电商商品主图怎么生成？提炼卖点出3到5版差异化主图
「商品主图生成」是「龙虾部署大师」技能市场中的主图视觉规划技能：它面向天猫、淘宝、京东、抖音等平台，围绕商品解读、卖点提炼、本土审美和广告法合规，支持有原图优化和无原图创意生成两种模式，按功能、场景、价值对比、情感、信任背书五个方向输出 3 到 5 张差异化主图，并配套投放建议和 A/B 测试方案。 技能效果 给一款温显保温杯做主图时，它规划了温显屏特写、早晚续航、左右对比三版方案，每版配上四五字极简文案和构图要点，整理成一张可直接出图的脚本表。 主图决定首屏点击，却最难一次做对 电商首屏，主图几乎决定了用户点不点进来。可主图又最难做对：卖点没提炼清楚，图就平淡无力；构图和视觉重心没章法，点击率上不去；想做多版本测试又缺方向；更别提国内平台的广告法合规，一句夸大文案就可能踩线。 这个技能能帮你产出什么 它把主图从"凭感觉做图"变成有策略的视觉规划。它先解析商品信息、差异化卖点、目标人群和竞品主图规律；再制定配色、构图、视觉重心和多版本主图的策略矩阵；然后按五维 Prompt 矩阵生成或优化 1:1 的电商主图；并在其中嵌入广告法合规审查，输出投放建议和 A/B 测试方案。它支持有原图优化和无原图创意生成两种模式，文案强调真实、不夸大。 五维主图 功能导向 场景体验 价值对比 情感触发 信任背书 不管手上有没有现成产品图，它都有对应的模式： 有原图 · 优化提质感、强卖点、做多版本 无原图 · 创意生成按卖点生成方案 用前须知 图像生成需要 Python、openai、Pillow，并通常需要可用的图像生成 API Key；生成前应准备商品信息、原图或链接，并执行广告法合规校验。主图文案强调真实，不做夸大表述。 怎么用它 用法是把商品和你想强化的卖点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 "这张保温杯原图做三版主图，突出温显和保温时长，文案别夸大。" "没有产品图，按高山绿茶卖点生成淘宝主图方案，要清新真实。" "抖音小店这款耳机主图太平，输出三版爆款视觉并做合规检查。" 它适合这些场景：新品上架前快速梳理核心卖点、生成多套主图方向；现有商品图点击率低、要优化构图质感和卖点呈现；618、双十一、春节等节点需要符合本土审美的节日主图；高客单价或强竞争品类需要功能、场景、背书版本做测试。 大家常问 同一个商品为什么要做功能、场景、对比这好几个版本的主图？ 因为不同买家关心的点不同，一张图打动不了所有人。功能版突出参数材质，回答"这是什么"，吸引理性决策者；场景版展示实际使用画面，回答"我需不需要"，激发感性购买欲；对比版呈现与竞品或使用前后的差异，回答"凭什么买你"，说服犹豫型买家。三版组合本质是分人群运营，能覆盖更广人群、提升点击与转化。 商品主图点击率低，通常是哪些原因造成的？ 常见于几个层面：视觉上主体占比过小（理想 60%–70%）、背景杂乱、与竞品雷同不够"跳"、缩略图下辨识度差；信息上卖点不清、1–2 秒看不懂为什么买、文案空洞；策略上风格与目标人群审美错位、未针对平台特性差异化、没做 A/B 测试。可把主图缩到 100px 看是否还认得出、和竞品并排对比来自查。 电商主图里哪些词和表述会踩广告法红线，为什么不能用？ 主要五类：绝对化用语（最好、第一、100%、全网最低），因无比较标准易误导；功效医疗用语（治疗、祛痘、防脱），普通商品不得宣称疗效；虚假促销（假原价、假限时限量）；未标专利号的"专利"和无出处的销量好评率数据；以及点名或影射贬低竞品。这些均违反《广告法》相关条款，应改为可证明的客观描述。 没有产品实拍图，只靠卖点描述生成的主图能用吗，要注意什么？ 能用，但有边界：适合新品测款、概念非标品和氛围副图；高客单价、功能型、看材质颜色的品类（电子、美妆、面料）和品牌旗舰店风险高、易被驳回或增退货。注意点：文案仍受广告法约束、规避"一眼 AI"破绽（手指变形、文字乱码、光影不一）、把卖点视觉化而非堆字、保持店铺风格一致、并标注"效果示意、以实物为准"，有实拍后及时替换。 想用上这个技能？ 「商品主图生成」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。
