如何用 AI 设计数据管道
「高级数据工程」是「龙虾部署大师」技能市场中的数据系统设计技能：作用是根据你的数据来源、目标仓库、延迟要求、日处理规模和重跑要求，在 Airflow、dbt、Spark、Kafka、Flink 等方案之间完成技术选型，输出管道架构、编排配置思路、数据质量校验、模型设计和性能调优建议，帮团队搭起可靠、可观测、可维护的数据基础设施。 技能效果 让它设计订单库到 Snowflake 的每日 ETL 时，它产出了水位线控制表、Staging/维度/事实表的建表 SQL 和对应的 Airflow DAG 配置。 搭数据管道，难在哪一步 从源库把数据搬到数仓看似只是"抽取—转换—加载"，但真正的难点在选型和取舍：是批处理还是实时流？延迟要求几分钟还是几小时？日处理量是百万行还是十亿行？错误数据怎么处理、跑挂了怎么重放？这些决定了该用 Airflow 还是 Flink、该建什么样的表模型、要不要做数据质量校验。选错方向，轻则后期返工，重则数据不可靠、排查无从下手。再加上一条 Spark 聚合或一个 DAG 跑得过慢时，瓶颈往往藏在执行计划、分区和缓存里，不展开看根本定位不到。 选型由需求驱动 需求输入 延迟要求 日处理规模 重跑/去重 源与目标 批处理 ETL/ELT 实时流处理 Airflow / dbtSnowflake/BigQuery Kafka / Flink / SparkLakehouse 这个技能能帮你设计和优化什么 它覆盖数据系统的四块工作。技术选型层面，它根据需求在批处理、流处理和 Lakehouse 架构之间给出选型路径，明确什么场景该用 Airflow、dbt，什么场景该上 Kafka、Flink、Spark Streaming。编排配置层面，它生成 Airflow 编排、数据抽取和仓库加载的配置思路。数据质量层面，它建立完整性、新鲜度、唯一性等校验，以及数据契约、血缘和可观测性机制，让数据出问题时能被及时发现、能追溯。性能调优层面，它分析 Spark、SQL 和 DAG 的执行瓶颈，给出分区、缓存等具体优化建议。 技术选型批/流/Lakehouse 编排配置Airflow/抽取/加载 数据质量校验/契约/血缘 性能调优分区/缓存 把可观测性和数据契约前置进设计，是这套思路的关键：可靠的数据基础设施不是事后补监控，而是在管道设计阶段就把"怎么发现错误、怎么重放、怎么追溯"想清楚。 用前须知 该技能需要 Python、SQL 环境，并按场景配合 Spark、Airflow、dbt、Kafka 等工具使用，没有统一的 API Key；连接云数仓（如 Snowflake、BigQuery）所需的凭据需自行配置并妥善保管。它的产出是架构与配置思路，落地仍需在你自己的技术栈中实现和验证。 怎么用它 用法是把数据来源、目标仓库、延迟与规模要求，或当前遇到的性能问题用自然语言交给它，由它给出选型与配置方案。例如可以这样对它说： 可以这样对它说 "设计订单库到 Snowflake 的每日 ETL，帮我生成 Airflow 编排配置思路。" "Kafka 事件要实时入湖，延迟数据、去重和重放策略一起考虑。" "这条 Spark 聚合跑太慢，分析一下执行计划，给分区和缓存的优化建议。" 它适合这些场景：企业要从 PostgreSQL 同步数据到 Snowflake 或 BigQuery；事件流需要在 Kafka、Flink 或 Spark Streaming 中实时处理；数据团队要为核心表建立完整性、新鲜度和唯一性校验；现有 Airflow DAG 或 Spark 作业跑得过慢、需要定位瓶颈。适合数据工程师、数据平台负责人、分析工程师、后端团队以及正在建设现代数据栈的企业技术团队。 大家常问 数据仓库为什么要做 ODS、DWD、DWS、ADS 这样的分层？ 分层本质是分治：不分层时源系统一改字段就传导到所有下游，多团队重复清洗、口径打架、排查无从下手。ODS 贴源保留原始镜像，DWD 清洗建模出一致明细，DWS 按公共维度预聚合，ADS 面向具体报表服务。每层只做一件事，变更隔离、口径统一、问题可沿层追溯。 批处理和实时流处理在数据工程里怎么区分，各适合什么场景？ 