如何用 AI 一站查机票酒店行程
「FlyAI 模型助手」是「龙虾部署大师」技能市场中的旅行搜索整理技能：它通过 flyai-cli 调用基于飞猪 MCP 的旅行搜索与预订能力，支持自然语言综合搜索以及航班、酒店、景点和 POI 查询，把返回的单行 JSON 整理成结构化 Markdown——含推荐、选项表格、图片和预订链接，展示时优先使用数据中的图片和跳转链接，并保留日期、地点、价格、退改、签证或时间限制等实用备注。 技能效果 查上海到三亚下周五的机票，它联网取到真实航班，按出发时间排成一张表，标出航司航班号、机型、起降机场和折后价格。 查行程信息，为什么总是来回切换还理不清 规划一趟出行，信息往往散在各处：机票要比时间和价格，酒店要看位置和图片，景点演出要排进行程，最后还得逐个找预订入口。在多个页面之间来回切换，结果是候选方案记不全、关键约束容易漏——退改规则、签证要求、入住时间这些信息常常等到要下单了才发现遗漏。原始搜索结果本身是可用的，缺的是把它整理成一份能直接看、能直接订的清单。 散在各处的查询 机票 酒店 景点 / POI 问题：来回切换、方案记不全、约束漏看 退改 / 签证 / 时间限制 常被忽略 这个技能怎么把搜索结果整理成可订清单 它把"查"和"整理"合成一步。综合查询走 fliggy-fast-search，可一次跨酒店、航班、景点返回结果；需要单类时则分别调用 search-flight、search-hotels、search-poi 获取结构化数据。拿到结果后，它把单行 JSON 整理成 Markdown：先给推荐，再用选项表格列候选，配上数据里返回的图片，并优先使用 jumpUrl 或 detailUrl 作为预订入口。整理时它会把日期、地点、价格、退改、签证和时间限制等备注一并保留，避免规划到下单环节才发现遗漏。 自然语言提问目的地 / 日期 飞猪 MCP 搜索返回单行 JSON Markdown 推荐表格 · 图片 · 预订链接 它的价值在于把实时旅游资源转成可直接预订的推荐：图片、价格、约束、跳转入口一目了然，行程类查询还能按时间顺序呈现，从发现到下单的路径被缩短。 用前须知 该技能需要先安装 @fly-ai/flyai-cli，并依赖网络访问飞猪 MCP 服务。可在无 API Key 状态下试用；若需增强结果，可配置 FLYAI_API_KEY。 怎么用它 用法是把出行需求用自然语言交给它，包括目的地、日期和你关心的维度。例如可以这样对它说： 可以这样对它说 "查上海到三亚下周五的机票，按时间、价格和预订链接排，早班优先。" "找杭州的亲子酒店，图片、价格、位置和飞猪预订入口都要，先看亲子房。" "五一去成都两天，搜景点和演出，按行程顺序推荐，别排太满，航站信息写清楚。" 它适合这些场景：以自然语言询问目的地玩法、希望同时返回酒店票务和活动；出行规划中需要比较航班、酒店或景点的多个候选方案；希望基于飞猪实时结果生成带图片和预订链接的推荐列表；以及把旅行搜索结果整理成按时间顺序呈现的行程建议。 大家常问 自然语言订机票，为什么需要 MCP 而不是直接让 AI 上网搜？ 普通 AI 上网搜只能读公开网页快照，拿不到实时余票，也无法把搜索结果接到下单链路。MCP 是 AI 与外部服务之间的协议层，能把自然语言翻译成 search-flight 等结构化调用，返回带航班号、价格、jumpUrl 的 JSON，构成「查→比→订」的完整闭环。 AI 旅行助手把搜索结果整理成 Markdown 推荐是什么意思？ 意思是 AI 拿到飞猪 MCP 返回的单行 JSON 后，按固定排版规则把它转成人类可读的图文清单：用标题分层、加粗日期价格、按时间排行程、用表格做候选对比，附上图片和预订链接。本质是把机器可读的搜索数据，翻成可直接看、可直接订的旅行推荐。 综合旅行搜索和单独查航班、酒店、景点有什么区别？ 