 容易想到，错误路径和边界用例最容易漏，恰恰也最容易出 bug；覆盖率报告打出一长串未覆盖行，分不清哪些是核心分支、哪些可以缓一缓；测试数据准备成本高，造一组贴合实体的 fixture 和 mock 往往比写断言还费时；想按 TDD 先写失败测试再实现，却常常忍不住先写实现、回头补测试。这些摩擦叠加，测试就被一拖再拖。 最容易漏测的，往往最容易出 bug happy path 最常被覆盖 错误路径 常被遗漏 边界用例 最易出 bug，却最常漏 这个技能能帮你做哪些测试工作 它围绕测试驱动开发的全流程提供支持。生成测试方面，它能读 TypeScript、JavaScript、Python、Java 源码，自动产出测试脚手架以及 happy path、错误路径、边界用例。覆盖率分析方面，它解析 LCOV、JSON、XML 覆盖率报告，按 P0/P1/P2 标注哪些缺口最该先补。测试数据方面，它按实体生成 fixture 和 mock 样本，省去手工造数据。流程驱动方面，它按 RED（先写失败测试）、GREEN（写最小通过实现）、REFACTOR（重构）三个阶段推进，并对每个阶段给出验证要求。它还能在 Jest、Pytest、JUnit、Vitest、Mocha 之间适配，按项目语言切换框架。 红 → 绿 → 重构 循环 RED 写失败测试 GREEN 最小实现 REFACTOR 重构优化 先写失败测试再写实现，看似多一步，实则把"这段代码到底要满足什么"先用断言固定下来，实现自然更聚焦；覆盖率缺口按优先级排序，则保证有限的补测试时间花在最关键的分支上。 用前须知 该技能随附的脚本需要 Python 运行；具体生成与执行测试时，要按项目语言配置好 Jest、Pytest、JUnit、Vitest 或 Mocha。覆盖率分析需要你提供 LCOV、JSON 或 XML 格式的覆盖率报告，报告越完整，缺口标注越准确。 怎么用它 用法是把要补测的源码、覆盖率报告或新功能需求用自然语言交给它，由它生成用例、标注缺口或带着你走红绿重构。例如可以这样对它说： 可以这样对它说 "这个登录函数先按 Pytest 补单测，异常路径也要覆盖到断言里。" "看这份覆盖率报告，先挑最该补的分支写测试，登录失败优先。" "新做优惠券功能，先写失败用例再走红绿重构，别急着写实现。" 它适合这些场景：已有函数或模块缺单测，需要快速生成 happy path 与边界用例；覆盖率低于阈值，要定位未覆盖的错误路径和核心分支；新功能开发要求先写失败测试再实现最小通过代码；测试数据准备成本高，需要按实体生成 fixture 和 mock。适合软件工程师、测试工程师、技术负责人、开源维护者，以及希望把 TDD 引入日常开发的研发团队。 大家常问 测试驱动开发为什么要先写失败的测试、再写实现？ 先写一个失败的测试，等于把需求翻译成可自动验证的验收标准，开发到测试变绿就该停手，避免过度设计。看着它从红变绿，也能确认测试真的在检测目标行为；而且这迫使你以调用者视角先想接口该怎么用，设计自然更聚焦、更清晰。 TDD 的红-绿-重构循环每一步分别在做什么？ 红：写一个会失败的测试，确认它真的失败，描述你想要的一小段行为。绿：用最简代码让它通过，允许硬编码，只求最快变绿。重构：在测试保护下消除重复、改善命名结构，且不改变外部行为。三步一循环，每轮只推进一小步。 单元测试、集成测试和端到端测试有什么区别？ 单元测试只测单个函数或类、隔离外部依赖、毫秒级最快；集成测试验证多个模块间的协作与接口契约，可能用到真实或仿真依赖、秒级；端到端测试串起从界面到数据库的完整用户流程、最慢也最脆弱。三者互补，不能互相替代。 测试覆盖率高就代表测试做得好吗？ 不一定。覆盖率只反映哪些代码被执行过，不代表行为被正确验证——所有断言都是恒真也能跑到 100%。把它当硬性考核指标，还会诱导团队写只执行不验证的凑数测试。它更适合当探索工具，用来发现漏掉的分支和边界。 想用上这个技能？ 「TDD 开发指南」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准备面试
