爆款标题怎么生成？按平台套标题公式填充数字悬念钩子
「爆款标题生成」是「龙虾部署大师」技能市场中的内容标题技能：给定主题、平台和关键词，它先按各平台的标题规律返回公式框架，再由模型结合主题与关键词填充成可直接用的中文标题，覆盖小红书、公众号、抖音、知乎、B 站和微博，并控制字数、规避常见敏感词，帮创作者批量测试不同钩子角度。 技能效果 给一篇小红书减脂帖起标题时，它写出十个角度各异的标题，既避开了医疗承诺和绝对化用词，也没有落进套路化的模板腔。 同一个选题，为什么标题总差一口气 标题决定一条内容有没有人点开，问题在于每个平台的"好标题"规则并不一样：小红书要短、要有身份代入；公众号偏完整句、要留悬念；抖音和知乎的语气又各不相同。一个人围绕同一个主题想标题，往往写到第三四个就开始重复钩子、句式趋同，跨平台时还要逐个迁就字数和调性。结果就是花了时间，候选标题却既不够多样、点击率也没把握。 同一主题 · 手写标题 标题 1 · 句式雷同 标题 2 · 钩子重复 标题 3 · 超出平台字数 标题 4 · 不确定能不能过审 … 这个技能能帮你拿到什么 它把"想标题"拆成两步：先按指定平台调出对应的标题公式框架，再让模型结合主题和关键词把框架填充成完整、贴合内容的标题，而不是只丢给你一堆空模板。一次调用会做四件事：从主题里提取三到五个关键词；按平台的字数与风格生成标题；支持小红书、公众号、抖音、知乎、B 站、微博分组输出；并在数字、反差、悬念、警告、情绪共鸣等多种角度间切换，方便你横向比较哪种钩子更合适。 主题 + 平台 + 关键词 公式框架 + 语义填充 小红书 / 公众号 抖音 / 知乎 B 站 / 微博 分组标题 可直接用 它不只生成新标题，也能为已有标题给出改写方向：当一条标题点击率偏低时，可以让它换成更有悬念或利益点的版本，同时守住平台字数和安全表达。 用前须知 该技能通过 Python 运行内置脚本生成标题，无需 API Key。调用前请提供内容主题、目标平台和关键词；标题的最终好坏与所用 AI 模型的语言能力有关。 怎么用它 用法是用自然语言把选题、平台和约束说清楚，不用记参数也不用手填模板。例如可以这样对它说： 可以这样对它说 "给这篇小红书减脂经验起十个标题，别碰医疗承诺和绝对化词，标题别像模板。" "公众号文章讲普通人副业，标题要有悬念但别夸张，控制在三十字以内。" "同一个选题拆成抖音和知乎标题，各自贴平台语气，每个平台五个。" 它适合这些场景：自媒体创作者要为同一主题批量产出不同平台的标题；已有标题点击率偏低，想改成更有悬念或利益点的版本；运营团队需要横向比较小红书、公众号和短视频的标题表达差异；内容涉及医疗、金钱等敏感方向时，需要改写成更安全的平台说法。 大家常问 带悬念的标题和"标题党"到底怎么区分？哪些写法会被算作标题党？ 分界线不在用没用悬念，而在正文有没有兑现承诺。悬念标题是"留白"——省略的是非核心细节，正文会把暗示完整接住；标题党是"欺骗"——扭曲或省略的是核心事实，正文要么打折、要么逃避。常见标题党句式有事实扭曲（"震惊！其实是…"）、悬念断层（标题留的坑正文不填）、数字虚假、情绪绑架、虚假打折，本质都是消耗读者信任。 小红书标题里说的"钩子"到底是什么？和正文里的卖点是一回事吗？ 钩子不等于卖点，是两件事。钩子作用在用户阅读正文之前，任务是在信息流里拦截注意力，靠的是好奇心缺口、损失厌恶、自我相关性这类心理刺激，让人产生"必须点开看看"的冲动；卖点作用在阅读正文之中或之后，任务是用信息密度和论证完成价值交付，让人收藏或购买。钩子不够没人点开，卖点不够没人记住，好标题两者都要顾。 为什么同一个选题，小红书的标题钩子和公众号的标题钩子写法不一样？ 核心差异在流量分发机制和阅读场景。小红书是发现式浏览，用户在瀑布流里被动刷新，决策时间只有 0.5–1.5 秒，钩子必须短、强情绪、与封面协同制造惊讶或后悔感；公众号是订阅式阅读，用户主动打开关注列表，决策时间 3–5 秒，钩子可以更长、更理性，靠权威感与认知升级承诺取胜。