综合搜索 fliggy-fast-search 只吃一句自然语言，靠意图识别跨品类混排，适合需求模糊的早期探索，例如「杭州三日游」。分类搜索用 search-flight / search-hotels / search-poi，吃结构化参数，能精确指定日期、舱位、星级、景点等级，适合行程已定后的深度比价。 AI 推荐机票为什么必须保留退改、签证和入住时限等备注？ 价格、时间、航司是吸引因素，退改规则、签证要求、值机时限是限制因素，两者必须同时呈现用户才能做出知情决策。这些字段来自航司或平台的约束信息，AI 无权二次校验或概括，若擅自省略可能让用户错过登机、误下不可退改的票，直接造成损失。 想用上这个技能？ 「FlyAI 模型助手」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。
React性能优化有哪些手段
「React 最佳实践」是「龙虾部署大师」技能市场中的前端性能优化技能：作用是把 Vercel 工程团队沉淀的 62 条 React 与 Next.js 性能规则变成可查、可执行的清单，在写组件、做代码审查或重构时，帮你识别数据水瀑、过大 bundle、无效重渲染等反模式，并按影响优先级给出对应的修复方法。 技能效果 面对一个滚动卡顿的 React 列表时，它逐条点出 filter/map 无缓存、onClick 每次新建、缺少防抖和 memo 等问题，再给出优化后的完整代码。 React 应用变慢，通常慢在哪几处 React 项目的性能问题往往不是单点，而是几类反模式叠加：异步请求一个接一个串行执行，形成"数据水瀑"，首屏迟迟出不来；第三方库和大组件全量打进首屏 bundle，下载和解析都拖慢加载；组件因为对象引用变化反复重渲染，列表一滚就卡；还有布局抖动、热路径里反复读写存储等隐性开销。这些问题分散在数据请求、打包、渲染、JavaScript 热路径等多个层面，靠零散经验很难一次盘清。 数据水瀑 vs 并行请求 串行（水瀑） 请求 A 请求 B 请求 C 慢 并行（Promise.all / Suspense） 请求 A 请求 B 快 这个技能能帮你检查和修什么 它把 Vercel 团队的 62 条规则按八个维度组织起来：消除数据水瀑、减小 bundle、服务端性能、客户端数据请求、重渲染优化、渲染性能、JavaScript 热路径和高级模式。每条规则都按影响优先级排序，配有可定位的示例。实际使用时，它会针对你的代码或问题，指出命中的反模式，并给出对应做法——比如用 Promise.all 或 Suspense 把串行请求并行化；用直接导入、动态导入、延迟加载第三方库来压低 bundle；优化服务端缓存、RSC 序列化和 Server Action 认证；减少无效重渲染、布局抖动、存储读取和数组热路径开销；以及用 SWR、Map/Set、稳定订阅等高级模式收尾。 按维度查规则 → 命中反模式 → 给修法 数据请求水瀑/并行 bundle动态导入 服务端缓存/RSC 重渲染引用稳定 热路径Map/Set 高级SWR 62 条规则按影响优先级排序 · 形成可执行优化清单 把规则按影响优先级排序的意义在于：性能优化的投入产出差异很大，先改最影响首屏和交互的项，再处理次要项，比无序地逐条试效率高得多。 用前须知 该技能无需 API Key 或额外运行时，本质是一套可查询的规则文档与诊断指引。要把建议落到实处并验证效果，需要有对应的 React/Next.js 项目、Node.js、包管理器以及性能分析工具。 怎么用它 用法是把要写的组件、要审查的代码或遇到的性能现象用自然语言描述给它，由它对照规则定位问题、给出优化方向。例如可以这样对它说： 可以这样对它说 "这个 React 列表滚动卡顿，按 Vercel 规则帮我查一下重渲染和订阅写法。" "把这个大组件拆成动态加载，先压住首屏 bundle 和第三方脚本体积。" "检查这些 useEffect 依赖，别因为对象引用变化反复渲染卡住页面。" 