「面试准备」是「龙虾部署大师」技能市场中的面试训练技能：作用是为求职者生成结合岗位、公司和面试类型的定制化准备方案——输入职位、目标公司、面试形式、经验层级和薄弱环节后，它输出公司研究、常见问题、STAR 回答框架、技术问答要点、反问清单、风险提示和当天检查表，帮你把零散经历整理成可演练、可复盘的面试素材。 技能效果 准备产品经理面试时，它按高频程度排出十道行为面试题，每题给出STAR骨架，还把答案改写成不像背稿的口语示例。 面试前临时抱佛脚，为什么效果总不好 问题在于准备没有结构。多数人面试前的准备停留在三种状态：一是漫无重点，刷一堆通用面试题，却不知道目标岗位和这家公司会重点考什么；二是经历讲不清，明明做过不少事，一被追问就答得零散，缺乏量化成果，也没有"背景—任务—行动—结果"的骨架；三是临场失控，两分钟能讲完的事讲了五分钟，或者面完才想起没准备反问问题。准备得有没有用，看的是能不能把经历变成可演练、可复述的素材。 STAR：把经历讲成完整的故事 S背景 T任务 A行动 R结果(可量化) 这个技能能帮你做什么 它把面试准备做成一套定制化、可演练的训练方案。输入职位、目标公司、面试形式、经验层级和薄弱环节后，它会按岗位、公司和经验层级生成定制化的面试问题；用 STAR 框架帮你拆解经历，给出示例回答的组织建议；针对技术题、行为题、案例题补充答题要点；并输出一份反问清单、一组避坑提醒和一张面试当天的检查表。整个流程强调具体经历、可量化成果、失败复盘和两分钟的表达控制，目的是把你零散的经验整理成临场能复述、能模拟问答、能自我复盘的材料。 输入岗位与公司 形式 / 层级 / 薄弱 定制问题 + STAR 拆解 答题要点 技术/行为/案例 反问 +检查表 用前须知 该技能无需 API Key 或固定运行时依赖，主要基于你提供的岗位、公司和面试类型生成内容。需要注意的是，若要结合目标公司的最新动态，应接入可用的搜索能力并自行核验来源，避免在面试中引用过时或不准确的公司信息。 怎么用它 用法是把目标岗位、公司、面试形式和自己的经历用自然语言交给它，它会生成定制问题和回答框架。例如可以这样对它说： 可以这样对它说 "明天面产品经理，按行为面试准备十个 STAR 答案，别太像背稿。" "我投的是字节的后端岗位，练几道技术面高频问题并整理思路。" "这份经历太散，帮我整理成面试里能讲的三段故事，每段两分钟左右。" 它适合这些场景：准备行为面、技术面或案例面时需要系统化演练回答；目标公司已确定、要结合公司使命、动态和文化设计面试策略；缺少可量化的项目案例、需要把经历整理成清晰的 STAR 故事；以及临近面试当天、要快速核对准备材料、反问问题和表达风险。 大家常问 用STAR法则讲项目时，最容易被求职者省略或讲虚的是哪一步，为什么？ 最容易被省略的是R（Result）。求职者往往讲清楚做了什么，到结果时只剩"顺利完成""客户认可"等笼统话，缺少基线、对比、时间跨度这类可核实的量化指标，导致Action变成自说自话。 行为面试问题主要在考察求职者的什么，和能力测评类问题有什么区别？ 行为面试基于"过去的行为是未来表现的最佳预测指标"，考察真实情境下的行为模式、软性胜任力和决策逻辑；能力测评则是受控条件下的认知表现，测量知识存量、推理速度、技能操作等可标准化打分的硬指标。 面试里的自我介绍超过两分钟会带来什么问题？ 面试官前两分钟注意力最集中，超过这个窗口信息密度下降；同时会挤占后续行为面、技术考察、双向问答的时间，还会暴露候选人在提炼重点和时间把控上的不足，反而稀释了核心亮点。 面试最后的反问环节，问什么类型的问题会显得专业，问什么会扣分？ 加分的是落在岗位实际工作、前3-6个月核心问题、评价标准、团队业务挑战上的问题；扣分的是公司在做什么这类官网可查的基础信息、只关心加班和晋升的利己问题、过于空泛的战略问题，以及"我没有问题了"。 想用上这个技能？ 「面试准备」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。