怎么用 AI 做宣传片视频
「IMA AI 知识库总览」是「龙虾部署大师」技能市场中的多模态生成入口技能：它为 IMA Studio 的文生图、图生图、文生视频、图生视频、首尾帧视频、参考图视频、音乐和语音合成提供统一调用入口和模型路由说明，强调必须使用准确的 model_id，通过脚本查询产品列表、创建任务并轮询完成，同时处理模型默认选择、用户偏好记忆、复杂工作流拆解、视觉一致性等问题，适合规范化的多模型调用。 技能效果 做一张夏季饮品促销海报时，它先解读品类、人群和卖点，再给出画面排版方案和文生图提示词。 多模态生成，难点不在生成而在"调对模型" 当一个平台同时提供图像、视频、音乐和语音生成，每类任务下又有多个模型时，真正的麻烦是路由：一个需求该走哪种 task_type、用哪个准确的 model_id，模型别名（Nano Banana、SeeDream、Wan、Kling、Suno 等）和实际 ID 对不上就调用失败；做宣传片这类复合需求，还要先生成参考图、再生成视频和配乐，多步之间的顺序、积分、参数和轮询都要照看；同一角色或产品要出多张图和视频，外观一致性也容易跑偏。 一个需求 文 / 图生图model_id? 文 / 图生视频model_id? 音乐合成model_id? 语音合成model_id? 别名对不上 ID → 调用失败 复合需求还要管顺序、积分、轮询、一致性 这个技能怎么统一调度多模态生成 它充当 IMA Studio 多模态能力的统一入口和路由层。面对一个需求，它先解析媒体类型与 task_type（图像、视频、音乐还是语音），再按产品列表匹配准确的 model_id 调用生成脚本创建任务，并处理轮询、积分、输入图片和视频参数；遇到模型别名，它负责把别名映射到正确的 ID。对宣传片、MV 这类多媒体工作流，它会拆解步骤、安排好"先参考图、后视频和音乐"的顺序，并维持同一角色或产品在多张图、多段视频间的视觉一致性，同时记录用户显式的模型偏好。 解析类型task_type 匹配 model_id别名 → 准确 ID 创建任务轮询 / 积分 产出 它的价值在于把"选对模型、串好流程、保持一致"这些容易出错的环节标准化，让多模型调用变得规范、可复用。 用前须知 该技能需要 IMA_API_KEY 和 Python 脚本。图像、视频任务会访问 api.imastudio.com、imapi.liveme.com 及相关存储域；建议先使用测试 Key 验证流程。生成质量与所选用的具体模型能力相关。 怎么用它 用法是把要生成的内容、风格和指定模型用自然语言交给它。例如可以这样对它说： 可以这样对它说 "用 SeeDream 4.5 生成白底产品海报，画面干净，模型能力要匹配。" "把这张参考图做成十秒竖屏视频，角色外观保持一致，别换衣服和脸。" "给宣传片配一段三十秒轻快 BGM，适合社媒开场，不要人声。" 它适合这些场景：需要用 IMA 生成图片、视频、配乐或语音并选择合适模型；用户指定 Nano Banana、SeeDream、Wan、Kling、Suno 等模型别名；制作宣传片或 MV、需要先生成参考图再生成视频和音乐；以及同一角色或产品要多张图和视频保持外观一致。 大家常问 IMA AI 知识库总览这个技能里说的"多模态生成统一入口"到底是什么意思？ 指图像、视频、音乐、语音四类生成走同一套 API：先 GET product/list 查产品、（按需）上传图片、POST tasks/create 建任务、POST tasks/detail 轮询结果，鉴权、请求结构与错误码体系完全一致，task_type 字段区分模态，由 Gateway 自动路由到对应后端。 