它适合这些场景：新写 React 组件或 Next.js 页面时预防性能反模式；审查代码时发现首屏慢、交互延迟、请求串行或包体过大；重构客户端状态、Effect 依赖、回调订阅和派生状态逻辑；以及需要按规则文件定位具体示例、形成可执行的优化清单。适合 React/Next.js 开发者、前端性能工程师、技术负责人和代码审查者，用来建立统一的重构与性能评估标准。 大家常问 React 应用为什么会出现重渲染导致的卡顿，根因通常出在哪几处？ 多数卡顿来自不该变的东西变了：状态提升得太高、内联函数/对象每次渲染都生成新引用、Context 值变化牵连全体消费者、列表用 index 当 key、父组件渲染带着子组件无条件重渲。排查时从最小粒度组件向上追溯哪些 props 在做无效更新。 React 里的 useMemo 和 useCallback 有什么区别，分别在什么情况下才值得用？ useMemo 缓存计算结果（值），useCallback 缓存函数引用，后者其实是前者的特化。它们都有成本，不该默认就加。只有计算开销大（如上万条数据筛选排序）时用 useMemo；函数作为 props 传给被 memo 包裹的重渲染子组件、或作为 Effect 依赖时才用 useCallback。 React 里说的"数据水瀑"是什么意思，为什么它会拖慢页面首屏？ 数据水瀑指请求之间存在串行依赖：后一个请求要等前一个返回才发出，层层叠加。它让首屏耗时变成所有请求时间的累加和，而非最大值——三个各 200ms 的请求串起来要 600ms，并行只需 200ms。把彼此不依赖的请求并发化，或让后端一次返回，就能消除。 React 的 useEffect 依赖数组写不对会怎样，为什么对象引用变化会导致副作用反复触发？ 依赖写错可能读到旧值、做无效重跑，最棘手的是把对象/数组/函数当依赖引发死循环。React 用 Object.is 比引用而非比值，内容相同的两个新对象也判为"变了"。组件每渲染一次就新建一个对象，于是副作用反复触发。把用到的原始属性拆出来当依赖，或用 useMemo 稳定引用即可。 想用上这个技能？ 「React 最佳实践」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Listing怎么写？4+2要点加A+结构搭框架
「亚马逊 Listing 生成」是「龙虾部署大师」技能市场中的 Listing 内容框架技能：它用高转化模板组织标题、要点、图片和 A+ 内容——要点采用 4+2 结构，图片采用竖图加视频的移动端优先组合，A+ 采用 1+8+1+8+1 页面结构，输出完整文案、图片简报、A+ 结构和卖点关键词一致性审核建议。 技能效果 给它一款搅拌机的卖点和规格，它写出了七条亚马逊要点，把功率、刀片、容量这些关键词自然嵌进描述。 Listing 决定转化，但很难一次写到位 同样的产品和流量，Listing 写法不同，转化能差出一截。常见问题是：标题堆砌关键词却读不顺，五点要点平淡、没说到买家在意的痛点，图片想到哪拍到哪、缺乏移动端优先的规划，A+ 内容又和五点重复。这些环节本该互相配合，自己从头写却往往缺少一套成体系的结构。 这个技能能帮你产出什么 它按一套高转化模板把 Listing 的四个部分一次性规划齐。要点上，用 4+2 公式撰写最多 7 条收益导向的要点，兼顾四个核心卖点加包装清单与保修注意事项；图片上，规划"X 张竖图 + 1 个视频"的移动端优先结构；A+ 上，构建 1+8+1+8+1 的内容模块和品牌故事；最后还会交叉检查标题、图片与 A+ 中卖点和关键词的一致性，避免各说各话。 