天猫商品信息怎么查询？按链接批量采集输出JSON
「天猫商品信息查询」是「龙虾部署大师」技能市场中的商品详情采集技能：给定含商品 ID 的天猫或淘宝详情链接，它按单个或多个链接批量采集标题、价格、主图、视频、SKU、优惠、活动、保障和店铺等字段，输出结构化 JSON 与成功失败统计，替代人工逐页复制。 技能效果 演示天猫商品信息查询时，它列出能从商品页抓取的标题、价格、SKU、优惠等十多个字段，并用五个示例商品演示了批量查询后汇总成的表格长什么样。 逐条复制天猫详情页，问题在哪 做竞品监控、价格记录或商品调研时，常要从天猫详情页里把标题、价格、主图、SKU、优惠活动这些信息整理出来。人工做这件事既慢又散：一条链接一条链接地打开、把价格抄进表、把主图地址逐个复制，几十个商品下来，不仅耗时，不同人整理出的字段口径还不统一，难以直接拿去做分析。一旦碰到 SKU 多、优惠活动复杂的商品，手动整理更容易抄漏抄错。 人工：一条条点开复制；技能：批量转结构化 链接 1 链接 2 … 逐条手抄 批量采集 按链接分组 结构化 JSON 这个技能能帮你拿到什么 它把天猫详情页转成可直接处理的结构化数据。采集范围上，它按单个或多个链接批量取标题、价格和店铺信息，同时提取主图、视频、优惠活动、保障服务和基础属性；SKU 维度上，它既能获取全部关联 SKU 的价格、库存和预售状态，也能只取当前 SKU，按需选择；结果形态上，它返回结构化 JSON，并附上成功失败数量、抓取状态和错误原因——成功的归成功，失败的也说清为什么失败。当页面出现验证码、弹窗或 JS 提取失败时，它会给出明确的排查方向，而不是默默返回空数据。 天猫/淘宝详情链接 取全部 SKU 价格/库存/预售 仅取当前 SKU 按需选择 JSON + 成功失败统计 + 抓取状态 用前须知 该技能需要 Python 运行同目录的 run.py，执行前要确保 AI agent gateway 与 skillcore 服务可用（默认 127.0.0.1:10027），浏览器需能打开天猫页面；文档未要求 API Key。它做的是页面采集，受天猫反爬与页面加载状态影响，遇到验证码或提取失败时会返回明确的状态和排查方向，而非保证每条都成功。 怎么用它 用法是把要采集的天猫链接和想要的字段范围用自然语言交给它，说明导出方式即可。例如可以这样对它说： 可以这样对它说 "把这五个天猫链接的标题、价格、SKU 和优惠都抓出来，主图也要。" "这个商品页只看当前规格的库存，别把关联 SKU 都展开。" "采集天猫详情时把主图、视频和保障信息一起带上，按链接分组导出。" 它适合这些场景：运营团队要批量整理竞品详情页里的价格、主图和促销信息；采购或选品人员要比较同类商品的 SKU 组合、库存和预售状态；数据分析任务要把天猫详情页转换成可处理的结构化记录；以及页面出现验证码、弹窗或提取失败时，需要拿到明确的排查方向。 大家常问 采集天猫商品详情时，获取全部关联 SKU 和只取当前 SKU 有什么区别？分别适合什么场景？ 获取全部关联 SKU 会返回该商品所有规格组合（如颜色×尺码）的价格和库存，形成完整的价格-库存矩阵，适合竞品分析、跨规格比价、价格监控和商品建库；只取当前 SKU 只返回链接默认选中的那一个，更快，适合单品核价、链接有效性快速验证、SKU 不重要的大批量采集。本技能默认取全部，更完整。 为什么批量采集天猫商品详情时容易遇到验证码、或者页面没加载完就抓不到数据？ 天猫风控成熟，同 IP 短时间高频访问、自动化工具浏览器指纹未伪装、登录态失效都会触发滑块或图形验证码。抓不到数据多因详情页是异步渲染，标题、价格、SKU 走 XHR 动态加载，脚本在 DOM 就绪前就提取会抓空，重定向或结构变动也会失败。