为什么用 IMA 做多模态生成时一定要写准确的 model_id，写模型别名不行吗？ 因为 IMA Open API 只做精确匹配、不做别名解析，model_id 是 tasks/create、product/list、attribute_id 计费校验贯通的唯一路由键。别名与真实 ID 之间没有可推测的命名规律（如 Nano Banana Pro 实际是 gemini-3-pro-image），写错就匹配不到产品，任务直接失败。 IMA 里的文生视频、图生视频和首尾帧视频是同一回事吗？怎么区分？ 不是。三者是独立的 task_type：文生视频只吃文本 prompt、无中生有；图生视频要 1 张图作为首帧、让画面动起来；首尾帧视频要 2 张图、模型补全中间过渡。各自有独立的模型路由表和参数规则，同一模型在不同 task_type 下 model_id 也可能不同。 为什么用 IMA 生成宣传片这类复合任务时，要先出参考图再生成视频和音乐？ 因为 IMA 一次 tasks/create 只产出一种模态，宣传片要靠依赖链编排：先生成主参考图，再用 image_to_video 以它为首帧出各段视频，保证角色与风格一致；视频生成后才拿得到实际时长，把时长传给音乐生成才能让 BGM 节奏匹配画面。 想用上这个技能？ 「IMA AI 知识库总览」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。
RAG 检索召回率怎么提升
「RAG 知识检索」是「龙虾部署大师」技能市场中的本地知识库检索技能：作用是把图片、PDF、Word、Markdown、TXT、PPT 等多格式文档解析、切分并建成向量索引，提问时先改写问题，再用向量检索、BM25、LLM 分词、RRF 融合与重排序找出最相关的片段喂给大模型，让回答有据可依，而不是凭原文整篇硬塞。 技能效果 把年假政策和报销流程两份资料建索引后，它按用户问题检索作答：入职两年休五天年假，报销三千需主管加总监二次审批，还标了来源。 为什么把整份文档塞给大模型行不通 直接把整份资料丢给大模型回答问题，会遇到三个工程上的硬约束：一是上下文窗口有限，几十页的合同或一整本教材根本放不进去；二是塞进去的无关内容越多，模型越容易被干扰、答非所问，准确率反而下降；三是用户的提问往往很口语、很模糊，和原文里的措辞对不上，直接拿原话去匹配经常漏掉真正相关的段落。RAG（检索增强生成）就是为了解决这一类问题：先检索出少量真正相关的片段，再让模型基于这些片段作答。 两种喂法的对比 整份原文硬塞 超窗口 · 被无关内容干扰 先检索再作答 只取相关片段 · 有出处 这个技能把 RAG 流程做成了什么 它把"建库"和"检索"两个阶段串成一条完整流程。建库阶段，它解析图片、PDF、Word、Markdown、TXT、PPT 等多种格式（图片走 OCR 后入库），把内容切分并写入 sqlite-vec 向量数据库；这里用的是 smart 模式，会跳过已索引过的重复文件、只追加新文档，或在需要时定向重建索引，避免每次都从头跑一遍。检索阶段，它不会拿用户原话直接去查，而是先把口语化、模糊的问题改写成精准的查询词和子查询，再并行执行向量检索、BM25 关键词检索、LLM 分词，用 RRF 把多路结果融合，最后做一次 LLM 重排序，返回排在最前的相关片段。 阶段 0 · 建库 多格式文档 解析 + 切分图片走 OCR sqlite-vec 索引smart 增量 阶段 1 · 检索 口语问题改写为查询词 向量 + BM25 + 分词RRF 融合 · 重排序 相关片段喂给模型 这套混合检索加重排序的设计，目的是同时兼顾"语义相近"和"关键词命中"两种召回，比单一向量检索更不容易漏；问题改写则解决了"用户说得太口语、和原文对不上"的老问题。 用前须知 该技能依赖 sqlite-vec、requests、python-docx、python-pptx 等运行环境，并从 AI agent 身份文件读取 uid/token；每次开启新会话需先运行 check_env.py 初始化环境。