PDF 怎么生成？从网页或文本出版式稿并处理中文字体
「PDF 生成」是「龙虾部署大师」技能市场中的文档生成技能：它从 HTML、Markdown、字符串或结构化内容直接产出排版规范的 PDF，适配报告、发票、合同、证书和简历等场景，能自动选择渲染引擎、处理中日韩字体并规避乱码，保证在 Windows、macOS、Linux 上输出稳定。 技能效果 把Markdown周报生成PDF时，它内嵌中文字体输出A4文档，保留了表格样式和页眉。 把文档导成 PDF，为什么总不省心 生成 PDF 看似简单，落地时却常踩坑：把 Markdown 或 HTML 转成 PDF，表格错位、分页断在奇怪的地方；正式文档要页眉页脚、品牌样式，临时拼出来的工具往往支持不全；最常见的是中文 PDF 出现乱码或方块字——很多渲染引擎默认不嵌入 CJK 字体。同一份文档在不同系统上跑，结果还可能不一致，交付前总要反复检查。 直接导出 □□□□ 乱码 + 表格错位 技能生成 正式标题 字体正确 + 版式整齐 这个技能能帮你产出什么 它把"内容"和"稳定输出 PDF"两件事接上。来源上，它能从 HTML、Markdown 或短文本生成带版式控制的 PDF；引擎上，它统一通过脚本执行，自动在 weasyprint、xhtml2pdf、reportlab、fpdf2 之间选择，并检测 CSS 支持程度、报告降级等级和风险；字体上，它专门处理中文、日文、韩文的字体检测、嵌入和乱码规避；模板上，它为报告、合同、证书、发票和简历提供版式指引。它还强调先写完整 HTML 文件、用 ASCII 文件名、嵌入 CSS 与 @page 设置，以此保证跨平台输出稳定。 HTML / MD / 结构化内容 自动选引擎 weasyprint / reportlab + CJK 字体检测 规范 PDF 报告 / 发票 / 合同 证书 / 简历 · 跨平台稳定 用前须知 该技能无需外部 API Key，但需要 Python 环境。它会按 setup 流程检查 weasyprint、xhtml2pdf、reportlab、fpdf2 以及 CJK 字体；在 Windows 上要支持完整 CSS 渲染，可能还需 GTK3。 怎么用它 用法是把内容和对成品的要求用自然语言交给它，不必指定用哪个引擎。例如可以这样对它说： 可以这样对它说 "把这份 Markdown 周报生成中文 PDF，保留表格样式和页眉。" "用这些订单数据做一份发票 PDF，标题、抬头、金额和税号都标清楚。" "把这份 HTML 合同导出成 PDF，中文换行别乱掉，版式要正式可打印。" 它适合这些场景：把结构化业务报告或 Markdown 文档转成可交付的 PDF；生成带品牌样式、表格、页眉页脚和分页控制的正式文档；中文 PDF 出现乱码或方块字、需要可靠选择 CJK 渲染引擎；在 Windows、macOS 或 Linux 上批量生成合同、证书或简历。它适合需要本地生成正式 PDF 的运营、财务、法务、教育、HR 和开发团队，尤其适合有中文排版和跨平台要求的工作流。 大家常问 HTML 转 PDF 时中文为什么会出现乱码或方块字，字体嵌入到底是在做什么 HTML 是流式渲染、能动态回落字体；PDF 是固定页面，每个字符都写死「用哪个字体、哪个字形编号、画在哪」。字体没嵌入或 ToUnicode CMap 映射错，PDF 阅读器找不到对应字形就退回 .notdef 方块，或映射到错字成乱码。字体嵌入就是把字形数据（多用子集化）打包进 PDF，让文件不再依赖阅读器本地字体。 可搜索 PDF 和扫描型 PDF 是什么意思，怎么区分双层 PDF 和单层 PDF PDF 页面由文本对象和图像对象组合。扫描型 PDF 整页只有图像，字符被拍平成像素，无法选中或搜索；可搜索 PDF 含文本对象，能选词复制。双层 PDF 是图像在底层做视觉、OCR 文字层透明叠在顶层（Tr 3 不可见），看着像扫描件但可全文检索。