本质差异不在快慢，而在数据边界：批处理面对有界数据，假设"已就绪、一次算完"，适合 T+1 报表等延迟宽松场景；流处理面对无界数据，逐条或微批处理持续到达的事件，需引入水位线界定迟到，适合实时大屏、监控告警等秒级响应场景。两者都需要、按需求选。 数据工程里的数据血缘是什么，主要解决什么问题？ 数据血缘是对数据从源头经过哪些变换、流向何处的全链路追踪，本质是一张"表/字段为节点、转换为边"的有向无环图。它主要解决三类问题：报表异常时沿血缘向上溯源定位根因；上游字段要改时下钻评估影响范围；以及合规审计中追踪敏感字段的完整传播路径。 数据管道重跑时为什么要做幂等处理？ 因为管道失败、回溯历史、逻辑升级都需要重跑，而重跑是数据工程的常态而非应急。不幂等时每跑一次就叠加污染，明细翻倍、聚合指标倍增。幂等指同一输入跑多少次结果都一致，靠分区覆盖写、按业务主键去重、事务性提交实现，保证无论重跑多少次交付的数据都正确可信。 想用上这个技能？ 「高级数据工程」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开发怎么落地？覆盖Liquid主题和API
「Shopify 开发」是「龙虾部署大师」技能市场中的店铺开发参考技能：它面向 2026-01 API 版本，覆盖 Liquid 模板、OS 2.0 主题、GraphQL Admin 与 Storefront API、Ajax 购物车、应用、Functions、Hydrogen 等开发主题，按需求给出主题代码、API 调用示例、扩展实现思路和迁移排障建议。 技能效果 要在商品页按选中变体显示库存时，它写出了判断现货、仅剩N件、缺货的Liquid代码片段，顺手把集合页过滤器写规范，还说明显示不对怎么结合日志定位。 Shopify 开发栈太宽，资料总在四处找 Shopify 的技术栈横跨好几层：前端有 Liquid 模板和 OS 2.0 主题，数据有 GraphQL Admin 和 Storefront API，交互有 Ajax 购物车，业务规则有 Functions，无头店面又是 Hydrogen 那一套。每一层的语法、对象、版本约定都不一样，开发者要么在官方文档里来回翻，要么凭旧经验写、再被废弃提示打回来。尤其是版本演进——Scripts 要迁到 Functions、Polaris React 要换成 Web Components，这些迁移路径如果没人梳理清楚，很容易写出过时的实现。 同一个店铺，要同时面对几层技术栈 前端层：Liquid · OS 2.0 主题 交互层：Ajax 购物车 API 数据层：GraphQL Admin/Storefront 业务层：Functions 无头层：Hydrogen 店面 迁移：Scripts → Functions Polaris → Web Components 这个技能能帮你查到什么 它是一份覆盖完整 Shopify 开发栈的参考，按你手头的任务给出对应资料。主题方向，它梳理 Liquid 的标签、过滤器、对象和 OS 2.0 主题架构，支持你改 .liquid 模板或 JSON section；API 方向，它指导 GraphQL Admin、Storefront 和 Ajax API 的安全调用；扩展方向，它支持应用、Functions、Hydrogen 和扩展的开发路径；工程方向，它提供性能优化、废弃迁移和 Liquid/API 的故障排查参考。输出包括主题代码、API 调用示例、扩展实现思路、迁移提示和排障建议，帮你按官方栈把功能落地。 说清你的需求 改主题/集成/迁移 匹配对应栈资料 按 2026-01 版本 代码示例 + 迁移/排障 用前须知 建议本地安装 Node.js 与 Shopify CLI（npm install -g @shopify/cli）。调用 Admin/Storefront API 需要店铺访问令牌，主题开发需要相应的 Shopify 店铺权限。该技能提供的是开发参考与代码思路，实际部署到店铺仍由你在自己的环境中完成。 怎么用它 用法是把开发任务和约束（哪个接口、哪个版本、要不要迁移）用自然语言交给它，由它给出对应的代码与思路。例如可以这样对它说： 可以这样对它说 "这个 Liquid 模板要显示变体库存，顺便把过滤器写得更规范一些。" "帮我把旧的 Scripts 迁到 Functions，说明实现方式和部署步骤。" "Hydrogen 页面要拉商品数据，查询按新版接口写，并说明缓存策略。" 