本技能等异步数据加载完再提取，并以 fetchStatus 标识验证码/弹窗状态。 天猫商品详情页里说的保障服务、优惠活动这些字段一般包含什么？对做竞品监控有什么用？ 保障服务含 7 天无理由、运费险、极速退款、品质保障、发货时效、全国联保等；优惠活动含满减、店铺券、平台大促、限时折扣、多件多折、包邮等。竞品监控里，保障齐全度反映行业标准与品牌定位，优惠节奏可做价格战预警和到手价对比。本技能能把这些字段连同价格、店铺一起结构化采集，便于按周期跟踪变化。 天猫商品的预售和现货在采集时怎么区分？预售商品的库存和价格状态有什么不一样？ 最直接看 SKU 的 isPresale 字段：false 为现货、付款即发，true 为预售、需等发货日。库存上现货 quantity 一般大于 0、代表实物可售，预售常为 0 或表示名额上限；价格上现货 price 是实付价，预售 price 多为定金加尾款的总价，实际优惠体现在定金膨胀等活动里。本技能建议预售与现货分开处理，避免比价失真。 想用上这个技能？ 「天猫商品信息查询」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。
AI自动化技能停止响应？排查依赖、强制部署与系统还原的方法
AI 自动化技能打不开或者运行报错，先检查服务状态和依赖，再尝试重新部署技能库，最后用系统修复做兜底。 多数是服务没跑起来、依赖不完整或者部署时的配置冲突造成的，硬件本身没问题，不用急着换设备。 例如报错0x80070002通常意味着系统文件缺失，0x80070005则是权限不够。以下方法在 Windows 10/11 实测可用。 适用系统：Windows 10/11；最后更新：2026-08-05。 AI自动化技能出问题，多半是这些原因 用 AI 自动化技能时，常见现象是点击运行后没反应，或者直接弹出报错窗口，里面写着 0x80070002、0x80070005 或者提示“找不到指定的模块”。这些通常意味着 OpenClaw 服务没有启动、运行库没装全、环境变量指向的路径不对。 先判断自己属于哪种情况，再对症处理，能省下反复重装和试错的时间。 方法1 检查依赖服务与环境变量 先确认 OpenClaw 服务在跑，同时补齐缺失的依赖。这是最基础的一步，很多报错到这里就结束了。 操作步骤 按 Win+R，输入 services.msc 回车，在服务列表里找到“OpenClaw Service”，确认它的状态是“正在运行”。 如果没启动，右键点它，选“启动”。如果启动失败，打开资源管理器，在地址栏输入 C:\ProgramData\OpenClaw\log.txt 查看日志，里面会写具体哪个组件没加载成功。 按 Win 键，输入 cmd，在“命令提示符”上右键选“以管理员身份运行”，然后输入 clawcli check 回车。它会列出缺少的依赖，比如 Visual C++ 运行库、Python 3.9 以上版本等，照着提示装好就行。 方法2 重新部署OpenClaw技能库 如果服务正常，但某个技能还是点不进去或者报错，多半是部署时文件没下全、被安全软件拦了，用下面命令强制刷新一遍。 操作步骤 以管理员身份打开命令提示符（Win 键搜 cmd，右键“以管理员身份运行”）。 输入 clawcli deploy --skills --force 并按回车。如果中间提示权限不够，确认当前账号是管理员。 要是看到错误代码 0x80070002，这是系统文件缺失，先不要继续部署。在同一个管理员 CMD 里输入 DISM /Online /Cleanup-Image /RestoreHealth，等它跑完，再重新执行上一步的部署命令。 部署完成后，回到服务窗口，重启一次“OpenClaw Service”，然后打开你想用的技能再试一次。 用「软领Claw龙虾部署大师」更省事 手动敲命令虽然灵活，但每次都要检查版本、运行库，很容易漏掉。