同一个心理学原理（好奇心缺口、社交货币）在两个平台的表达强度和句式骨架都要重写。 为什么把一个具体数字放进标题里，点击率往往会变化？ 具体数字会触发"精确性启发"——大脑把精确度等同于可靠度，"3个框架"比"几个方法"更让人相信内容有结构。数字还提供阅读成本预期，形成"已完成 X/N"的进度感知，把模糊任务变成可计量任务，点击冲动更强。奇数（3/5/7）显得精炼真实，偶数（6/8/10）显得完整系统，过大的数字反而会触发"是不是注水"的怀疑机制，所以不是越大越好，要按内容深度选区间。 想用上这个技能？ 「爆款标题生成」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 做 A 股量化分析
「牛牛量化分析」是「龙虾部署大师」技能市场中的 A 股量化技能：它以 Tushare 为数据源，把行情查询、均线及技术策略回测、技术面/基本面选股、买卖信号生成这四类任务统一成可执行的脚本流程，输出价格、涨跌、收益率、回撤、夏普比率、得分与风险提示等结构化结果。 技能效果 查贵州茅台行情时，它拉来近期日线数据，算出MA5、MA20和量能，逐日给出均线信号与综合建议，整理成一张表。 A 股量化分析，难在哪一步 难点不在"想法"，而在"算"这一步：自己用脚本做行情查询、策略回测和选股，要先把数据源接通、把依赖装齐，再为均线、MACD、KDJ、布林带等每一种策略分别写回测逻辑，最后还得把一堆 JSON 结果翻译成能看懂的收益、回撤、夏普比率。环节一多，口径就容易乱——这次用的数据源和上次不一样，回测窗口也对不齐，结果之间没法横向比较。「牛牛量化分析」要解决的，正是把这条链路收敛成一个统一、口径一致的流程。 四类任务，一个统一入口 行情查询 策略回测 智能选股 交易信号 统一脚本Tushare 表格 这个技能能帮你算清什么 它先确认你的意图属于哪一类任务，再走同一套量化脚本处理 A 股数据，最后把结果整理成表格或文字说明。具体覆盖四块：行情查询返回某只股票的价格、涨跌与成交量；策略回测针对均线、MACD、KDJ、布林带等给出收益率、最大回撤、夏普比率；智能选股按技术面、基本面或资金面筛出一批候选股；交易信号基于历史数据给出买、卖或观望的判断，并附上依据和风险提示。 回测一条策略，看这几项指标 收益率 最大回撤 夏普比率 买卖信号 风险提示 维度先拆开看，再综合判断 用前须知 该技能需要 Tushare Token 并配置 TUSHARE_TOKEN，依赖 Python 及 tushare、pandas、python-dotenv、pandas-ta 或 ta。它的数据源限定为 Tushare，不替换为其他来源，口径因此保持一致。回测与信号均基于历史数据，仅供研究参考，不构成投资建议，也不承诺任何收益。 怎么用它 用法是把你要查的股票、要回测的策略或选股条件用自然语言说清楚，不需要记参数，也不用自己决定调哪个脚本。例如可以这样对它说： 可以这样对它说 "用 Tushare 查 600519 的近期行情，再出一个交易信号，按表格呈现。" "回测贵州茅台 250 天均线策略，列出收益、回撤和夏普比率，几个维度先拆开看。" "从 A 股里筛出技术面排名前十的股票，只用沪深北数据源，把样本口径先写清楚。" 它适合这些场景：查询某个 A 股代码的近期价格、涨跌和成交量；投研时回测均线、MACD、KDJ 或布林带策略的历史表现；按技术面、基本面或资金面筛选一批候选股；以及基于历史数据生成买、卖或观望信号并附上风险说明。适用于 A 股量化爱好者、投研人员和希望用脚本化方式做行情查询、回测与选股的用户。 大家常问 量化回测里的夏普比率是什么意思？数值越高就一定越好吗 夏普比率衡量每承担一单位风险能拿到多少超额回报，即收益与波动的比值，越高代表性价比越好。但数值高不一定更好：可能是回测过拟合或样本偏差所致，实盘未必成立，需结合最大回撤等指标一起看。 看一条量化策略的好坏，最大回撤和夏普比率哪个更重要 两者衡量维度不同，不能互相替代。