它适合这些场景：需要修改 .liquid 模板或 JSON section 来实现自定义商品展示；应用需要通过 GraphQL Admin API 读取或变更商品、订单数据；主题购物车交互异常、要排查 Ajax API 或 JavaScript 问题；以及从 Scripts 或 Polaris React 迁移到 Functions 与 Web Components。 大家常问 Shopify 的 Scripts 和 Functions 有什么区别？为什么现在要从 Scripts 迁移到 Functions？ 两者都用来写购物车折扣、运费、支付限制等自定义逻辑，但 Scripts 用 Ruby、只兼容旧版结账、共享运行时、难调试；Functions 编译成 WebAssembly 跑在独立沙箱、执行时间有上限、用 Shopify CLI 部署、支持版本管理。要迁移是因为旧版 Checkout 正被淘汰，Scripts 已停更，新功能只基于 Functions 开发。本技能可给出迁移路径与实现思路。 Shopify 主题开发里说的 OS 2.0 和老主题有什么区别？Liquid 模板和 JSON section 是什么关系？ OS 2.0 把编辑权还给商家：所有页面都能在可视化编辑器里拖拽配置、原生支持元字段、App 通过 App Blocks 注入不易冲突；老主题大多硬编码在 Liquid 里、商家改不了。关系上，JSON 模板是"布局清单"，列出页面用哪些 section、顺序和参数；Liquid section 是"功能单元"，定义长什么样、取什么数据。本技能按这套架构给主题代码。 Shopify 的 Hydrogen、无头（Headless）店面是什么意思？和直接改 Liquid 主题有什么区别？ 无头是把前端（头）和 Shopify 后端（身体）分离：后端仍管商品库存结账，前端自选 React/Vue 等技术栈，通过 Storefront API 取数据，性能和定制自由度更高但开发运维更重。Hydrogen 是 Shopify 官方的无头 React 框架、内置电商组件。改 Liquid 主题则是一体化、开箱即用、适合多数中小商家。本技能能讲清各路径取舍与落地。 Shopify 主题里购物车交互（加购、改数量）异常，一般和 Ajax Cart API 是什么关系？ 主题购物车的加购、改数量在前端通过 Ajax Cart API 异步操作：/cart/add.js 加购、/cart/change.js 改数量、/cart.js 取购物车，不刷新页面就更新数据。交互异常多在这条链路上：JS 没绑定事件就请求不发出、回调没刷新 UI 就角标价格不动、特殊 SKU 会返 422。本技能可对照 Network 请求与 API 返回逐项排查。 想用上这个技能？ 「Shopify 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。
多渠道库存怎么同步？建统一事实源原子扣减防超卖
「多渠道库存同步」是「龙虾部署大师」技能市场中的库存协同技能：它在 Shopify、Amazon、eBay、Walmart、社交电商和批发渠道之间建立统一库存事实源，设计原子库存扣减、平台连接、凭证申请、安全存储、渠道利润评估和防超卖策略，降低跨平台销售的超卖与履约风险。 技能效果 面对Shopify和亚马逊共用库存的超卖问题，它定了以Shopify为库存主数据，给出共享池加安全缓冲的分配规则、行级锁等三层防超卖机制和断货自动下架的触发表。 多渠道卖同款，最怕库存对不上 当同一批货同时挂在 Shopify、Amazon、eBay 多个渠道，库存不同步就成了定时炸弹：一个渠道卖出去了，其他渠道没及时扣减，超卖随之而来；扩展新渠道时，SKU 映射、API 凭证申请、并发扣减又是一连串技术活。没有一个统一的库存事实源，跨平台经营越做越乱。 这个技能能帮你设计什么 它帮你把多渠道库存统一到一个可信的主系统上。