标题 · 关键词覆盖读得顺、放得准 要点 · 4+2 结构4 卖点 + 包装 + 保修 图片 · 竖图 + 视频移动端优先 A+ · 1+8+1+8+1特性 / 场景 / 品牌故事 它交付的是一套能直接落地的材料：完整 Listing 文案、给设计师的图片拍摄简报、A+ 页面结构，以及一份一致性审核建议。换句话说，从卖点提炼到页面各模块的分工，它替你排好了。 用前须知 该技能无需 API Key 或代码依赖，但要产出贴合的文案，使用前需准备产品资料、竞品 Listing、目标关键词、评价洞察、图片资产要求和品牌信息。资料越全，卖点和关键词的覆盖越精准。 怎么用它 用法是把产品和你想强化的方向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 "根据这款搅拌机卖点写亚马逊七条要点，关键词自然放进去，规格写清。" "重做 Listing 图片规划，按竖图加视频组合安排每张用途和细节。" "A+ 页面要突出场景痛点，避免重复五点里的话术和品牌故事。" 它适合这些场景：新品上架前从竞品分析到要点、图片和 A+ 一次性规划；现有 Listing 转化弱、需要重写卖点并补足客户痛点表达；准备给设计师下发主图、场景图、尺寸图和视频拍摄简报；品牌备案后规划 A+ 页面、避免与要点重复并强化信任。 大家常问 亚马逊 Listing 的五点描述（Bullet Points）到底是哪五点，写的时候顺序为什么重要？ 最多 5 条，没有强制内容，但按转化最优推荐：第 1 点核心卖点/差异化、第 2 点关键规格尺寸、第 3 点材质与品质、第 4 点使用场景、第 5 点售后保障。顺序重要是因为移动端流量已占六七成，手机端默认只完整显示前 2 条、其余折叠，且第 1 条的核心关键词搜索权重最高，顾客通常 10—20 秒扫完前两条就决定走或留。 亚马逊的 A+ 内容和五点描述、商品描述有什么区别，为什么内容不要重复？ 五点在最显眼处，负责 10 秒内传递核心卖点；A+（需品牌备案）在下方图文混排，负责深度说服；商品描述是旧版纯文本，多数类目已被 A+ 取代。不重复有三层原因：A+ 与五点、后台词共用关键词空间，逐字复制等于浪费 A+ 的额外索引；重复让顾客信息疲劳；且五点回答"有没有我要的功能"、A+ 回答"是否真的好"，处于转化漏斗不同阶段。正确做法是 A+ 把五点卖点展开，而非翻译成图片。 为什么亚马逊 Listing 图片越来越强调竖图和移动端优先，主图和附图的分工是什么？ 移动端流量已超七成，手机搜索结果里横图有效展示面积只剩三成、竖图能占六到八成，且图片点击率已是搜索排序因子，所以竖图（4:5 等）成趋势。分工上是一条转化漏斗：主图白底无文字、占满 85%，只负责"吸引点击"；附图依次负责建立信任（场景图）、解决疑虑（尺寸/材质/功能标注）、刺激决策（卖点/对比，不出现竞品 Logo）、降低门槛（开箱/安装步骤）。一句话——主图让人点进来，附图让人掏钱。 亚马逊标题里堆关键词为什么会适得其反，关键词到底该怎么自然分布？ 堆词会同时伤三处：标题难读、显廉价、信息过载拉低点击率和转化率，而低转化反过来被 A9/A10 算法降权；还可能触发可读性违规被强制改标题或屏蔽；并挤占有限字符（多数类目 200 字符内），淹没买家真正想看的品牌+产品名+核心特性。正确做法是标题只放 1—2 个核心词，其余关键词改写成特性句（用数据/场景表达），剩下的长尾词分布到五点、A+ 和后台 Search Terms。一句话：标题写给买家看，不是写给搜索引擎看。 想用上这个技能？ 「亚马逊 Listing 生成」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 给文章挑刺找漏洞