最大回撤反映最坏情况下账户能亏多少，夏普比率反映风险调整后的收益效率。实务中常先用最大回撤做生存门槛筛掉扛不住的策略，再用夏普比率排名，哪个更重要取决于资金属性和承受能力。 量化里说的交易信号是什么？它和买卖点是一回事吗 交易信号是策略在满足设定条件（如均线金叉、指标突破）时发出的可执行指令，回答的是"为什么做"。买卖点是信号触发后具体在什么价格、什么时间下单，回答的是"什么时候做"。两者相关但不等同，信号触发不等于立刻成交。 量化策略的历史回测结果，能直接照搬到实盘吗 不能直接照搬。回测与实盘之间隔着滑点、交易成本、幸存者偏差、前视偏差和过拟合等多重鸿沟，容易高估收益。回测只是策略开发的起点，应再经样本外测试、模拟盘和小资金实盘逐步验证，对结果始终保持怀疑。 想用上这个技能？ 「牛牛量化分析」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。
怎么回复crush的消息
「聊天关系助手」是「龙虾部署大师」技能市场中的关系沟通技能：作用是在约会、暧昧和亲密关系的聊天里帮你优化消息回复、分析对话信号、还原截图内容并给出约会建议——它先识别请求属于回复教练、关系分析、约会方案还是截图提取，再结合本地的用户与对象档案给出推荐回复、备选语气、风险提示和后续分支。 技能效果 面对对方一句“哈哈”，它给出三种不同语气的接话版本，并说明各自适用的聊天氛围。 聊天卡壳时，到底难在哪 难点不在于不会打字，而在于拿不准分寸。和 crush 的聊天里常见三种卡点：一是回复时机和语气难拿捏，crush 一句"哈哈"该怎么接才不显得太急、又不冷场，往往要在对话框里删删改改；二是看不清关系信号，最近聊天是变冷了还是只是忙，对方主动性的变化意味着什么，凭感觉容易误判；三是上下文容易断片，跨越多天的对话和不同对象的偏好混在一起，建议前后不一致就显得不真诚。 同一句消息，三种语气分支 对方："哈哈" 轻松接梗 温和延续 试探推进 每种都附：风险提示 + 下一步分支 尊重、低风险、不越界 这个技能能帮你做什么 它把"该怎么回、关系到哪一步了"拆成可参考的判断。它维护本地的用户档案、目标对象档案和长期记忆，从而在多轮对话里复用关系上下文，让建议保持连贯。具体能力分四块：为回复、开场白、私信和改写提供多种可直接复制的方案，并标好不同语气；从聊天截图里提取出可确认的文本，先帮你还原对话、再基于确认的内容给建议；输出关系信号分析，判断升温降温和健康的推进节奏；给出低风险的下一步动作和约会邀请文案。每次会话的摘要会写入本地日志，以保持后续建议一致。它在设计上强调尊重对方、避免操控、骚扰或越界，推进节奏保持低风险。 识别请求类型 回复/分析/约会/截图 读本地档案 复用长期上下文 多语气方案 + 风险与分支 写入 日志 用前须知 该技能无需外部 API Key，依赖 Python 辅助脚本维护本地 Markdown 状态，截图分析需要运行环境支持图像读取，所有记忆默认写入本地目录。它给出的是沟通参考与表达建议，最终怎么回、是否推进由你自己决定；它不会替你做出操控或越界的行为，也建议把尊重对方放在第一位。 怎么用它 用法是把对方的消息、聊天截图或你的目标用自然语言交给它，它会给出可复制的回复和判断。例如可以这样对它说： 可以这样对它说 "crush 刚回了一个'哈哈'，我该怎么接才不显得太急？给三种语气版本。" "这几张聊天截图先帮我整理成对话，再判断 crush 是不是在降温，然后写一句回复。" "把周末约 crush 吃饭的消息写得自然点，别像模板，带点轻松的试探和分寸。" 它适合这些场景：收到 crush 的消息后，想快速挑一个合适语气的回复；想判断近期聊天变冷、对方主动性变化或关系推进是否健康；上传聊天截图、希望先还原对话再分析下一步；以及计划约会却缺地点、预算和邀请话术的时候。 大家常问 暧昧期对方回复变冷的常见信号有哪些？ 常见三类信号：一是参与度下降，对方连续多轮不发起新话题、不反问、回复变短；二是节奏改变，间隔拉长且内容质量同步下滑（单纯忙碌通常只是间隔变长）；三是情感标记减少，"哈哈""好呀"等语气词密度持续下降。