基础上，它明确主库存系统，并校验库存、条码、重量、尺寸和 HS Code；连接上，它指导 Shopify、BigCommerce、WooCommerce 与各市场渠道的对接；接入上，它说明 Shopify Admin、Amazon SP-API、eBay API 的申请和认证流程；实现上，它提供订单幂等导入、原子库存预留和 SKU 映射的思路，从根上防止超卖。 主库存系统唯一事实源 Shopify Amazon eBay / 批发 核心是"原子库存扣减"：任意渠道下单，库存立即在主系统扣减并同步，避免同款被重复卖出： 某渠道下单 主系统原子扣减 各渠道同步失败重试 用前须知 该技能需要各平台账号与 API 凭证：Shopify Admin token、Amazon SP-API、AWS IAM、eBay OAuth 等；生产环境应使用密钥管理服务存储凭证，避免硬编码。它给的是设计与实现思路，落地需你的工程对接。 怎么用它 用法是把你的渠道结构和目标用自然语言描述出来即可。例如可以这样对它说： 可以这样对它说 "Shopify 和亚马逊共用库存，别再出现同款超卖和漏扣库存。" "线下门店和批发站共用仓库，库存主系统和同步顺序要定稳。" "eBay 订单进来后，其他渠道库存马上扣减，并记录失败重试规则。" 它适合这些场景：DTC 品牌准备扩展到 Amazon、eBay 或社交电商渠道；低库存热销 SKU 有超卖风险、要设安全库存缓冲；多个店铺、批发门户或线下仓库要统一履约流程；自研集成要处理 webhook 重试、并发扣减和渠道 SKU 差异。 大家常问 多渠道卖货为什么会超卖？从库存数据同步延迟的角度讲讲超卖是怎么发生的 超卖的本质是"卖出速度"超过了"库存同步速度"。中央库存推送到各渠道、各渠道订单回传到中央都有延迟，且渠道之间没有互斥锁。在这个延迟窗口里，多个渠道都基于过期数据判断"有货"，各自接单，等订单汇总到中央才发现累计销量已超实际库存。渠道越多、并发越大、同步间隔越长，风险越高。 多渠道库存同步里说的"库存主系统"是什么，为什么必须先定一个？ 库存主系统就是唯一被授权"拍板库存还剩多少"的单一真相来源，其他渠道只接收它的通知、不能反向改库存。先定一个的原因：避免多套系统库存数字各执一词、防止循环同步把库存越扣越少，并由它在扣减时做"库存≥下单量才扣"的原子校验，作为防超卖的最后防线。 什么是原子库存扣减，它和安全库存缓冲是怎么防止超卖的？ 原子库存扣减是把"检查库存＋扣减"合并成不可分割的一步（如"库存≥N 才扣"），消除并发间隙，解决多人同时下单导致库存变负的问题。安全库存缓冲则预留一部分库存不参与售卖，用可售库存＝实际库存−缓冲，应对下单后取消退款造成的波动。两者配合，高并发下既不漏单又不超卖。 同一个商品在不同平台 SKU 编码不一样，为什么会导致库存同步出错？ 各平台 SKU 编码规则不同（字符集、长度、大小写敏感、自动生成与手录不一致），多规格商品还会进一步分裂。若同步只按 SKU 字符串直接匹配，系统会把同一件实物当成两个商品各扣各的库存，造成重复售卖。根因是缺少把各平台 SKU 映射到统一商品编码的映射层，建好映射表先查映射再操作中央库存即可避免。 想用上这个技能？ 「多渠道库存同步」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。
内容摘要怎么做不丢重点？按场景匹配提取与执行摘要
「内容摘要」是「龙虾部署大师」技能市场中的信息提炼技能：作用是根据目的、受众、范围、重点和格式选择合适的摘要方式，而不是简单压缩文字——先判断摘要用途，再匹配关键点提取、执行摘要、学术摘要、多源综合或批判性摘要等类型，输出确保核心信息保真且适合后续决策、传播或归档。 技能效果 把长报告压成高管摘要时，它先给信息分级规则，再重构结构，保留风险、数据和决策点。 同样一份长文档，为什么有的摘要没用 很多摘要之所以读了等于没读，是因为只做了"压缩"而没做"取舍"。给管理层看的，需要的是结论、风险和决策点，却给了一段不分主次的概括；做研究用的，需要保留方法、发现和局限，却被删成了几句话；会议记录想转成行动项，结果只剩下流水账。摘要的关键不在于砍掉多少字，而在于按用途留下该留的信息——用途不同，该提取的重点也完全不同。 