用软领Claw龙虾部署大师可以把这些繁琐步骤一键搞定。 OpenClaw一键部署功能可以自动扫描你电脑的环境，发现缺少的依赖就帮你补齐，然后把整套技能库一次性部署好，比你一条一条跑命令快很多，也避免敲错字母导致部署中断，省时省力。 部署完之后，直接在软件里就能用技能使用功能管理和执行技能。界面里每个技能的名称、参数、状态都列得清清楚楚，点一下就能跑，不用再切回命令行，也没有配错路径的风险。 软领是做了 20 年的国产软件品牌，服务过千万用户。软领Claw龙虾部署大师在官网 wyouhua.com 直接下载，安装过程没有捆绑勾选的选项。如果在使用中遇到复杂情况，软件里可以直接点客服按钮联系真人工程师，必要时还能远程协助。 方法3 重置系统或使用系统还原 如果前面两步都做了还是不行，问题可能在操作系统本身，可以先尝试用系统还原回到一个正常的时间点，再修复系统文件。 操作步骤 按 Win+R，输入 rstrui.exe 回车，打开“系统还原”。勾选“选择另一还原点”，在列表里找一个时间比问题出现早的，点“下一步”开始还原。 如果电脑之前没开系统保护，找不到还原点，那就用管理员 CMD 执行 sfc /scannow。它会把关键的系统文件都扫一遍，坏掉的就自动替换。 上面两步做完，重启电脑，进安全模式（重启时反复按 F8，选“安全模式”），在控制面板的“程序和功能”里卸载最近安装的软件或更新，再正常重启。 常见问题 AI自动化技能运行报错0x80070005怎么办？ 这是权限不够。右键点技能快捷方式或启动程序，选“以管理员身份运行”，然后把当前用户账号加到 Administrators 组里再试一次。 OpenClaw部署失败，提示缺少依赖如何解决？ 用管理员 CMD 跑一遍 clawcli check，它会列出缺哪些运行库和版本号，去微软官网和 Python 官网下载对应版本安装后，再重新部署。 技能使用过程中突然停止响应怎么办？ 先打开任务管理器，在“详细信息”里找到 OpenClaw 相关进程，结束它。然后去 C:\ProgramData\OpenClaw 把 cache 文件夹里的临时文件清掉，再重新启动服务。 如何彻底卸载并重装AI自动化技能？ 先在控制面板卸载 OpenClaw 程序，接着手动删除 C:\Program Files\OpenClaw 和 C:\ProgramData\OpenClaw 两个文件夹，然后到注册表编辑器里搜索 OpenClaw 并把相关项删掉，重启电脑后再全新安装。 为什么技能无法识别新的AI模型？ 通常是模型版本和技能配置文件不匹配。打开 OpenClaw 的配置文件 config.json，确认模型路径和版本号，手动改成你下载的新模型路径，保存后重启服务。 推荐阅读如何用 AI 设计自动化流程Claw龙虾部署大师 微信接入指南：扫码即可连接 ClawBotClaw龙虾部署大师 飞书接入指南：扫码或填 App ID 两种连接方式
如何用 AI 做前端界面设计
「前端界面设计」是「龙虾部署大师」技能市场中的视觉设计技能：作用是在编码前先确立界面的目标、受众、技术约束和美学方向，再据此选定字体、配色、空间构图、背景细节和动效，形成一套完整且一致的视觉语言，并输出可运行的前端代码。它的重点是确定"界面长什么样、为什么这样",刻意规避通用字体、紫色渐变、模板化卡片这类缺乏语境的 AI 感设计。 技能效果 把一段简陋的后台首页 HTML 交给它重做时，它在保留导航和数据卡片的前提下，按冷静专业风格重写出留白更足的整页代码。 为什么前端做出来总有一股"AI 感" 界面之所以显得平庸、缺乏记忆点，根源往往在于跳过了设计决策，直接套用默认值。默认字体、随手挑的紫色渐变、千篇一律的圆角卡片堆叠在一起，单看每一处都没错，合起来却毫无语境——它没有回答这个产品是给谁用、想传达什么气质。视觉选择一旦脱离场景，界面就只是功能的容器，而不是产品识别的一部分。