如何用 AI 拆创业点子做 MVP
「婚礼策划」是「龙虾部署大师」技能市场中的商业想法执行计划技能：尽管名字叫婚礼策划，它实际定义的是一套用第一性原理拆解任意项目构想、并压缩成快速验证计划的流程，作用是把一个模糊的创业点子，输出成 10 倍愿景、48 小时 MVP 范围、内部备忘录和首周作战计划，用强约束推动想法在一周内落到可执行任务。 技能效果 把本地陪诊服务的点子交给它，它拆出48小时MVP的关键里程碑，明确MVP不做App只用微信和人工，并排好第一周工时。 有了想法，为什么迟迟落不了地？ 很多创业点子停在"想"的阶段，不是因为方向错，而是没被逼着收敛。一个 SaaS 或服务构想，常常一开始就背上一长串"应该有"的功能，范围越铺越大，迟迟定不下来先做什么；缺少明确的截止日期和工时约束，验证就被无限期推后。等到真要动手，又会卡在"先做哪个、不做哪个"的取舍上。 问题的根子是：没有人替这个想法做减法，也没有把它压成一个周末就能跑起来的最小版本。结果是热情很多，进度很少。 想法太大 → 强约束压缩 → 周末可跑 功能一大堆 范围发散 第一性原理 48 小时 MVP 最小可验证范围 这个技能能帮你做什么？ 这个技能用强约束的方式逼想法落地。它先解析模糊的构想，直接界定产品、服务、流程或商业模型的假设；再用第一性原理拆解行业惯例、物理边界和真实约束，剥掉那些"大家都这么做"的默认项；然后把范围压缩成 48 小时 MVP，明确限定要用的工具、要做的功能和坚决不做的事；最后输出 10 倍愿景、内部备忘录（Musk Memo）和一张七天任务工时表，把"想法"变成"这周每天干什么"。 界定假设模糊想法 → 明确 第一性原理拆解剥掉惯例 压缩 MVP定工具 / 不做项 首周作战计划每日任务 + 工时 它的特点是不绕弯：信息模糊时直接假设推进、不反复追问澄清，再用截止日期和工时上限倒逼范围收敛。 用前须知 该技能无需 API Key、运行环境或外部服务器。需要明确的是，它实际生成的是商业想法的执行计划，而不是传统意义上的婚礼流程安排——如果你需要的是真正的婚庆筹备，这个技能并不适用。它的工作方式是不追问澄清、直接基于假设输出行动计划。 怎么用它？ 用法是把你的点子或商业目标一句话抛给它，把工时上限和验证目标讲清楚就行。例如可以这样对它说： 可以这样对它说 "我有个本地陪诊服务点子，按 48 小时 MVP 拆执行计划和首周工时。" "这个 AI 简历产品想验证盈利，按第一性原理拆透，再定周末 MVP 范围。" "把宠物寄养平台做成首周作战计划，每周任务别超 70 小时。" 它适合这些场景：创业者想把模糊的 SaaS 点子转成首周可执行计划；团队需要判断一个项目是否具备快速验证和商业化路径；资源有限时要砍掉非必要功能、定义周末 MVP；业务负责人希望用强约束计划，推动七天内交付原型。 大家常问 第一性原理拆解创业点子和传统市场分析的核心区别是什么？ 传统市场分析是归纳法：看现有玩家的份额分布，找空白地带去填补；第一性原理是演绎法：从底层假设出发，推导哪些旧约束会消失。AI 在拆解时充当约束识别器，系统枚举一个底层假设波及的整张约束网络，而不是只看到最直观那一层。 为什么很多创业团队的 MVP 最终做成了完整产品而不是最小验证？ MVP 膨胀成完整产品的根子是范围界定缺乏结构约束：拆解颗粒被当成功能模块而非假设、验证目标被产品目标替换、工时与产出未量化。AI 在这里的作用是构建假设树、把功能裁剪判据从"用户是否喜欢"换成"没有它核心假设能否被验证"。 48 小时 MVP 和最小可爱产品（MLP）的本质差异是什么？ 48 小时 MVP 回答"这能做吗"，靠极短时间窗口验证核心商业假设；MLP 回答"这人会喜欢吗"，在核心交互路径上注入情感共鸣。两者是阶段递进关系：先用 MVP 判断方向，再用 MLP 提升体验。AI 在 MVP 阶段是约束引擎，在 MLP 阶段是创意放大器。 想用上这个技能？ 「婚礼策划」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。