一份长内容 给高管：结论 · 风险 · 决策点 做研究：方法 · 发现 · 局限 转执行：待办 · 负责人 · 截止 这个技能能帮你提炼出什么 它先判断摘要的用途——是为决策、背景了解、研究、快速理解还是参考回忆，再匹配对应的摘要类型：关键点提取、抽象概括、主旨提炼、信息压缩、执行摘要、学术摘要、多源综合、批判性摘要或行动型摘要。输出形式也随之调整，可以是叙述段落、要点列表、层级大纲、对比结构或渐进摘要。多篇资料时，它能整合共识、分歧和互补信息，区分证据强弱，得出统一结论；会议记录则能转为待办、负责人、截止时间、决策和风险。核心是按受众和用途保真核心信息，方便后续决策、传播、复盘或归档。 先定用途 决策 / 研究 / 速读 › 匹配摘要类型 执行 / 学术 / 批判 › 选输出格式 段落 / 要点 / 大纲 用前须知 该技能无需 API Key、Python 或 Node 依赖，直接基于你提供的文本、文档或多来源内容执行。若需要处理外部网页或文件，要能访问到原文，技能才能据此提炼。 怎么用它 用法是把要摘要的内容、用途和受众用自然语言交给它，它会据此选类型和格式。例如可以这样对它说： 可以这样对它说 "把这份长报告压成高管摘要，保留关键风险、数据、预算影响和决策点。" "把这三篇竞品文章做综合摘要，区分共识、分歧和证据，也标出机会空白。" "会议纪要太散，按项目提炼待办、负责人、截止时间、决策和风险，语气口语一点。" 它适合这些场景：长文档要压成管理层可快速阅读的执行摘要；研究论文需保留方法、发现和局限形成学术摘要；多篇资料要整合共识、分歧和互补信息得出统一结论；会议记录或报告要转为行动项、风险和下一步建议。 大家常问 抽取式摘要和生成式摘要的核心区别是什么？ 抽取式（Extractive）从原文里直接挑选高分句子拼接，本质是排序问题，事实保真度高但句间不连贯；生成式（Abstractive）先理解语义再用新词句重写，本质是 Seq2Seq 生成，流畅度高、压缩更灵活，但存在幻觉风险。实践中常先抽取关键句，再生成式改写，兼顾忠实度与可读性。 为什么写给高管的执行摘要要把结论、风险和决策点放在最前面？ 高管不复盘推导过程，只做"接受结论与否"的判断。结论前置利用锚定效应让后续内容自动归到验证框架；风险前置让决策修正窗口最大，并建立"提交者掌控全局"的信任；决策点前置（含选项、截止时间、未决策默认后果）直接降低决策摩擦，让"决策发生"而非"提供信息"成为摘要目标。 怎么判断一篇生成式摘要是否出现了幻觉、对原文忠实度不够？ 将摘要拆成原子事实单元，逐条用蕴含关系（Entailment）或 QA 反查在原文中找证据：找不到证据=外在幻觉，与原文矛盾=内在幻觉，粒度凭空变细=虚假精细化。再辅以片段对齐定位错位主体、关系或时序。判别核心是可验证性、矛盾性检测、粒度守恒与核心信息完整性。 多文档摘要里怎么区分共识、分歧和互补信息？ 先将各文档分句原子化、按主体/动作/时间/数值对齐成信息簇；再判定：要素一致或语义等价=共识，数值/方向/时序/归因矛盾=分歧，主题相关但覆盖不同子方面、可拼接成完整图景=互补。摘要时共识优先呈现，互补按逻辑整合并标来源，分歧显式标注各方说法，不强行折中。 想用上这个技能？ 「内容摘要」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 管理自选股
「自选股管理」是「龙虾部署大师」技能市场中的自选股维护技能：它基于东方财富通行证账户和行情底层数据，让你用自然语言查询、添加和删除自选股，并以 JSON、CSV 和可读表格三种形式输出结果。返回内容包含股票代码、名称、最新价、涨跌幅、涨跌额、换手率、量比和操作状态，适合个人投资组合跟踪、关注列表维护与行情留档，接口失败、数据为空或凭据缺失时会返回明确的错误提示。 技能效果 把茅台和宁德时代加入自选股后，它显示两只的最新价和涨跌幅，并写清是延时行情、数据来源和货币口径。 维护自选股清单，麻烦在哪 跟踪关注的股票，看似只是加一只、删一只、看一眼行情，实际操作并不顺手：在手机或网页客户端里翻菜单、搜代码、逐只增删，一来一回不够利落；想把当前自选股连同最新价、涨跌幅一起导出来留档或做二次分析，往往没有现成的一键出口；增删之后还得回头确认列表是不是真的变了。这些动作零散、重复，又都依赖人工逐步点选，跟踪一组标的的成本因此被无谓地抬高。 逐只点选，散且重复 搜代码加自选 翻菜单删旧票 挨个看行情 想导出留档？