选词时高亮贴合单字＝有文本层，整页框选不到字＝纯图像。 PDF/A 是什么格式，和普通 PDF 相比为什么更适合长期归档 PDF/A 是 ISO 19005 定义的 PDF 严格子集，把所有「依赖外部环境才能确定的渲染决策」全部砍掉：强制嵌入所有字体、禁止 JavaScript / 音视频 / 加密、禁止透明与图层、必须声明输出意图固化颜色、强制 XMP 元数据、压缩算法限定稳定的 FlateDecode。普通 PDF 几十年后字体丢失或解码器停更就会花屏，PDF/A 自包含、确定性渲染。 HTML 转 PDF 时表格、标题经常断在页底是什么原理，@page 和 page-break 解决的是什么问题 HTML 是无限流，PDF 是定长分页，引擎用贪婪填充把流压进有限页框，表格行被截成上下两半、标题孤悬页底就是这么来的。@page 定义页框（A4 尺寸、页边距、页眉页脚 margin box），决定「能装多大」；page-break-inside: avoid 让表格/代码块尽量整块下移、page-break-after: avoid 防止孤儿标题，配合 widows/orphans 收敛断行位置。 想用上这个技能？ 「PDF 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。
亚马逊FBA库存怎么优化？算补货点控IPI评分和库龄费
「亚马逊 FBA 库存优化」是「龙虾部署大师」技能市场中的库存运营技能：它解释 IPI 评分、容量限制等机制，提供日销售速度、安全库存、再订货点和补货数量的计算方法，覆盖月度仓储费、库龄附加费等成本管理与旺季库存规划，输出库存健康诊断、补货建议和费用控制动作清单。 技能效果 给定日均销量和47天备货周期，它算出补货点1220件、建议每次补1200件、安全库存280件，还排出约六十天一轮的补货节奏验证不会断货。 FBA 库存，卡在断货和压仓之间 FBA 库存管理是个两难：补少了，畅销 ASIN 一断货就丢排名、丢销售；补多了，月度仓储费、库龄附加费一点点吞掉利润，IPI 评分还可能因此走低、触发容量限制。多数卖家靠经验拍脑袋定补货量，既算不准安全库存，也说不清某批货库龄到了该促销还是清仓。 这个技能能帮你算清什么 它把 FBA 库存健康拆成可计算、可决策的几块。诊断层面，它分析 IPI 评分、容量限制和影响库存绩效的因素；补货层面，它结合日销售速度、交期、在途库存算出安全库存、再订货点和补货数量；成本层面，它用 90/120/150/180 天的库龄处置协议控制长期仓储费和库龄附加费；旺季层面，它帮你为 Prime Day、返校季、黑五网一和假日季规划库存目标。 补货量 = 综合这几项算出来 日销速度 + 交期 + 安全库存 + 在途 再订货点 对库龄逼近阈值的库存，它会按处置协议给出促销、清仓还是移除的建议，避免长期仓储费越积越多： 90 天关注 120 天促销 150 天清仓 180 天移除 用前须知 该技能无需 API Key 或脚本依赖，但计算依赖你提供的真实数据：卖家中心库存、销量、在途库存、生产与运输交期、各项费用和库龄信息。数据越准，补货与处置建议越贴合实际。 怎么用它 用法是把库存现状和要解决的问题用自然语言交给它。例如可以这样对它说： 可以这样对它说 "按近三十天销量算这批 FBA 什么时候补货才不断货，并留安全库存。" "IPI 跌到三百八，看看哪些过剩库存最拖分，先处理库龄。" "黑五前这个 ASIN 该备多少天库存，别压太多仓储费，也别断货。" 它适合这些场景：IPI 低于阈值或容量受限时找改善优先级；畅销 ASIN 面临断货、要结合在途算补货量；库龄接近 150 天、要决定促销清仓还是移除；旺季前准备入仓计划、预留生产运输和 FBA 收货时间。 大家常问 亚马逊的 IPI 分数是怎么构成的，为什么它会直接影响 FBA 的库容限制？ IPI（0—1000 分）主要由四个维度加权：冗余库存占比（权重最高）、库存覆盖周数、滞留无法销售库存占比、FBA 售罄率。它本质是仓储资源分配的风控模型——亚马逊把货架空间当成投给卖家的"资本"，IPI 衡量你能否把仓储高效转化为销量。低于阈值（常为 400）就会触发仓储容量上限、按 ASIN 的补货限制和超容费，把空间释放给周转更快的卖家。 FBA 补货时，安全库存和再订货点是什么，为什么不能只按销量平均值备货？ 安全库存是应对不确定性的缓冲，约等于（最大日销量−平均日销量）×交期；再订货点是库存降到该值就必须立刻下单，约等于平均日销量×交期+安全库存。只按平均值备货等于赌博：销量有峰谷、补货交期长又不稳（工厂排期、船期、入仓上架都会延误），而断货成本远高于库存成本——排名断崖下跌、Buy Box 被抢、广告权重和 IPI 都受损。 FBA 的月度仓储费和库龄附加费有什么区别，库存放多久会被额外收费？ 月度仓储费是基础费用，按日均体积计，从入仓第一天就收，旺季（10—12 月）费率是淡季的 2—3 倍，无法避免。库龄附加费是超期存放的惩罚费（旧称长期仓储费），存放约 271 天（9 个月）以内只收月度仓储费、不收库龄费，超过 271 天起按时长阶梯加收，超过一年大幅上涨。可避免，建议超 180 天就降价清仓或创建移除订单。 黑五旺季前 FBA 该备多少天的库存，备多和备少各有什么风险？ 一般建议备 60—90 天，覆盖黑五→网一→圣诞→1 月补货空窗（工厂货代放假、入仓变慢）。备少了断货损失惨重：旺季流量最高时没货、Listing 权重和排名暴跌、广告空烧、跟卖趁虚抢购物车。备多了则压资金、扛旺季 2—3 倍的仓储费、IPI 下滑甚至触发长期仓储费。核心是用历史销量配合安全库存测算，宁可多备 15% 也别少备 15%，而不是拍脑袋乘 5 倍。 想用上这个技能？ 「亚马逊 FBA 库存优化」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 做全栈开发
「全栈开发」是「龙虾部署大师」技能市场中的应用骨架交付技能：作用是覆盖后端架构、前后端集成、API 脚手架、CRUD 应用和生产硬化。它要求写代码前先确认技术栈、服务类型、数据库、接口协议、实时能力和认证方式，再据此做项目结构、API 客户端、认证、错误处理和实时方案的决策，并按控制器-服务-仓储三层、配置校验、结构化日志、输入验证等模式落地，最后用构建与烟测验证。 技能效果 让它把待办应用做成前后端版本时，它搭出 Express+SQLite 后端、带注册登录的 JWT 鉴权和受保护的增删改查接口，前端三合一页面也一并给出。 搭一套能上线的应用，难在哪一层 从零搭一个带前端、后端、数据库和认证的应用，难点不在写出第一个接口，而在让各层之间的边界、约定和兜底都站得住。后端目录怎么按功能组织、控制器和服务怎么分层、配置如何校验、日志要不要结构化；前端调用 REST、GraphQL 还是 tRPC，返回格式是否统一，跨域和鉴权链路是否接稳；上线前还有健康检查、CORS、安全头、优雅关闭这一串生产硬化。这些环节横跨前后端，任意一层含糊都会让应用"能跑但不稳"。 前端 · 调用协议 / 鉴权 / 返回格式 API 层 · 控制器 / 输入验证 / 错误格式 服务 / 仓储 · 业务逻辑 / 数据访问 数据库 · 配置校验 / 日志 / 优雅关闭 这个技能怎么把应用骨架立稳 它的做法是"先决策、后落地"。开工前，它先收集技术栈、数据库、集成协议、实时和认证需求，把选型敲定；随后针对项目结构、API 客户端、错误处理和认证架构做出明确决策，而不是边写边改。落地阶段，它提供一套成体系的模式：按功能组织目录、控制器-服务-仓储三层、配置校验、结构化日志、输入验证、缓存、文件上传，以及 SSE、WebSocket 等实时通信。