抖音账号怎么分析？抓视频互动数据排序并解读内容策略
「抖音趋势分析」是「龙虾部署大师」技能市场中的账号分析技能：它针对指定的抖音作者主页或视频链接，分析账号概况、近期视频表现、互动数据、播放量补充和评论风向。它依赖 web-extract 抖音工具获取真实数据，分析前先做账号匹配、数据合理性和视频数量验证，输出可包含作者概览、视频表现排行、互动得分、高效内容特征、评论情绪分布和内容策略建议，不处理热榜、下载或写操作。 技能效果 分析一个抖音创作者主页时，它给出账号概览，并按点赞把近期视频的互动表现排了序。 账号复盘，为什么常常只看了个点赞数 做账号复盘和达人评估时，难点不是看不到数据，而是把分散的数据整合成可判断的结论。一条视频火了，到底是题材、形式还是发布时间起了作用？评论区是真喜欢还是在吐槽？多数人翻完主页只记住了几个点赞数字，却说不清"近期哪几条最有效、它们的共性是什么、评论风向偏正还是偏负"。更现实的风险是，凭印象拿错账号的数据下结论，复盘的方向从一开始就偏了。 主页 作者概况 点赞/评论 收藏/分享 播放补充 互动得分排行 + 高效内容共性 + 评论风向 这个技能能分析出什么 它面向单个账号或单条视频做深度分析，而不是看平台大盘热点。给定作者主页或视频链接后，它获取作者的视频列表及点赞、评论、收藏、分享等互动数据，按互动得分对视频排序，识别近期表现最好的内容及其共同特征；对单条视频，它调用评论和深度数据工具，分析用户反馈与表现，给出评论情绪分布。输出可以是作者概览、视频表现排行、互动得分、高效内容特征、评论情绪分布和内容策略建议。 它有两条明确边界：一是会先执行账号匹配、数据合理性和视频数量验证，防止误用错误账号的数据；二是不编造播放或互动数字，确保分析来源可追溯。它也不处理热榜、下载或任何写操作。 账号匹配合理性验证 互动得分排序识别高效内容 评论情绪风向分布 策略建议 用前须知 该技能无需单独的 API Key，依赖 AI 助手的 web-extract 抖音工具获取数据。公开数据优先，必要时需要在托管浏览器中登录抖音才能取到更完整的信息。 怎么用它 用法是把作者主页或视频链接连同你想看的角度交给它。例如可以这样对它说： 可以这样对它说 "分析这个抖音作者主页，找最近视频里互动最强的几条并排序。" "这条视频评论看看风向，正负面和高频话题分开说，再挑可复用的反馈。" "这个账号近三十天的内容表现做个排行，说明爆点共性，别只报点赞数。" 它适合这些场景：运营团队提供主页链接、想找出近期表现最好的视频；品牌方评估达人时查看粉丝、作品和近期互动质量；内容团队分析某条视频的评论情绪和反馈主题；以及账号负责人基于近期视频数据调整题材、发布时间和形式。 大家常问 抖音完播率到底是什么？多少算正常、多少能继续推送？ 完播率=完播次数÷播放次数×100%，衡量用户是否完整看完视频。它是相对指标，没有固定及格线，需按同时长、同品类、同账号历史基准线纵向对比。显著高于你账号近30天该品类均值的视频，更容易被判定为"值得继续推送"。 抖音的互动率怎么算？和"互动指数"是同一回事吗？ 互动率=（点赞+评论+分享+收藏）÷播放量×100%，各项等权，公开透明；互动指数是平台算法内部对参与质量的加权评分，评论、转发、关注转化等深度行为权重远高于点赞，公式不公开。两者不等同：互动率看"广度"，互动指数看"深度"。 