聊天关系助手把这些维度做成纵向基线对比，再结合依恋模式给出回应建议。 焦虑型依恋和回避型依恋在回消息节奏上有什么核心区别？ 焦虑型偏快且密集，对已读不回高度敏感，未回时容易补发追问、圆场或自责；回避型偏慢且波动大，无关话题可能秒回，涉及情感亲密就显著延迟，且很少为连接本身主动发起。聊天关系助手会分析回复时间分布与消息链结构，区分两种依恋驱动，避免把"她的催"和"他的躲"误读成性格问题。 约会邀请话术听起来像模板会带来什么问题？ 模板话术会破坏沟通中的真实性信号：缺乏对双方互动历史的引用、努力痕迹缺失、还会触发对方的"脚本识别"防御，让邀请被归到客服或搭讪模板里。聊天关系助手在写邀请时会接住此前聊过的具体话题、保留低压力的开放结尾，让对方拒绝有退路、接受有理由。 聊天截图里要看哪些信息才能判断对话是在升温还是降温？ 主要看三层：一是回应深度，长句、引用对方旧话、共鸣式接话偏升温，"嗯""好""知道了"等闭合回应偏降温；二是自我表露层级，从日程话题向感受、脆弱话题渗透是升温，回退到表层是降温；三是修复尝试是否被接住，连续示弱无回应就明显降温。聊天关系助手做截图转写后会按这三层交叉判断。 想用上这个技能？ 「聊天关系助手」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。
Shopify商品页转化怎么优化？给移动优先改版和实验
「Shopify 商品页转化优化」是「龙虾部署大师」技能市场中的商品详情页转化技能：它基于你提供的商品页链接、截图和转化数据，检查首屏视觉、信任信号、卖点结构、CTA 和页面速度，输出移动优先的改版建议和 A/B 测试清单，目标是提升加购率与购买率。 技能效果 给一个加购率偏低的蓝牙耳机商品页做转化优化时，它在保留图片的前提下重写了首屏主卖点、信任标识和加购按钮文案，并给出改前改后的对比。 商品页有流量，加购率却上不去 商品详情页是成交前的最后一公里，但很多店铺的页面"有流量、没转化"。问题往往不在引流，而在页面本身：首屏信息层级乱，标题、价格、评价、运费、加购按钮挤在一起，访客一眼找不到重点；缺评价、缺支付保障、缺退货承诺，新访客没有下单的信任理由；产品描述写得又长又满，没人愿意往下扫读；到了移动端，桌面端那套布局直接照搬过来，全宽 CTA 缺位，转化进一步落后。这些都是肉眼能感觉到不对、却说不清该先改哪里的典型情况。 改前：首屏杂乱 → 改后：层级清晰 标题 + 价格 评价 + 信任标识 可扫读卖点 全宽 CTA 加购 这个技能帮你检查和改进什么 它围绕商品详情页的转化要素做一次结构化诊断。首屏层面，它审查首屏视觉、标题关键词、价格透明度、评价展示、卖点表达和 CTA 的完整性；信任层面，它检查安全支付、退货政策、真实评价和专业背书，帮你搭起新访客愿意下单的信任体系；紧迫感层面，它按合规原则设计真实库存提示、促销倒计时和折扣展示，强调不伪造稀缺性；实验层面，它把主图数量、CTA、评价位置、价格格式等做成可执行的 A/B 测试清单。输出是移动优先的改版建议和实验方案，最终指向加购率、购买率和长期信任的提升。 首屏五项查清，逐项给改进与实验 主图数量/角度 标题价格关键词 评价信任背书 卖点可扫读 CTA全宽按钮 移动优先改版 + A/B 测试清单 用前须知 该技能无需 API Key 或代码依赖，分析基于你提供的商品页截图、文案、评价、价格、库存、配送承诺、转化数据和页面速度指标。它给出的是改版建议与实验方案，真正改动页面需要 Shopify 主题或后台的编辑权限。提供的资料越完整，建议越贴合实际。 怎么用它 用法是把商品页的链接或截图，连同当前的转化表现一起用自然语言交给它，由它诊断并给出改版建议。例如可以这样对它说： 可以这样对它说 "这个商品页加购率低，先帮我改首屏卖点、信任标识和 CTA 按钮文案。" "移动端首屏太乱，重新排一下标题、价格、评价、运费和加购按钮的顺序。" "产品描述太长没人看，压成可扫读的卖点，并设计一套首屏 A/B 测试方案。" 