上线前再补齐健康检查、CORS、安全头和优雅关闭这类生产硬化项，并通过构建与烟测来验证整体可用。 ① 确认选型栈/库/协议/认证 ② 架构决策结构/错误/认证 ③ 模式落地三层/日志/校验 ④ 生产硬化构建 + 烟测验证 用前须知 该技能无需专用 API Key。具体依赖取决于选型，可能需要 Node.js、Python、Go、PostgreSQL、Docker、Redis 或相应前端框架。建议先把技术栈和数据库确定下来，再交给它做架构决策与落地。 怎么用它 用法是把要做的应用、技术栈和当前痛点用自然语言说清楚，由它先决策、再落地、最后验证。例如可以这样对它说： 可以这样对它说 "把这个待办应用做成前后端都有的版本，带登录、数据库和基础权限。" "现有后台接口太散，按订单模块重做服务层和错误处理，顺便补日志。" "前端调用接口老出跨域和鉴权问题，把链路接稳并理清返回格式，补上测试。" 它适合这些场景：从零搭建带前端、后端、数据库和认证的 CRUD 应用；已有后端服务需要梳理模块边界、错误格式和日志体系；前端要接入 REST、GraphQL、tRPC 或 OpenAPI 生成客户端；产品上线前补齐健康检查、CORS、安全头和优雅关闭。 大家常问 什么是前后端分离？和不分离有什么区别？ 不分离架构里前端模板和后端业务混在一个工程，由服务端渲染整页 HTML；分离架构则把前端和后端拆成两个独立项目，通过 HTTP API 以 JSON 交换数据，前端只管 UI 渲染，后端只暴露接口和业务逻辑。两者最大区别在部署解耦、并行开发，以及前端必须自己管理状态。 搭一套带前端、后端、数据库和认证的应用，为什么难点在层与层的边界？ 每一层抽象模型不同：前端是事件驱动、后端是请求-响应、数据库是集合论与事务，边界处就是这些模型碰撞的地方。前后端契约、状态同步、鉴权令牌传递、ORM 阻抗失配、数据库迁移节奏等问题都不在单层内部，而是发生在层与层的连接处，靠跨层共识才能稳住。 控制器-服务-仓储三层架构是什么？为什么写后端要拆这三层？ 控制器只翻译 HTTP 输入输出、做参数校验和响应包装；服务层编排业务逻辑、控制事务边界；仓储层封装数据访问，屏蔽 ORM 和 SQL 细节。调用方向严格单向：Controller→Service→Repository。拆分之后每层可独立测试、并行开发、单独替换实现，业务一长也不会失控。 为什么 API 上线前要做配置校验、健康检查和优雅关闭这些生产硬化？ 这三项把"意外"变成"可控"：配置校验在启动时把 CORS、连接串、限流这类参数核对一遍，错了直接拒启；健康检查向负载均衡器汇报数据库、缓存等依赖是否真能用，连不上就摘除流量；优雅关闭收到 SIGTERM 后先注销、再等正在处理的请求结束，避免每次部署都甩出一批 502。 想用上这个技能？ 「全栈开发」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。
如何用AI分析营养成分
「营养成分分析」是「龙虾部署大师」技能市场中的饮食数据分析技能：作用是读取你的连续饮食记录，评估宏量营养素、维生素、矿物质和饮食模式的摄入情况——它计算 RDA 达成率、营养密度评分和趋势变化，识别营养素的不足与过量信号，并能把饮食与体重、睡眠、血糖等健康数据关联，输出营养趋势、风险分级和分优先级的行动建议。 技能效果 把一周的饮食记录交给它，它对照膳食推荐量逐天算出蛋白质、纤维和钠的趋势，标出哪几天达标、哪几天钠严重超标。 记了一堆饮食日志，为什么还是看不出问题 困难在于原始记录本身不会说话。把每天吃了什么记下来之后，常遇到三种障碍：一是看不出趋势，单看一天的数据没意义，要判断这一个月蛋白质、纤维、钠的摄入是在改善还是恶化，需要按周聚合、算出趋势斜率；二是不知道够不够，维生素 D、铁、钙到底达没达到推荐量，要对照 RDA/AI 标准才说得清；三是关联看不到，咖啡因、晚餐时间和睡眠、血糖之间有没有关系，靠翻日志根本对不上。