抖音的流量池是什么？为什么同一个账号有时视频几百播放、有时能破万？ 流量池是推荐系统的分层放大机制：从200-500初级池起，按完播率、互动率、关注转化等指标逐层考核，达标才进下一级。同账号播放量大幅波动，主要源于"内容方向 vs 历史粉丝画像"的匹配度差异、内容形态的完播适应性、发布时段竞争强弱与账号短期权重浮动。 抖音爆款视频的共性有哪些？为什么很多账号粉丝多却出不了爆款？ 爆款共性：前3秒钩子住人、加权完播率高（15秒视频≥60%）、收藏与转发权重大、均播占比高、推荐Feed占比>80%。大号难爆是因为粉丝量≠基础曝光，关注页推送占比极低；老粉画像锁定导致新形态完播率被拉低，算法冷启动样本方差小，反而难出现异常正反馈。 想用上这个技能？ 「抖音趋势分析」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。
广点通投放成本怎么用 AI 优化
「广点通投放分析」是「龙虾部署大师」技能市场中的广告数据分析技能：它查询腾讯 ADQ 账户的余额、预算、账户信息、广告组、创意、日报、小时报和实时数据，按账户、广告组、创意三个层级输出消耗、CTR、CPC、转化、转化成本、ROI 等指标，并能生成综合汇总报告与多层监控巡检，识别余额预警、预算耗尽、成本骤升、CTR 下滑和创意异常。它只做查询，不写入、不修改任何投放设置。 技能效果 分析广点通投放时，它按素材算出各自的转化成本，把转化成本高达230元的素材丙标红，并说明异常原因。 每天盯广点通数据，问题出在哪 投放优化的日常是被数据牵着走：早晨要看账户余额够不够、昨天整体消耗与转化如何；创意出问题时要翻创意列表和近期报表找原因；广告组的 ROI、转化成本一波动，又得按层级拆开看。腾讯 ADQ 的后台数据分散在账户、广告组、创意、日报、小时报、实时等多个维度，人工逐个页面翻查既慢又容易漏掉关键异常——余额快耗尽、某个广告组成本突然飙升、转化归零，往往等到影响放大了才被发现。 人工逐页翻 ADQ 后台 账户余额 广告组报表 创意列表 日报 小时报 实时数据 异常常常被翻漏：成本骤升 · 转化归零 · 余额见底 这个技能能帮你看清什么 它把分散在 ADQ 后台的数据整合成可读的分析结果。查询层面，它能取账户信息、余额、预算、广告组列表和创意列表，并获取账户、广告组、创意、日级、小时级和实时六种报表；汇总层面，它生成 summary 综合报告，把账户、报表、广告组和创意表现汇成一份；巡检层面，它执行 monitor 多层巡检，自动识别余额不足、预算耗尽、转化归零、成本突增和 CTR 下滑等异常。所有指标——消耗、CTR、CPC、转化、转化成本、ROI——按账户、广告组、创意三个层级拆得清清楚楚。 账户层 广告组层 创意层 实时/小时 消耗 · CTR · CPC · 转化 · 转化成本 · ROI 对例行巡检尤其有用：它会把余额预警、预算耗尽、成本骤升、CTR 下滑和创意异常逐项标出并排序，让需要优先处理的广告组和创意一眼可见，而不是淹没在大段报表里。 用前须知 该技能需要腾讯广点通的 Access Token 或 OAuth 授权信息，并提供 account_id；长期使用可保存 Token，本地自动刷新。运行依赖 Python 脚本和已构建模块。它只执行查询，不会写入或修改任何投放设置，输出的分析与异常提示仅供运营决策参考。 怎么用它 用法是把你关心的账户和时间范围用自然语言说清楚，无需记接口名和参数。例如可以这样对它说： 可以这样对它说 "看广点通账户昨天的消耗、转化成本和剩余余额，异常的标红说明，顺带按素材分组。" "巡检这个广告主账户，把预算不足和成本突增的广告组标出来并排序，记一下投放天数。" "拉近七天的创意报表，找出点击高但转化差的素材编号、花费和审核状态。" 