没现成出口 增删后还得回头确认 这个技能能帮你做什么 它把自选股的查、增、删、导出整合成一句话就能触发的操作。查询层面，它取出东方财富账户下的自选股列表与实时行情，返回代码、名称、最新价、涨跌幅、涨跌额、换手率、量比等关键交易字段；维护层面，它通过自然语言或命令参数把指定股票添加进自选列表，也能删除不再跟踪的股票，并返回操作成功、失败原因或接口错误状态；留档层面，它把结果保存为 CSV 和原始 JSON 文件，方便后续记录与二次分析。 自然语言 指令 查询 添加 删除 最新价/涨跌幅 换手率/量比 CSV + JSON 它的价值在于把碎散的点选动作收敛成一句指令，并在每次增删后给出明确的操作状态，导出能力又让自选清单的行情可以随时落地成文件。它定位于自选清单的维护与行情留档，本身不做投资建议，返回的行情数据仅供个人跟踪与记录使用。 用前须知 该技能需要从东方财富妙想 Skills 页面获取 API Key，并配置环境变量 MX_APIKEY；本地通过 Python 脚本调用，需要网络访问 https://mkapi2.dfcfs.com，凭据仅从环境变量读取。请注意，它提供的是自选股维护与行情查询能力，输出的所有数据均不构成任何投资建议。 怎么用它 用法是把要查、要加、要删的股票用自然语言说清楚，无需记代码和命令参数。例如可以这样对它说： 可以这样对它说 "把贵州茅台和宁德时代加入我的自选股，成功后顺带显示最新价。" "看看我现在的自选股列表，导出成表格并显示总数量。" "从自选股里删掉那只长期停牌的股票，再确认列表里已经没有它了。" 它适合这些场景：投资者快速查看当前自选股列表和最新行情表现；研究新标的后把股票名称加入东方财富自选列表；组合调整完成后删除不再跟踪的股票并确认状态；以及希望把自选股行情导出为 CSV，用于记录或二次分析。 大家常问 自选股管理是什么意思？ 自选股管理，是对自己重点关注的一批股票做系统性组织、监控与维护：核心不是堆数量，而是在信息过载里建立高信噪比的筛选与跟踪机制——分组打标签、设预警阈值、记关注理由、定期复盘剔除，并从组合视角审视整体暴露。 为什么自选股加得太多反而盯不过来？ 人的注意力有限，当自选股超过认知负荷上限（约 15–20 只），关键信号会被噪声淹没，复盘只能走马观花，还容易把"在关注"误当成"在管理"。解法是按跟踪深度分层、用预警代替手动盯盘，让真正需要行动的标的浮上来。 自选股管理和选股有什么区别？ 选股是"发现标的"，解决"买什么"，从大量股票里筛出候选；自选股管理是"跟踪已选标的"，解决"如何持续追踪和决策"，建立在选股结果之上。简单说：选股决定池子里放什么，自选股管理决定怎么持续盯、何时该行动。 为什么自选股清单要定期复盘剔除？ 自选股清单不是只进不出的收藏夹，而是动态筛选工具。不定期剔除，清单会越加越长、逐渐失焦，最终变成"看着很多却无从下手"的冗余列表。定期复盘的意义，就是按关注逻辑是否仍成立来做新陈代谢，把失效标的清出去。 想用上这个技能？ 「自选股管理」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。
如何用 AI 做移动端界面设计
「移动端界面设计」是「龙虾部署大师」技能市场中的移动端体验设计技能：作用是面向 iOS、Android、React Native、Flutter 和原生应用，按触控优先、平台尊重、性能、离线和安全的原则，输出决策检查点、反模式清单、平台差异、触摸心理、性能规则和发布前清单。它要求在需求不明时先确认平台、框架、导航、状态管理和离线范围，避免把桌面设计缩小后直接套用到移动端。 技能效果 给它一个React Native电商首页，它按搜索栏、分类标签、瀑布流、底部Tab四个模块，逐一拆出iOS和安卓在手势与导航上的差异和适配点。 移动端体验差，往往不是没设计，而是按桌面思路设计 很多移动端体验问题的根源，是把桌面界面等比缩小后直接搬到手机上：按钮挤在屏幕顶部、单手够不到，触控目标太小导致频繁点错，长列表和动画一卡一卡，弱网或离线时直接白屏。这些问题在评审时容易被忽略，上线后才在真实设备上暴露。移动端有自己的一套约束——拇指可达区、Fitts 定律、iOS 与 Android 的交互惯例、低端机性能、令牌安全存储——任何一条被忽略，体验都会打折。 