一个重要约束是：回答时只引用检索出来的片段，不绕过检索直接翻整份原文，这样才能保证回答可溯源。 怎么用它 用法是用自然语言把"要建库的资料"或"要回答的问题"交给它，建库与检索的细节由它按流程处理，无需手动跑脚本或调参数。例如可以这样对它说： 可以这样对它说 "把这批 PDF 和 Word 建好索引，之后按用户问题检索相关片段来回答。" "我的问题问得比较口语，先帮我改写成精确检索词，再跑一遍混合检索和重排。" "这些图片资料先 OCR 入库，查询时只看检索到的片段，不要直接翻原文。" 它适合这些场景：用户上传教材、合同、论文或资料包，需要先建立统一的本地知识索引库；围绕已索引资料做问答，且要求答案只引用检索片段而非整份原文；新增或更新文件后，要避免重复索引、保留已有数据库内容；提问较模糊，需要先改写成结构化查询词以提升召回质量。适合做本地资料问答、课程辅助、文档研究和企业知识库检索，尤其是多格式文档混在一起的场景。 大家常问 RAG 检索里说的「混合检索」是什么意思？ 混合检索不是某种单一算法，而是把两路检索的结果融合起来：一路用 BM25 等稀疏检索做关键词字面匹配，一路用向量做稠密语义匹配，再用 RRF 等方式按排名融合去重。目的是同时兼顾"精确命中"和"语义相近"，比只用一路更不容易漏掉相关片段。 向量检索和关键词检索（BM25）有什么区别？ BM25 是稀疏检索，靠词频与倒排索引做字面匹配，词对不上就漏，但对专有名词、型号、代码很精确且可解释。向量检索是稠密检索，把文本编码成向量比语义相似度，能识别同义改写，但对罕见实体和精确匹配偏弱。一个管字面命中，一个管语义关联，互补大于竞争。 为什么混合检索之后还要再做一次重排序（rerank）？ 混合检索为了保召回会"广撒网"，两路打分都是轻量近似——BM25 只看词频、向量是有损压缩，正确答案大概率在候选里却不一定排最前，还混着噪声。重排序用交叉编码器让查询和每个候选做细粒度交互精排，把真正相关的提到前面。它只在几十到几百条候选上跑，负责"收网"。 检索评测里的召回率和精确率有什么区别？ 召回率回答"该找的有没有漏"，是命中的相关文档数除以全部相关文档数；精确率回答"找回来的有没有用"，是命中的相关文档数除以返回的总条数。两者通常矛盾：多返回结果召回率升、精确率降。工程上常用大候选集保召回，再靠重排序和元数据过滤把精确率提上去。 想用上这个技能？ 「RAG 知识检索」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 查股票行情数据
「行情数据查询」是「龙虾部署大师」技能市场中的金融数据检索技能：它基于东方财富权威数据库，用自然语言查询行情、估值、资金流向、财务指标、企业信息、股东高管和关联关系等数据，并把结果整理成多 sheet Excel、文字说明和原始 JSON。 技能效果 查腾讯控股行情时，它返回最新价、当日涨跌幅和近五个交易日收盘价，还逐日标出放量与异常波动。 查一组金融数据，为什么总是绕远路 要查某只股票的最新价、市盈率、主力资金，或某家公司的财务和股东结构，传统做法是在不同页面之间来回切换、手动复制再拼到表格里；指标口径、单位、时间范围每次都要重新对齐，数据多了还容易漏抄错抄。更麻烦的是直接问大模型——它的记忆可能停留在旧数据，时效性金融问题答得并不可靠。「行情数据查询」要解决的，是让查询走权威数据库、用自然语言一次问清，并把结果落成可直接分析的结构化文件。 自然语言提问 → 权威数据 → 结构化输出 自然语言问句证券/指标/时间 东方财富官方 API权威数据库 多 sheet Excel结果说明原始 JSON 这个技能能帮你查到什么 它覆盖的范围比单纯的价格查询更广。行情维度，可按自然语言查股票、指数、基金、债券和板块行情；公司维度，可获取上市与非上市公司的财务、融资和经营信息；关系维度，能解析证券主体、指标元信息以及企业、股东、高管、证券之间的关联关系。