它适合这些场景：投放人员早晨快速查账户余额和昨日整体消耗表现；创意审核或转化异常时查创意列表与近 7 天报表；广告组 ROI 或转化成本波动时按账户、广告组层级拆解；以及需要自动巡检预算不足、转化归零、成本骤升和 CTR 下滑的日常监控。 大家常问 在广点通投放数据分析里，oCPM 和 oCPC 这两种出价方式有什么区别？ 核心差异在扣费与优化重心：oCPM 按千次展示扣费、走"展示→转化"全链路，跑量更快、波动小，适合放量期；oCPC 按点击扣费、盯"点击→转化"漏斗，点击成本可控，适合测试或预算有限期。分析时 oCPM 重点看展示量与 CPM，oCPC 重点看 CTR×CVR。 广点通某个广告组的转化成本突然升高，通常说明什么问题？ 很少是单一原因，要逐层排查：先看转化回传是否延迟或骤降导致模型误判，再看是否处于学习期或近期改过出价、定向、素材，接着查自动扩量、人群包过期或排除包失效，最后看素材是否疲劳、某个版位成本异常。趋势比单值重要，断崖式跳升多半是回传故障或模型崩溃。 广点通投放里说的"跑量"是什么意思？素材衰退一般怎么从数据上看出来？ 跑量指广告在单位时间内消耗预算的规模与速度：跑得动说明系统能稳定拿到转化、预算花得出去；跑不动多是出价竞争力不足或竞争激烈。素材衰退的信号是 CTR 连续下滑、触达频次升高（≥3 占比偏大）、消耗趋缓而转化成本上升，通常出现在投放一周后。 广点通投放分析中看的转化成本和 ROI 是什么关系？ 两者是同一枚硬币的两面：转化成本=消耗÷转化数，ROI=转化收入÷消耗。转化成本决定 ROI 的盈亏线，但并非严格反比——一份转化可能带来多笔订单，成本低不一定 ROI 高。分析要同时看趋势：成本稳而 ROI 降，问题在客单价或复购；成本升且 ROI 降，多是人群偏移或素材疲劳。 想用上这个技能？ 「广点通投放分析」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 实现并证明算法正确性
「研究工程师」是「龙虾部署大师」技能市场中的算法实现技能：用于严谨的算法实现、复杂度证明、并发结构和分布式系统等高风险场景，它先定义约束、批判错误前提，再给出无占位符、可编译运行的完整实现，并附复杂度分析、断言、单元测试或形式化验证说明，优先保证可验证的正确性。 技能效果 要它实现 Michael-Scott 无锁队列，它给出基于哨兵结点和 tagged pointer 防 ABA 的完整代码，逐步讲解入队出队的 CAS 协作，并证明两者均为 O(1)。 关键算法的实现，错不起在哪 实现无锁队列、并发哈希表、数值算法或分布式组件这类代码，难点不在"能跑"，而在"真的对"。常见的隐患有三类：前提没核就动手，问题本身可能数学不可能或计算不可行；代码看似完整，却留着占位符、伪实现或被悄悄简化的边界处理；复杂度只凭直觉判断，没有证明，性能瓶颈也没定位准。这类代码一旦在高风险场景出错，调试成本极高，事后排查往往比一开始就证明正确还要费力。 关键实现的三类隐患 前提没核可能本就不可行 占位 / 伪实现边界被悄悄简化 复杂度凭感觉无证明 高风险场景出错 → 调试成本极高 事后排查比事前证明更费力 这个技能用什么标准交付代码 它以科研工程标准处理问题，流程是：先定义约束与目标，必要时批判错误前提、直接指出数学不可能或计算不可行之处；再根据领域选择合适的实现语言（C++、Rust、Python、Julia、Go 等）；然后给出完整、可编译运行、错误处理齐全且没有占位符的实现；最后补上复杂度证明、断言、单元测试或形式化验证说明。