它适合这些场景：商品页流量充足但加购率偏低、需要重构首屏信息层级；移动端转化落后桌面端、要压缩文案并强化全宽 CTA；页面缺少评价、支付保障或退货承诺、影响新访客信任；以及促销期间想在不伪造稀缺性的前提下提升购买紧迫感。 大家常问 Shopify 商品页流量不少，但加购率和转化率一直很低，通常是哪些环节出了问题？ 这是典型的漏斗中部断裂，按优先级排查七处：主图太少缺场景说服力、首屏没建立信任（缺评分/支付/退货标识）、CTA 按钮不突出、产品描述只讲功能没讲解决什么痛点、缺真实的紧迫感、运费等隐性成本到结账才暴露、页面加载慢。本技能据商品页链接或截图逐项体检，给移动优先的改版建议和实验清单。 为什么同一个 Shopify 商品页，手机端的转化率往往比电脑端差？移动端首屏要注意什么？ 手机屏幕小、首屏信息密度低，关键信息要滚动两三屏才看到，加上加载更慢、点击成本高、信任信号被折叠，转化常低于电脑端。移动端首屏应在不滚动时就放齐：高质量主图、清晰标题、星级评价、价格、3 条卖点、全宽 CTA 按钮、配送与保障承诺。本技能按移动优先重排首屏层级并压缩文案。 商品页上的库存紧张、促销倒计时这类稀缺性提示，怎么做才算合规、不算虚假营销？ 合规底线只有一条：页面写的都要有后台真实数据支撑，且不同时间看到的逻辑一致、不矛盾。库存提示要对接实时库存、不虚构数字；倒计时终点要等于活动真实截止、归零后不自动重置循环；销量要来自真实订单、不能拿浏览或加购冒充。本技能按合规原则设计真实库存与促销紧迫感，不造假稀缺。 商品详情页的首屏（首屏可见区）一般指什么？为什么大家都强调要把卖点和 CTA 放在首屏？ 首屏指打开商品页无需向下滚动、第一眼就能看到的区域，移动端通常含主图、标题、价格、评分。强调把卖点和 CTA 放首屏，是因为用户注意力在首屏只停留三五秒、能滚到第二屏的约一半，再往后骤降；卖点决定是否感兴趣、CTA 决定是否行动，缺一不可。本技能会审查首屏层级并建议悬浮固定 CTA。 想用上这个技能？ 「Shopify 商品页转化优化」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。
1688以图搜源怎么做？按图找货源提19字段存CSV
「1688 以图搜源」是「龙虾部署大师」技能市场中的反向找货源技能：给定图片 URL 或本地图片，它构建 1688 以图搜索链接、等待页面加载后用固定选择器提取数据，把原图、1688 图片、产品链接、价格、销量、工厂年限、复购率、供应商等 19 个字段整理成本地 CSV 或 JSON。 技能效果 演示用一张蓝牙耳机产品图在1688以图搜源时，它讲清了从图片到货源的六步流程，列出能匹配到的报价区间、起订量、发货地等字段，并说明结果会存成CSV和JSON。 看着竞品图找货源，慢在哪 跨境选品里有一类高频动作：看到一张竞品图或一款产品图，想反查它在 1688 上的同款或相似货源。人工做这件事很慢——要一张张上传图片到 1688、在搜索结果里逐条点开、再手动抄录价格、销量、工厂年限、复购率、发货地这些字段。一批图片搜下来，不仅耗时，抄录还容易漏字段、记错价，几十款产品的供应商候选清单很难快速成形。 人工逐张搜、逐条抄，越多越慢 竞品图 手动上传 逐条点开 人工抄字段 易漏价/销量 表很慢 这个技能能帮你拿到什么 它把"以图找货源"做成一条标准化、可校验的流程。输入上，它支持图片 URL 列表和本地图片文件两种模式；检索上，它构建 1688 以图搜索链接，并等待页面完整加载后再用固定的 DOM 选择器提取数据；校验上，它对每条结果强制核验产品图片、链接、价格、销量、供应商等 19 个字段的完整性，缺字段不会蒙混过去；交付上，它把结果保存为本地 CSV 或 JSON，并明确返回文件路径。输出覆盖原图链接、1688 图片、产品链接、名称、价格、销量、工厂年限、复购率、服务评分和供应商信息——这些正是选品对比时要看的维度。 