零散的记录要变成有用的判断，缺的正是这套分析。 按 RDA 达成率给营养素亮灯 蛋白质 充足 纤维 偏低 维生素D 缺乏 钠 过量 这个技能能帮你分析什么 它把分散的饮食日志转成连续、可复盘的营养分析。流程是先确认分析范围，再读取你的每日记录，然后做四类计算：分析热量、蛋白质、脂肪、纤维等摄入随时间的趋势变化；按 RDA/AI 标准评估各类维生素、矿物质和特殊营养素的达成率；识别整体饮食模式、营养缺乏风险和营养质量等级；并把饮食与体重、运动、睡眠、血压、血糖等健康指标关联起来，找出相关性。它同时会检测能量异常、营养素过量与缺乏信号，最终输出营养趋势、风险分级和按优先级排好的行动建议。 读连续日志 每日饮食记录 算达成率/趋势 RDA / 斜率 / 相关 识别风险信号 不足 / 过量 风险分级 + 行动 用前须知 该技能无需 API Key，但需要你提供 nutrition-tracker、每日饮食日志及可选的健康 JSON 数据；若要落地完整的计算算法，建议具备 Python 数据分析环境。需要明确的是，它输出的营养评估仅作健康参考，不构成医疗诊断或治疗建议；涉及疾病、用药或异常指标时，应咨询医生或注册营养师。 怎么用它 用法是把你的饮食日志和想关联的健康数据交给它，并说清要看哪段时间、哪些营养素。例如可以这样对它说： 可以这样对它说 "分析我这个月蛋白质、纤维和钠的摄入有没有偏差，按周看趋势。" "把饮食记录和睡眠数据放一起，看看晚餐时间是不是影响了睡眠质量。" "评估最近两周维生素 D 和铁的达成率，标出缺乏风险和处理优先级。" 它适合这些场景：基于连续饮食日志评估近一个月的营养结构是否在改善；检查维生素 D、铁、钙、钠等关键营养素的不足或过量风险等级；分析咖啡因、晚餐时间、纤维与睡眠或血糖变化之间的关系；以及为减重、控压或改善饮食质量列出分优先级的行动计划。 大家常问 为什么营养标签上的热量数字和实测会有偏差？ 标签基于Atwater固定系数折算（蛋白碳水4、脂肪9、纤维2 kcal/g），忽略了食物基质的细胞壁完整性、加工后的酶解效率以及个人肠道菌群差异，法规也允许±20%误差，所以与实测往往不一致。 餐厅菜肴热量估算最容易出错在哪几个环节？ 误差最集中在三处：用油量与烹饪吸油率不可见、勾芡淀粉与酱汁糖分等隐形碳水被漏算、酱料份量随师傅手感波动。AI看到的是成品，而热量取决于过程，总热量通常被低估20%-45%。 GI 与 GL 在饮食控制里的核心区别是什么？ GI只衡量碳水升高血糖的速度，是定性指标；GL=GI×碳水克数÷100，把实际摄入量纳入计算，是定量指标。GI告诉你这个碳水快不快，GL告诉你这一口下去对血糖的真实冲击有多大。 隐性热量通常藏在哪几类食物里？ 最常见有五类：烹饪用油与沙拉酱、奶茶果汁等液态糖、谷物棒坚果酱等"健康光环"零食、卤味腌制品、火锅底料浓汤宝等复合调味。它们体积小或被当作调味品，但能量密度极高，单次少累积多。 想用上这个技能？ 「营养成分分析」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 制定健身计划
「健身教练」是「龙虾部署大师」技能市场中的训练计划技能：作用是根据你的目标、身体状况、训练条件和时间，生成个性化、可执行的训练方案——它先确认你是要减脂、增肌、塑形、提升体能还是康复，再收集器械、地点、频率等条件，输出 4 周渐进计划，含动作组数次数、休息、动作要点、替代动作、进阶安排，并附热身拉伸、安全原则和免责声明。 技能效果 说明一周只能练三天、家里只有哑铃后，它排出练一休一的三天计划，写明每个动作的组数次数，还给出护膝护腰的几条铁律。 自己安排训练，为什么常常练不下去或练错 问题往往出在计划本身。