它强调零幻觉、反简化、客观批判与正确性证明，把性能优化分层、对准实际瓶颈，整体偏重可验证的正确性而非入门式解释。 批判前提可行性 选型C++/Rust/Go 完整实现无占位 · 可编译 证明 + 测试 + 复杂度分析可验证正确性 用前须知 该技能无固定 API Key，会依任务选择编译器或运行时（如 C++20、Rust、Python、Julia 等）。它生成的代码应在对应工具链中实际编译或测试后再投入使用。该技能定位为"高风险实现前的严肃校验"，偏重正确性，不适合作为入门概念讲解。 怎么用它 用法是把要实现的算法或要审查的方案，连同约束和正确性要求一起交给它。例如可以这样对它说： 可以这样对它说 "实现一个 Michael-Scott 无锁队列，要可编译运行，并证明它的复杂度。" "把这个递归算法的复杂度重新推导一遍，指出错误前提并给出完整证明。" "用 Rust 写一个并发哈希表，别留占位代码和伪实现，把测试也补完整。" 它适合这些场景：实现图算法、数值算法、并发结构或高性能计算组件；需要证明递归、动态规划、数据结构或优化算法的复杂度；审查某个技术方案是否正确、是否过拟合或存在理论缺陷；为研究原型选择最合适的语言、库、测试策略和性能优化路径。 大家常问 为什么 AI 生成的算法代码经常看着完整、实际却留着占位符或伪实现、还跑不起来？ 因为模型学的是"代码长什么样"，不是"代码执行后是否正确"。它没运行过这段代码，遇到中间步骤就容易塞 TODO、pass 或被悄悄简化的边界，API 版本也可能对不上，所以看着完整、实际跑不通。可靠做法是把每段实现拆小、逐步验证再合并。 算法实现里，"能编译跑起来"和"可验证正确"是什么关系？两者差在哪？ 它们是两个层次。能编译跑只说明语法和环境没问题，没说算法本身正确；可验证正确还要求逻辑能复现、与论文或理论一致，并经得起断言、单元测试或形式化验证检验。前者靠跑通判断，后者要靠实验记录、对照实验和证明来支撑。 无锁队列这类并发数据结构，为什么"能跑通"并不等于"实现真的正确"？ 因为并发结构的执行路径随线程交错呈爆炸式增长，一次跑通只覆盖了极小一部分调度。竞态、内存序、ABA 这类 bug 是概率性的，单线程或少量测试根本碰不到，必须靠受控的对照实验、可复现的压力测试和正确性证明，而不是"跑了几次没崩"。 想用上这个技能？ 「研究工程师」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 按条件选股
「智能选股」是「龙虾部署大师」技能市场中的股票池筛选技能：它基于东方财富妙想 API，用自然语言按行情指标、财务指标、行业、板块、指数成分股等条件筛选 A 股、港股、美股、板块和 ETF，输出可直接打开的 CSV、结果说明和原始 JSON，帮助快速形成候选股票池。 技能效果 做今日选股时，它筛出涨幅超2%、成交额靠前的二十只A股，按半导体、PCB等板块分组，列出涨幅、成交额和换手率。 选股条件一多，筛起来就吃力 投研前期常要从全市场里圈出一批候选股：今天涨幅超过某个阈值的、市盈率低于某个倍数且股价高于某个价位的、某个行业里近期放量的。条件单看简单，叠在一起手工筛就吃力——要在不同筛选器之间反复切换、把结果导出再合并，口径稍有不一致就得重来。靠大模型凭记忆"推荐几只"更不可取，它的数据可能早已过时。「智能选股」要做的，是把自然语言条件直接翻译成对官方接口的筛选请求，一次跑出候选池。 多条件层层过滤，收敛成候选池 全市场标的 行情条件（涨幅/换手） 财务条件（PE/股价） 候选股票池 这个技能能帮你做什么 它的核心是"按条件筛"，和单纯查价格、查资讯不同。