这种"模板感"不是技术问题，而是缺少明确美学方向的结果。 模板化（AI 感） 默认字体 紫色渐变 千篇一律的圆角卡片 有方向（有记忆点） 独特字体 克制且贴合场景的配色 空间构图 + 背景细节 这个技能能帮你确定什么 它做的是"先想清楚再下笔"这件事，把视觉决策前置成一套流程。第一步是在编码前确定界面目标、受众、技术约束和美学方向，并选定一种大胆但一致的视觉语气——极简、复古未来、编辑感、奢华、工业或玩具化等。第二步是围绕这个方向，把字体、配色、空间构图、背景和动效组织成一个完整的视觉系统，而非零散的样式。第三步才是落地：生成 HTML、CSS、JS 或 React、Vue 等框架组件这类可运行代码。整个过程会主动规避通用字体、模板卡片、陈词配色和缺乏语境的设计。 ① 定方向 目标/受众/气质 ② 建系统 字体/配色 构图/动效 ③ 出代码 可运行组件 用前须知 该技能无需 API Key。实际依赖取决于项目技术栈，可用于 HTML/CSS/JS、React、Vue 等前端环境。它产出的是视觉方案与可运行界面代码，重点在设计方向而非后端逻辑。 怎么用它 用法是把界面的用途、想要的气质和必须保留的约束用自然语言说清楚，由它来定方向、建系统、出代码。例如可以这样对它说： 可以这样对它说 "把这个后台首页重新设计，走冷静专业的风格，保留现有功能，画面留白多一点。" "做一个产品详情页的视觉方案，字体、配色和动效都要能直接交给开发，配色克制。" "这个组件太普通了，改成有记忆点的高质量界面，但别影响可用性。" 它适合这些场景：为新产品页面或应用界面建立更鲜明的视觉识别；现有前端过于模板化、希望重做为更有记忆点的设计；组件开发需要兼顾功能、动效、排版和生产级细节；设计评审要求避免常见 AI 风格、形成更明确的创意方向。 大家常问 什么是前端界面设计？为什么有的页面看起来很专业、有的看起来一眼就像模板套出来的？ 前端界面设计是用工程化方法组织视觉信息的体系，要求在多种设备、状态和用户身份下保持一致性与可维护性。看起来专业的页面，每一处间距、配色、圆角都来自栅格、设计系统和 Token 的统一约束；模板感强的页面是默认字体配紫色渐变堆出来的，没有从原则层推导样式。 设计系统里的 Design Token 是什么意思？它和直接写颜色字号有什么区别？ Design Token 是设计系统中所有视觉属性的抽象命名变量，把 #0057FF、16px 这类原始值换成 color-brand-primary、spacing-4 这样的语义名称。直接写值时改色要全局搜索替换、容易漏改；用 Token 改一处映射就辐射全系统，还能按浅色/暗黑/不同产品线重新映射，是设计与工程对齐的单一事实来源。 响应式断点为什么不能随便拍脑袋定？背后的判断依据是什么？ 断点不是设备分类器，而是内容布局关系发生质变的临界点，应由内容决定。判断依据有三条：单列宽度受 WCAG 44px 触控目标约束、正文行宽要控制在 45-75 字符（约 480-720px）、间距必须对齐栅格基准单位。当 12 列栅格在某宽度下已无法保证最小列宽时，就是必须减少列数的断点位置。 暗黑模式设计的核心原则是什么？为什么直接把白底反相成黑底很容易出问题？ 核心原则是用层次化的暗色表面（如 #121212/#1E1E1E/#282828 递增亮度表达 Z 轴深度），并为暗黑模式独立调色板，主文字不用纯白以免眩光，对比度仍要满足 WCAG AA 4.5:1。直接反相会把品牌色变样、留白从积极空间变消极空间、分割线和阴影也会失效，所以不能简单取 RGB 补值。 想用上这个技能？ 「前端界面设计」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 做数据分析