图片 URL 或本地图 1688 以图搜 等页面加载 提取 + 校验 19 个字段 缺一不放过 CSV / JSON 用前须知 该技能需要可用的浏览器自动化能力和访问 1688 的网络，输入可以是图片 URL 或本地图片，结果保存为本地 CSV/JSON，无需外部表格工具。它依赖 1688 页面结构，当页面结构变化导致字段缺失时，它会停止任务并记录错误信息，而不是返回不完整的结果。它做的是相似产品检索，匹配结果仍需你结合实际比对确认。 怎么用它 用法是把要找货源的图片来源用自然语言交给它，说明保存格式即可。例如可以这样对它说： 可以这样对它说 "用这几张产品图去 1688 找相似货源，结果同时保存成 CSV 和 JSON。" "亚马逊选品想反查供应商，图片链接都在表里，按行逐个搜索并保存结果。" "搜不到商品链接时用站内搜索页兜底，保存前确认 19 个字段别漏。" 它适合这些场景：亚马逊运营要根据竞品图片快速寻找 1688 相似货源；采购团队要批量搜索多个产品图、导出供应商候选清单；选品人员要对比价格、销量、复购率和发货地等字段；以及页面结构变化导致字段缺失时，需要明确停止任务并记录错误的稳妥处理。 大家常问 1688 以图搜源（按图搜款）找货源，为什么有时候搜出来的是相似款而不是一模一样的同款？ 因为以图搜图走的是图像特征匹配，不是比对同一张原图：系统把图转成特征向量，再找指纹最接近的商品，相似度达阈值就展示。常见于上家换了主图、图片被裁切调色加水印、该商品本就没在 1688 上架，或没找到高置信度匹配而降级展示相似款。用无水印主图、裁掉背景只留商品主体，能提高找同款命中率。 亚马逊选品时为什么很多人会用竞品主图反查 1688 货源？这种以图找源能看出什么？ 亚马逊很多产品是从源头工厂采购后贴牌或轻微改款发到 FBA，用竞品主图反查 1688 等于逆向追溯供应链、把零售品还原到出厂状态。能看出出厂价与利润空间、最小起订量和阶梯定价、同款供应商数量（竞争密度）、更细的材质尺寸规格，以及工厂是否支持 OEM/改款，判断能否做差异化。本技能可批量按图取回这些字段。 在 1688 上看供应商，复购率、工厂年限、服务评分这些字段分别说明什么、怎么理解？ 复购率是老客户再次下单占比，越高越说明质量稳定、交期靠谱，但新店基数小易虚高，要结合年限看；工厂年限反映抗风险能力和供应链成熟度，一般 3 年以上较稳；服务评分多拆响应、发货、买家评价三项、满分 5 分，低于 4.5 要警惕。建议组合判断、先初筛再发样品单。本技能会把这些字段一并抓取下来对比。 用图片在 1688 以图搜源时，为什么有时会搜不到对应的商品，或者抓取到的字段不完整？ 搜不到多因图片过小、被过度精修抠图、含密集文字水印或是杂乱场景图，也可能商品已下架、本就不来自 1688，或图片走防盗链 CDN 被拒抓。字段不完整则多是页面异步加载没等够——价格、销量、复购率等字段是分批后到的，或小厂本就没填这些数据。本技能要求等加载完成再提取，并校验图片链接与 19 字段完整性。 想用上这个技能？ 「1688 以图搜源」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。
退货流程设计方法，打通RMA门户到仓库验货退款
「退货流程设计」是「龙虾部署大师」技能市场中的退货执行链路设计技能：它聚焦退货怎么走，而非政策条款本身，覆盖自助 RMA 门户、预付费退货面单、物流追踪、仓库隔离验货、退款换货积分等处置逻辑，并强调实物验货前不得自动重新上架。 技能效果 把全靠邮件的退货改成自助流程时，它设计了从申请到退款的九状态流转，定好自动通过与人工复核的判定规则，还排了面单生成、质检和卡点提醒。 退货执行卡在哪里 退货流程和退货政策是两回事：政策决定"能不能退"，流程决定"退起来顺不顺、会不会出乱子"。很多店铺的退货执行还停留在客服邮件来回的阶段——客户发邮件申请、客服手动核对订单、再人工开面单，效率低且容易漏。