解析层面，它把自然语言选股条件解析为行情、财务或板块筛选请求；范围层面，支持 A 股、港股、美股、ETF、行业板块和指数成分股查询；输出层面，产出可直接打开的 CSV、结果说明和 API 原始 JSON；校验层面，它会核对接口状态、字段映射和返回数量，并提示空结果该如何处理。这样得到的候选清单基于实时官方数据，避免依赖大模型的过时信息做基础筛选。 自然语言条件涨幅/PE/行业 妙想 API 筛选 CSV 候选池+ 说明 + 原始 JSON 基于实时官方数据，按组看 用前须知 该技能需要东方财富妙想 API Key，通过 MX_APIKEY 环境变量设置；它用 Python 脚本输出 CSV、说明文本和原始 JSON，数据来自官方 API。它做的是按条件筛选、形成候选池，不对个股做推荐或评级，结果仅供研究参考，不构成投资建议。 怎么用它 用法是把选股条件用自然语言说清楚，并指定排序或取数口径。例如可以这样对它说： 可以这样对它说 "筛出今天涨幅超过 2%、成交额靠前且换手率不低的 A 股前二十只，按组看。" "找市盈率低于 20 倍、股价大于 50 元的沪深 300 银行股，按股息率排序。" "港股里股价大于 50 元、近三日放量的公司有哪些，按成交额降序，把口径写清。" 它适合这些场景：筛选今日涨幅超过特定阈值的 A 股或板块成分股；查找股价、市盈率、行业属性共同满足条件的股票；投研前期从自然语言条件生成候选股票清单；以及在模型知识可能过时时，用实时官方数据完成基础筛选。适用于投研助理、量化研究初学者、财经运营和需要快速形成股票候选池的数据分析人员。 大家常问 为什么按多个条件组合选股，通常比只看单一指标更可靠？ 单一指标只反映一个维度，低 PE 可能是价值陷阱、高 ROE 可能靠高杠杆堆出来。多条件取交集能让信号纯度提升、缩小踩雷概率，基本面、技术面、资金面互补，分别回答买什么、有没有人买、什么时候买，相互印证时决策才更稳。 基本面选股和技术面选股，本质上有什么区别？ 基本面选股研究企业价值，看 PE、PB、ROE、营收增速等财务数据，时间尺度偏中长期，假设价格终将回归价值；技术面选股研究市场行为，看均线、量价、MACD 等信号，时间尺度偏中短期，假设历史模式会重复。两者并非对立，常用基本面建池、技术面择时。 按条件筛出来的候选股票池，为什么不能直接当成买入名单？ 条件选股的本质是缩小关注范围，而不是确认买入价值。候选池还需经过定性分析、估值评估、风险管理和持续跟踪——财务指标覆盖不了管理层、行业格局、政策等因素。历史表现不代表未来收益，任何选股逻辑都消除不了市场的不确定性。 选股时为什么通常要先加上市值和流动性的过滤条件？ 市值和流动性过滤往往放在筛选第一层，原理有三：小市值低成交额的股票价格易被少数交易左右，产生伪信号、扭曲指标；缩小样本能降低多重比较带来的过拟合风险；更现实的是保证策略可执行，避免冲击成本过大或买不进卖不出。它是数据可信、样本合理、策略可执行的共同保障。 想用上这个技能？ 「智能选股」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。
中文 AI 痕迹怎么去除？识别套话和空泛升华改写保原意
「中文文本润色」是「龙虾部署大师」技能市场中的去 AI 味技能：它识别并去除中文内容里的 AI 写作痕迹，把套话、堆砌形容词、空洞升华、模糊归因、三段式列举、过度破折号、谄媚开场和机械标题改写成更自然的表达。它先扫描内容、语法、风格和交流痕迹，再在保留原意的前提下重写问题片段，输出可包含人性化版本、改动说明和直接性、节奏、真实性等质量评分。 技能效果 润色一段AI味很重的公众号稿时，它先放出原文，再改写成去掉硬营销腔、更像真人说话的版本。 