「数据分析」是「龙虾部署大师」技能市场中的分析与解释技能：它面向 SQL、表格、Notebook、Dashboard、导出数据等多种来源，强调先明确分析要支持的决策、可改变判断的问题、可用数据和时间范围，再锁定指标口径（实体、粒度、分子、分母、时区、过滤条件、数据源），分析时区分提取、转换与解释，并按问题类型选择合适方法与图表，最终以结论、证据、置信度、限制和下一步行动为核心输出，避免把算术误当决策。 技能效果 分析复购率下滑时，它先写清复购率口径，再按渠道拆出各自的同比变动，定位到拖累最重的那个渠道。 为什么很多分析跑完了还是没法做决策 分析交付物常见的失败，是只给了数字，没给判断。三类典型情况：一是目标不清，没说清这份分析要支持什么决策、什么差异才值得动作，跑出一堆图却落不到行动；二是口径不稳，同一个"复购率""转化率"在不同查询里实体、粒度、分母都不一样，数据无法横向对比；三是把算术当结论，看到 A 比 B 高就下判断，没区分这是统计噪声还是真实差异、置信度有多高、有哪些限制。 原始数据 表 / SQL / 导出 锁定口径 实体 / 粒度 分子 / 分母 决策简报 结论 · 证据 置信度 · 限制 下一步行动 这个技能怎么把数据变成决策依据 它的方法是一条从问题到行动的链路。开始前先明确要支持的决策、什么样的结果会改变判断、有哪些可用数据和相关时间窗口；然后定义指标口径，把实体、粒度、分子、分母、时区和过滤条件锁死，建立一份清晰的"指标契约"；分析过程中区分提取、转换和解释三步，并根据问题类型——趋势、比较、分布、关系、构成、漏斗还是留存——选用对应的方法（如假设检验、回归、分群）和图表；最后以决策简报形式输出洞察、证据、置信度、限制和行动建议。 按问题类型选方法与图表 趋势折线 比较柱状 分布直方 漏斗漏斗图 留存留存表 关系散点 核心区别在于"避免把算术误当决策"：同样的数字，配上置信度和限制说明，管理层拿到的是一页能直接拍板的结论，而不是一堆需要自己再解读的查询和图表。 用前须知 该技能无需固定本地依赖、API Key 或外部端点，分析质量取决于你提供的数据和口径说明。它可按需读取指标契约、图表选择、决策简报、常见陷阱、分析技法等参考文件，以套用更规范的方法。 怎么用它 用法是把要回答的业务问题和手上的数据用自然语言交给它。例如可以这样对它说： 可以这样对它说 "这份订单表看复购率下降是不是某个渠道拖累，别只看总数变化，口径写清楚。" "A/B 实验数据已经齐了，算效果区间和样本可信度，再判断能不能上线。" "把漏斗各步转化拆开，找注册到支付掉得最狠的位置，顺带看样本量，按组看。" 它适合这些场景：实验结果需要判断差异是否显著、是否具有业务意义；漏斗、留存或流失指标异常、要定位变化来自哪个环节；管理层需要一页式结论而非查询代码和图表堆叠；以及已有报表口径不清、需要重建指标契约并检查数据质量风险。 大家常问 什么是指标口径，为什么同一个指标不同人算出来不一样？ 指标口径是一个指标的完整定义规则，包含计算对象、聚合方式、归因规则、剔除规则、时间窗口、对齐方式和参数设定。同名指标算出不同结果，多数不是算错，而是各人前提假设没书面化对齐。 漏斗分析法到底是分析现状还是分析原因？ 漏斗分析属于现状分析的定位型方法，回答"在哪一步流失"，不回答"为什么流失"。它把模糊的"效果不好"精确为"第 N 步流失严重"，再交给归因分析或 A/B 检验去验证假设。 A/B 测试显示"提升 8%"，为什么不能直接上线？ 8% 只是样本点估计，要先看置信区间下限是否跨零、p 值是否过显著性阈值、功效是否充足，再做分层归因排查辛普森悖论，并看 D30 留存和漏斗下游是否同步改善，单一指标提升不等于全局提升。 留存率多少算正常？怎么判断是产品问题还是渠道问题？ 留存率是相对比较指标，没有放之四海皆准的数值。判断产品还是渠道问题，构建"渠道×功能"交叉表：列内差异大偏产品，行内差异大偏渠道；再用时间序列对齐产品改版与渠道变更，看哪个时间点吻合得更紧。 想用上这个技能？ 「数据分析」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。
提示