更隐蔽的风险在仓库一端：如果退回的货在实物验货前就自动回流库存，问题商品会被重新卖给下一个买家；而高频退货用户、重量对不上、序列号被掉包等欺诈信号，若没有节点去拦截，损失只能事后追。客户体验、仓库操作和财务退款这三段如果衔接不上，整条链路就会处处掉链子。 现状：靠客服邮件串起来，节点全靠人 邮件申请 人工核对 手动开单 货直接回流 未验先上架 风险：响应慢、易漏单、问题商品被二次卖出、欺诈无人拦 这个技能帮你把流程设计成什么样 它把退货执行拆成一条端到端的链路来设计。入口环节，它规划自助 RMA 门户、订单校验和退货申请的状态同步，让客户自己发起退货或换货；物流环节，它设计承运商 API 生成的预付费退货面单和追踪链接；仓库环节，它规划隔离区、验货清单，以及退款、换货、店铺积分和无需退货保留商品等处置触发点；风控环节，它通过重量差异、序列号核验、退货频率和照片证据识别欺诈风险。整条链路始终守住一条原则：实物验货通过前，库存不得自动回流上架。 ① 自助 RMA 门户发起 ② 预付费面单 + 追踪 ③ 仓库隔离区 · 实物验货 重量 / 序列号 / 频次 / 照片核验 退款 换货 店铺积分 无需退货保留 用前须知 该技能做的是流程方案设计，本身无需 API Key。若要把自助 RMA、预付费面单或退款换货真正自动化落地，需要 Shopify/WooCommerce、WMS 和承运商 API 的凭证及后台权限。它区分流程设计与政策规则的边界，不直接执行平台操作。 怎么用它 用法是把当前的退货执行现状和要解决的问题用自然语言交给它，由它产出流程方案。例如可以这样对它说： 可以这样对它说 "现在退货全靠客服邮件，帮我设计一个自助 RMA 申请、面单和审核的流程。" "退回的商品要分退款、换货和店铺积分，验货节点也加上完整的判定标准。" "高频退货用户怎么风控，流程里要能拦住异常订单和退货欺诈。" 它适合这些场景：想减少客服邮件往来、让客户自助发起退货或换货；需要按商品价值和退货原因选择退款、换货、积分还是无需退货；仓库验货前必须阻止库存自动回流、避免问题商品重新销售；以及高价值电子、跨境订单或礼品退货需要更细的风控与处置路径。 大家常问 设计退货流程时，为什么实物验货之前绝对不能让库存自动重新上架？ 因为退回的可能是空箱、错货、损坏或已使用商品。验货前就置为"可售"会污染库存：前台显示有货、客户下单、仓库却无货可发，造成超卖客诉；还可能把问题商品直接发给下一位买家，并放过空箱、序列号调包、借穿式等退货欺诈。正确做法是先入"隔离区"（不计可售库存），逐项验货通过后再移入良品区上架。 退货、换货、店铺积分和"无需退货"这几种处置方式，分别适合什么情况？ 退货退款是非质量或质量问题的标准方案；换货适合尺码、色差、瑕疵换新等客户仍想要该款的情况，能把客户和营收留在店内；店铺积分是"做让步又控风险"的折中，适合超退货期仍想让步、想锁定复购或高退货率客户；无需退货（退款不退货）适合低于退货运费的低价值、易腐、大件或卫生不可二次销售的商品，成本最优。 什么是 RMA，自助 RMA 门户和传统客服邮件退货比好在哪？ RMA 即退货授权，每笔退货生成唯一编号用于全程追踪。传统邮件退货靠客服来回沟通，响应要 24–72 小时、进度不透明、人工易错、难规模化。自助门户让客户在线提交、系统按规则自动审核并生成 RMA、出退货标签与物流追踪、退款自动触发，实时、零录入错误、边际成本趋近于零，可覆盖八成常规退货，异常案例再转人工。 退货流程里怎么识别退货欺诈，通常看哪些信号？ 常见欺诈有空箱退货、穿用后掉包、假货掉包、自损谎称收到即坏。识别信号主要看：客户退货频次与退货率是否远超店铺均值、退回包裹重量与发货重量偏差（>10% 高风险）、条码序列号与发货记录是否一致、包装配件是否齐全、多账号是否关联同一地址。按低/中/高风险分级自动退款、要凭证或寄回质检，并按品类设阈值、留好证据链。 想用上这个技能？ 「退货流程设计」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