每次查询会同时产出三种产物：多 sheet Excel、多表说明文本和 API 原始 JSON，三者分别对应直接分析、快速阅读和留档复核。 行情价/估值/资金 公司财务/经营 关系股东/高管 用前须知 该技能需要 Python 和环境变量 MX_APIKEY；查询文本会发送至东方财富官方 API 域名 mkapi2.dfcfs.com，默认输出到本地工作区目录。技能内部会提醒避免超大范围查询，以减少模型上下文膨胀、提升数据时效性。它提供的是数据检索与整理，不构成投资建议，也不承诺数据的完整或准确无误，重要决策请以官方原始数据为准。 怎么用它 用法是把要查的证券、指标和时间范围用自然语言说清楚，不必关心调用哪个接口、字段叫什么。例如可以这样对它说： 可以这样对它说 "查腾讯控股最新价、涨跌幅和最近五个交易日收盘价，一起看清楚，异常的标出来。" "东方财富这只股票当前的市盈率、主力资金和换手率是多少，按最新数据来。" "把贵州茅台近一周的成交量、收盘价整理成表格，并保留单位，把样本标明。" 它适合这些场景：查询某只股票的最新价、近几日收盘价或市盈率等指标；分析上市公司的财务、主营业务、股东结构或高管信息；研究企业、股东、高管和证券之间的关联关系；以及在金融问题需要及时数据支撑、不想依赖模型记忆或旧数据时。适用于投资研究、金融数据分析、财务顾问、量化研究和需要快速获取结构化数据的业务人员。 大家常问 股票行情里的前复权、后复权和不复权有什么区别？ 不复权保留每天真实成交价，除权除息日会留下跳空缺口；前复权以最新价为基准把历史价往下调，走势连续、适合看技术形态，但每次新除权都要重算；后复权以早期价为基准把后续价往上调，能反映长期累计涨幅。没有哪个最准，按分析目的选。 Level2 行情和 Level1 行情的区别是什么？ Level1 是聚合后的基础行情，一般五档盘口、只显示各价位委托总量，按固定间隔（约 3 至 6 秒）推送快照，没有逐笔成交。Level2 数据更细，通常十档及以上，能看到逐笔成交的时间、价格、方向，更新接近毫秒级，数据量也远大于 Level1。 行情数据为什么会有延时 15 分钟，实时行情和延时行情有什么不同？ 15 分钟延时是数据授权制度安排，不是技术瓶颈：实时行情多为付费授权，延时行情作为公共信息免费开放。实时行情用连续流水逐笔推送、延迟在毫秒到秒级；延时行情按快照延后推送。两者频率可以相同，区别只在延迟窗口；历史行情则是静态的日/分钟线数据。 股票行情里的成交量和成交额有什么区别？ 成交量看成交的股数（单位是手，多按单边计），反映交投活跃度；成交额看成交的金额（成交价乘以股数，单位是元），同时反映价格和资金规模。关系是成交额约等于成交量乘以区间加权均价。两者来自同一撮合系统、同样口径，只是数量与金额两个维度。 想用上这个技能？ 「行情数据查询」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。
E2E测试怎么做才稳定不掉链子
「Web 应用测试」是「龙虾部署大师」技能市场中的本地前端验证技能：作用是用 Python Playwright 检查本地 Web 应用——先区分静态 HTML 还是动态应用，按需启动开发服务并等待网络空闲，再截图、检查 DOM、查看控制台日志、执行点击与输入操作，最后给出测试脚本、截图、日志或验证结论，帮你定位前端功能、UI 状态和浏览器行为问题。 技能效果 让它测试 Web 登录页时，它写出完整 Playwright 脚本：打开页面、填表单、点登录、断言成功，还监听了控制台日志与未捕获报错并截屏。 前端改完，怎么确认它真的还能用 前端改一处，影响往往不止一处：页面能不能正常加载、关键按钮点下去有没有反应、表单提交流程是否还通、控制台有没有悄悄报错、弹窗会不会遮住该填的输入框——这些"看起来对不对"的问题，光看代码 diff 判断不了，得真的在浏览器里跑一遍。