「对抗式内容审稿」是「龙虾部署大师」技能市场中的内容质量审稿技能。它用总指挥、笔杆子、参谋、裁判的角色分工，对文章、公众号草稿和观点内容做对抗式审查：写出初稿后，由反方角色从五个维度系统挑刺，再改稿、再打分，循环 2 到 3 轮，8 分以上才通过，最终输出定稿与审稿摘要。 技能效果 给它一篇标题党的AI副业稿，它先扮反方从标题、结构等维度逐条挑刺并打了低分，再把标题和正文改成可信、能过审的发布版。 稿子发出去之前，问题出在哪 用 AI 写稿最大的隐患，是它写完会"自我感觉良好"：通读顺畅，但论据站不站得住、标题有没有吸引力、结构会不会绕，它不会主动跟你较真。作者自己回头检查，也容易因为"是自己写的"而手下留情。结果就是软肋一直藏到发布之后才被读者发现——而那时已经晚了。 这个技能能帮你做什么 它把"写—审—改"拆成几个互相较劲的角色：笔杆子负责写，参谋专门站在反方挑刺，裁判负责打分把关，总指挥统筹流程。给定主题、读者、核心论点和字数要求，它先生成任务简报和初稿，再循环跑 2 到 3 轮挑刺与修订，分数到 8 分以上才算通过——相当于给内容设了一道质量门禁。 ≥ 8 分 · 通过交付 初稿笔杆子 反方挑刺参谋 改稿笔杆子 裁判评分裁判 评分 < 8 分 · 再来一轮 挑刺不是泛泛说"再改改"，而是固定从五个维度逐项找问题并指出改稿方向：标题吸引力、结构逻辑、数据支撑、读者视角、篇幅比例。这五项基本覆盖了一篇观点稿"能不能打动人"的主要软肋。每一轮挑了什么、为什么改、打了几分都会留痕，最终交付两份产物：能直接发的定稿（final-draft），以及记录全过程的审稿摘要（review-summary）。 怎么用它 用法是把要审的稿子和要求用自然语言交给它，说清读者、轮次和重点即可。例如可以这样对它说： 可以这样对它说 "这篇公众号稿先让反方挑刺，评分八分以下继续改到能发，标题别太夸张。" "演讲稿需要两轮审稿，重点看标题、逻辑和数据支撑，别只改措辞。" "把这篇观点文过一遍裁判评分，标出站不住的地方和重写原因。" 它适合这些场景：公众号文章发布前先发现标题、结构和论证上的薄弱点；用对抗式流程提升观点文、演讲稿的说服力；长文已有初版、需要多轮批评和打分后再定稿；内容项目需要留下审稿记录以便复盘。反过来，纯信息罗列、通知公告这类不需要"说服"的内容，或赶时间只要一版能用的草稿，就不必动用这套多轮流程。 一篇待发 的稿子 要说服读者 / 发布前把关？ 是 交给它 先挑刺把关 否 不必动用 这套流程 大家常问 为什么自己写完读着挺顺的稿子，发出去读者往往看两段就划走？ 作者大脑会自动补全背景和逻辑链，对自己的稿天然带确认偏误，读着顺其实是看不见盲点；读者只看纸面文字，信息密度跟不上注意力就划走。需要切换"挑刺者"视角，逐段问这段去掉会损失什么、第一句够不够独立扛注意力、有没有假设读者已经懂的前提。 写作里说的"对抗式审稿"到底是什么意思？跟自己回头改一遍稿子有什么本质区别？ 对抗式审稿是把笔杆子、参谋、裁判拆成独立角色循环：参谋只看纸上写了什么、专门找漏洞，笔杆子只读批评不参与辩解，裁判只看结果打分。和自己改稿的本质差别不在认不认真，而在外部视角、维度系统性和评分硬阈值——同一个大脑没法跳出自己的盲区。 为什么写作流程要把写作、批评、修改、评分拆成不同角色循环，而不是一个人一气呵成？ 一气呵成相当于让模型在自己挖的地基上检查裂缝，会路径依赖式地觉得自洽；拆角色是制造信息不对称——参谋不知改稿走向、笔杆子不知打分标准、裁判只看结果，让对抗张力真实存在。多轮循环时第一到二轮提升最大，三轮后边际递减，所以通常 2 到 3 轮收敛。 反方挑刺常说的标题、结构、逻辑、数据、读者视角这五个维度，分别盯的是什么？ 标题盯的是关键词覆盖了但正文是否真锚定；结构盯段与段是积木式还是链条式，删一段能不能看出断裂；逻辑盯隐含前提和跳跃推理，追问 Because why 几层就断；数据盯是不是装饰品，抹掉数字结论还成不成立；读者视角盯换个身份读同一段时反应是否一致。 想用上这个技能？ 「对抗式内容审稿」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