一眼就看出是 AI 写的，问题在哪 AI 生成的中文常带几种固定痕迹：开头先来一段谄媚铺垫，中间堆形容词、爱用三段式排比，结尾必然空洞升华一下；还有动不动甩破折号、机械加粗、归因含糊（"研究表明""众所周知"却不说是谁）。这些模式单独看都不致命，叠在一起就让文章透出一股模板腔，读者一眼识破，可信度随之打折。问题是，作者自己往往看不出这些痕迹，逐句去改又很难改得彻底。 AI 味文本 · 谄媚开场 · 三段式排比 · 破折号 / 机械加粗 · 空洞升华收尾 · 模糊归因 人性化文本 · 直接进入正题 · 句式有长短节奏 · 表达具体可核 · 保留原意与语气 这个技能改的是什么 它专盯中文里的 AI 痕迹做识别与重写。第一类是用词和表达：识别 AI 词汇、空泛升华、模糊归因和宣传式语言；第二类是结构：打破公式化结构、三段式列举、机械标题和过度的粗体强调；第三类是语气：保留原意，并根据正式、随意或技术等不同语境调整语气。它的工作方式是先扫描内容模式、语法模式、风格模式和交流痕迹，再有针对性地重写问题片段，而不是把整篇推倒重来，因此事实和核心意思能留住。输出除了人性化版本，还可附上必要的改动说明，以及直接性、节奏、真实性等多维质量评分。 扫描痕迹词/语法/风格 重写片段保留原意 按语境调语气正式/随意/技术 质量评分 用前须知 该技能无需 API Key、Python 或 Node 依赖，输入文本即可处理。它负责改"写法"，不负责改"事实"：若涉及事实更新或来源核查，需要你另行提供可靠资料。 怎么用它 用法是把要润色的文本贴给它，并说清想要的语气和场景。例如可以这样对它说： 可以这样对它说 "这段公众号稿子机器味太重，改得像真人口吻，少点硬营销腔。" "把这段开场白里的套话删掉，语气别那么端着，保留核心原意。" "这份说明文太像模板，保留意思但写得自然些，别再空泛升华收尾。" 它适合这些场景：文章、汇报或公众号草稿读起来机械、需要改得更像真人写作；营销或产品文案里有套话、夸张修饰和空洞结尾；学术、百科或说明文字要减少 AI 痕迹又保留事实准确性；以及团队在发布前检查文本的直接性、节奏和真实感。 大家常问 中文文本里的 AI 味到底是什么？为什么读者一眼就能看出来？ AI 味本质上是语言模型「平均化」生成的系统性偏差：用词集中在万能词（深入、赋能、显著、关键），句长均匀、主谓宾齐全、衔接词机械铺设，结尾固定走总结升华。读者识破靠的是这种「无缝感」——没有情绪裂缝、没有身份语气，所以一眼就看出来。 AI 写的中文和真人写的，在用词和句式上有什么本质区别？ 用词上 AI 偏「高频安全词」（非常、本质、核心、首先其次最后），搭配过于标准；真人会用低频词、口语词和「陌生化搭配」。句式上 AI 主谓宾齐全、长短交替过于规律；真人多无主句、独词句、连续同类句式爆发，语气词丰富。AI 的「过于合理」本身就是破绽。 为什么 AI 写的中文文章总爱用三段式排比和破折号？ 训练语料里排比常出现在高分范文（申论、宣传稿），AI 误把「排比 = 好文章」当信号高频激活；破折号则被当成「正式感」标记，替代了逗号冒号。判断要点：排比三句若只是同义重复（无递进），破折号后内容若是冗余转述，且 1000 字内破折号超过 3 次，基本是 AI 写的。 中文里的「套话」和「空洞升华」怎么区分？为什么 AI 特别容易写出来？ 套话是词语层面陈旧（"随着……的不断发展"），意思还在但可替换；空洞升华是逻辑层面跳空（"注入新动能、共创美好明天"），删掉信息量也不变。AI 容易写出来是因为它只追"最可能的下一个词"，没有真想说的意图——开头习惯套话起手，结尾习惯升华收尾。 想用上这个技能？ 「中文文本润色」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