零基础或居家训练时常遇到三种情况：一是不知道练什么、练几组，照搬网上的计划，结果不是太难就是不对路；二是不管身体条件，膝盖、腰有旧伤却照做跳跃和大重量，反而越练越伤；三是没有渐进结构，每天都练同样的强度，身体适应后就停滞，或者一开始上量太猛、几天就放弃。训练有没有效果，七分看计划是否匹配自己的条件。 4 周渐进，强度逐周抬升 第1周 第2周 第3周 第4周 适应 进阶 这个技能能帮你做什么 它把训练计划拆成"先匹配方向、再适配条件、最后给出可执行安排"。它先根据减脂、增肌、塑形、体能、康复或特定部位匹配训练方向；再分批收集你的年龄、身高体重、运动水平、伤病情况、可用器械、训练地点、每周频率和偏好；然后生成一个 4 周训练周期，写明每个动作的组数、次数、休息时间和动作要点，并为关节不适或器械受限的情况提供替代动作，给出周期化的进阶方式。每份计划都附带热身拉伸建议、安全原则、过度训练的预警信号和一张进度追踪表，方便你记录进步、按反馈调整强度。 匹配目标 减脂/增肌/康复 适配条件 器械/伤病/频率 4 周计划 动作/组数/替代 进度 追踪表 用前须知 该技能无需 API Key，生成计划依赖 Python 脚本和本地动作库。需要明确的是，它输出的是一般性训练建议，仅供参考，不构成医疗诊断或治疗方案；有慢性病、伤病或明显不适者，应先咨询医生或专业教练，再决定是否开始训练。训练中如出现疼痛或不适，请立即停止。 怎么用它 用法是把你的目标、可训练的时间、器械和身体限制用自然语言说清楚，它会据此排出计划。例如可以这样对它说： 可以这样对它说 "我一周只能练三天，家里有哑铃，安排减脂训练，注意保护膝盖和腰。" "膝盖不太舒服但想恢复跑步，做一套低冲击的康复计划，先别安排跳跃。" "想重点练胸和背，按四周周期写动作、组数和进阶方式，休息时间也写清。" 它适合这些场景：零基础用户想按居家或健身房条件制定可执行的训练计划；增肌或塑形人群需要推拉腿、上下肢这类分化训练安排；久坐或有轻微不适的人想要体态改善和低风险的一般性康复训练建议；以及训练者想记录进步、调整强度、避免过度训练和动作错误。 大家常问 为什么自己排的健身计划常常坚持不下来或练错？ 多数自排计划是直接套网上模板，没考虑你每周能练几天、状态差时的退路、动作是否匹配你的关节活动度和肢体比例。AI 把训练视为多约束求解：先按时间预算、恢复能力、伤病和器械建模，再生成可执行计划并保留减载冗余，所以更走得下去。 减脂和增肌的训练计划，本质区别是什么？ 增肌靠机械张力累积驱动肌肥大，动作偏拉伸位张力大、容量优先、可容忍较高疲劳；减脂目标是制造热量赤字同时保留肌肉，动作偏多关节高耗氧、密度优先（缩短间歇），疲劳容忍度更低，减载频率也更密。两者训练结构和疲劳管理粒度都不同。 4 周渐进训练计划里，渐进的到底是什么？ 渐进不只是加重量。AI 同时调节五个维度：负荷（重量）、容量（组×次）、密度（缩短组间休息）、技术复杂度（从器械到自由重量到单侧）、以及节奏（控制离心）。典型四周节奏是适应—强度—容量高峰—减载，让身体完成"适应→刺激→超适应→恢复"完整循环。 有膝盖旧伤还能练腿吗？怎么挑替代动作？ 多数情况下能练，关键是把旧伤转成动作约束：避开膝关节剪切力大、深屈曲下负重和冲击落地的动作。AI 在功能图谱里找肌群贡献相近但更安全的替代——例如用高脚杯深蹲或腿举替代杠铃深蹲，或把发力转移到髋主导动作如臀推、罗马尼亚硬拉，先在无痛幅度内积累强度再扩大范围。 想用上这个技能？ 「健身教练」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 生成合同