拇指易达区 关键按钮放顶部 = 够不到 触控目标过小 = 点错 长列表卡顿 这个技能能帮你把关什么 它把移动端体验拆成一套可逐条核对的设计规则与检查点。核心能力有四块：一是在需求开放时先要求确认平台、框架、导航、状态管理和离线需求，避免基于错误假设动手；二是覆盖触摸目标尺寸、拇指可达区、Fitts 定律和移动端的认知负荷，把"手指好不好按"量化成规则；三是识别长列表、动画、状态管理、令牌存储和架构上的常见反模式；四是给出 iOS 与 Android 的差异对照、框架决策树（React Native / Flutter / SwiftUI / Kotlin 怎么选）和发布前清单。它把零散的移动端经验，沉淀为预开发与发布两道关口的检查项。 确认前提 触控 + 性能规则 反模式排查 发布前清单 用前须知 该技能无需 API Key。若项目已存在，可运行 python scripts/mobile_audit.py [project_path] 做审计。针对具体平台的工作，它会要求先阅读相应的参考文件，并假设你具备对应的开发环境。 怎么用它 用法是把你的平台、框架和要解决的体验问题用自然语言说清楚，它会先补齐缺失前提再给建议。例如可以这样对它说： 可以这样对它说 "这个 React Native 首页，按 iOS 和安卓分别看看手势和导航哪里不对。" "购物车页面在小屏总点错，检查触控间距、按钮位置和加载态。" "这版 App 要支持离线下单，把移动端流程、错误态和重试逻辑重新梳理一遍。" 它适合这些场景：新建移动应用要在 React Native、Flutter、SwiftUI 或 Kotlin 之间做技术选型；已有页面在触控、加载、错误、离线或平台惯例上体验不佳；长列表、动画或状态管理导致卡顿要按性能规则优化；上线前要检查安全存储、深链、无障碍、低端机表现和日志清理。 大家常问 移动端界面设计和桌面端界面设计的核心区别是什么？为什么不能把桌面设计直接缩小搬到手机上？ 核心区别在容器与输入方式：桌面端用鼠标，指针精度近似 1 像素，可在多窗口里并行扫读；移动端是单窗口触控，手指接触面约 7–10 毫米，使用场景常被中断。直接把桌面布局等比缩小到手机会触发四个问题——按钮缩到点不准、信息密度过高导致认知过载、固定像素布局在小屏上断裂、桌面的 hover 状态在触屏完全失效。移动端要按触控物理重做，而不是缩放桌面。 移动端界面里所说的拇指可达区和触摸目标尺寸是什么意思？为什么会影响用户能不能点准按钮？ 触摸目标尺寸指可点击元素的有效热区大小，行业共识最小是 44pt（iOS HIG）或 48dp（Material），相当于约 9 毫米——这是人类指腹平均接触面带来的物理下限。拇指可达区指单手握机时拇指自然弯曲能覆盖的范围，通常屏幕下半部是舒适区，顶部尤其左上角是困难区。目标过小会触发菲茨定律——瞄准时间和误触率同时上升；关键操作放顶部则因为拇指遮挡和握姿变形让人看不准也点不准。 iOS 和 Android 在界面与交互设计上的核心差异是什么？为什么两端不能只做一套设计？ 核心差异来自导航范式和手势归属：iOS 走"标签栏 + 导航栏 + 应用内返回"的层级模型，左边缘右滑被系统锁定为返回；Android 有全局系统返回键加边缘双侧手势，导航更灵活，向上导航和返回是两个概念。视觉上 iOS 倾向留白与无边框按钮，Android 用 Material 控件。两端用户心智不同——一套设计强行通用，会让另一端用户找不到返回入口、误判主导航位置，任务流失败率上升。 移动端界面设计中所说的反模式指的是什么？为什么长列表和复杂动画特别容易踩坑？ 反模式指看似合理、但违背移动端物理约束或用户认知规律的设计方案，本质是方法论层面的结构性偏差。长列表容易踩坑因为它同时碰到信息架构扁平化、栅格在滚动中失效、滚动手势与点击目标混淆、加载/空态/出错等状态机覆盖不全四类问题；复杂动画容易踩坑则是因为时长超过 400ms 会被感知为延迟、动画与状态机耦合让用户无法判断结果、动画跨原子层级复用时性能开销叠加，最终在低端机和大列表上掉帧。 想用上这个技能？ 「移动端界面设计」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。
提示