「合同生成助手」是「龙虾部署大师」技能市场中的合同起草技能：作用是把雇佣合同、录用通知书、租房合同、NDA、服务合同、合作协议等常见文档的初稿写出来——通过分步对话确认合同类型、分批收集必填字段，再自动填充模板变量或直接生成正文，输出可直接编辑的 DOCX 合同，并附上必要的法律风险提示。 技能效果 按“两期付款＋验收＋违约”的要求，它生成了完整的软件开发服务合同，付款节点和验收流程都列成可填写的条款。 为什么起草一份合同总是又慢又容易漏 问题在于合同的"格式活"占用了大量时间，而真正的风险又藏在容易被忽略的字段里。手写或套用旧模板时，常见三种麻烦：一是反复填空，名称、金额、日期、期限要在文档里逐处替换，改一个数往往要回头核对好几处；二是字段遗漏，验收标准、违约责任、付款节点这类关键条款一旦漏写，签了才发现；三是批量场景下效率极低，HR 给十个新员工各做一份录用通知书，等于把同一份模板手工改十遍。这些工作本身不创造价值，却最容易出错。 手工套模板，处处要替换 甲方：____ 金额：____（漏填？） 期限：____ 违约条款：（缺） 改十遍 仍可能出错 这个技能能帮你做什么 它把合同初稿的整个起草过程接管下来。先通过分步对话确认你要的合同类型，再按该类型分批向你收集必填字段，并自动计算需要推算的项（如合同到期日）；信息汇总后等你确认，才开始生成文档。生成方式有两种：若有现成的 DOCX 模板，它填充变量、保留原有字体、样式、页眉页脚，输出与模板一致的成稿；若没有模板，它直接生成完整合同正文并写入 DOCX。此外它支持用 CSV、Excel、JSON 批量生成，并在生成后校验是否还有未替换的占位符残留。 确认合同类型 雇佣 / 租房 / NDA… 分批收集字段 汇总后等你确认 填模板 / 生成正文 保留样式 输出 DOCX 校验占位符 用前须知 该技能需要 Python 与合同生成脚本，生成 DOCX 通常依赖 python-docx；若使用模板填充，DOCX 模板路径按技能内约定放置。它无需 API Key。需要强调的是，它输出的是合同初稿，仅供起草与内部流转参考，不构成法律意见；重要合同应交由专业律师复核后再签署。 怎么用它 用法是用自然语言把合同类型和关键条款说清楚，它会在对话中追问缺失的字段，无需你记参数或手动套模板。例如可以这样对它说： 可以这样对它说 "生成一份北京的软件开发服务合同，付款分两期写清楚，要含验收和违约条款。" "给新员工做一份录用通知书，年薪三十万、下周入职、公司在上海浦东，条款都标注清楚。" "按这份 Excel 里的候选人信息批量生成 Offer 文档，文件名用各自的姓名。" 它适合这些场景：HR 或行政需要为多名新员工批量生成录用通知书、劳动合同；房屋出租或承租前，要根据双方身份和租期生成租房合同；商务合作前要快速拿到 NDA、服务合同或合作协议初稿；以及已有自定义 DOCX 模板、想用结构化数据批量填充成稿的情况。 大家常问 一份合同必须包括哪些基本要素？ 依据《民法典》第四百七十条，一份合法有效的合同通常需要包含八项基本要素：当事人信息、标的、数量、质量、价款或报酬、履行期限地点和方式、违约责任、争议解决方式。具体合同还会按场景补充保密、不可抗力、知识产权归属等条款。 起草合同时最容易被忽略的风险点有哪些？ 起草时常被忽略的风险点集中在几处：定义术语前后不一致、触发条件用"合理期间""及时通知"等模糊表述、单方义务缺对应救济、管辖与法律适用相冲突、格式条款没合理提示、补充协议与主合同脱节，以及引用的法条已废止或修订。 范本合同和定制合同有什么区别？ 范本合同条款已预先写好，使用者只填空白字段，类似"填空"；定制合同则根据具体交易和谈判结果增删改条款，结构、措辞、权利义务都可调整，类似"写作"。范本胜在快和稳，定制胜在贴合实际场景与风险分配。 为什么手写合同也具有法律效力？ 法律保护的是双方合意，不是纸张的印刷工艺。手写合同只要满足三点就有效：双方意思表示真实、内容合法且不违背公序良俗、具备当事人和标的等基本要素。它在举证便利性上不如电子存证或公证件，但法律效力本身并不低于打印合同。 想用上这个技能？ 「合同生成助手」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。
提示