而手动开浏览器、点一遍、截个图、翻控制台，既慢又容易漏，改动一多就懒得每次都验，回归问题就这么溜进去了。 侦察后再行动的顺序 启动服务with_server.py 等网络空闲networkidle 侦察 DOM截图/日志 行动：点击 / 输入 / 断言基于侦察结果，不盲点 这个技能能帮你验什么 它用 Python Playwright 把"在浏览器里跑一遍"变成可重复的脚本流程。第一步是区分页面类型：静态 HTML 直接读取文件、识别选择器；动态应用则要先启动服务、等渲染完成再侦察。服务管理上，它用 with_server.py 管理单个或多个本地服务的生命周期，避免手动起停。检查能力上，它会等 networkidle（网络空闲）后再检查 DOM、截图、查看按钮和输入控件、读取控制台日志。操作能力上，它编写同步 Playwright 脚本执行点击、输入和断言。它强调一个固定顺序：先启动、等空闲、侦察清楚，再动手操作，而不是页面还没好就盲点。 两条测试路径 静态 HTML 直接读文件 · 识别选择器 执行简单自动化检查 动态应用 启动服务 · 等渲染 截图 / DOM / 控制台 "先侦察后行动"这条顺序是这套测试可靠的核心：页面没渲染完就去点按钮、查元素，得到的结论是假的；等到网络空闲、DOM 稳定再操作，截图和断言才反映真实状态。 用前须知 该技能需要 Python 与 Playwright 运行环境。如果应用还没启动，应先查看 scripts/with_server.py --help，用该脚本管理本地服务。它不需要业务 API Key，但被测项目的依赖需要已经安装好，开发服务能正常起来。 怎么用它 用法是把本地页面地址或服务、要验证的行为，以及必要的启动命令用自然语言交给它，由它按顺序起服务、侦察、操作并给出结论。例如可以这样对它说： 可以这样对它说 "跑一下本地 5173 页面，点登录按钮看控制台有没有报错，并截屏。" "用 Playwright 截一张首页全屏图，确认弹窗没有遮住表单。" "前端已启动，检查购物车加减数量和结算按钮状态，顺手看错误日志。" 它适合这些场景：前端改动后要验证页面能否正常加载并完成关键交互；动态应用渲染异常，需要截图、DOM 和控制台日志辅助定位；本地项目需要先启动开发服务器再自动执行浏览器测试；静态 HTML 工具需要直接读取选择器并做简单自动化检查。适合前端工程师、全栈开发者、QA 测试人员，以及要验证本地 Web 应用功能、视觉状态或交互流程的产品技术团队。 大家常问 端到端（E2E）测试到底是什么意思？为什么前端改完光看代码 diff 判断不了页面还正不正常？ E2E 测试是在真实浏览器里按用户视角跑完整流程（登录、点击、提交）并断言结果。代码 diff 只能看出"代码改成了什么样"，看不到样式渲染、异步数据时序、DOM 就绪、网络响应这些真正决定页面是否正常的维度，所以要在浏览器里真跑一遍。 单元测试和端到端（E2E）测试有什么区别？分别适合在什么场景用？ 单元测试在无浏览器环境验证单个函数或组件的逻辑，毫秒级、数量最多，适合细粒度逻辑与边界条件；E2E 在真实浏览器跑完整用户路径，慢但最接近生产，数量最少，只覆盖关键业务流。原则是别用 E2E 替代单元测试。 为什么自动化测试会时而通过、时而失败（flaky）？这种不稳定的根因通常是什么？ flaky 多发在 E2E 层，根因是引入了太多不可控时序：异步渲染竞态（元素还没出现就去操作）、测试间状态污染（Cookie/缓存残留）、动画导致点击落空、波动的网络与接口、易变的选择器。越靠测试金字塔顶端，不稳定概率越高。 做网页自动化测试时，为什么要先等页面加载完、网络空闲再去检查元素和断言？ 现代页面的 DOM 是异步填充的：路由切换先出骨架屏，再靠请求拉真实数据。不等网络空闲就定位元素、点按钮，等于在一个不可预测的 DOM 快照上做决策，结果无法复现，断言时对时错。等渲染稳定再侦察，截图和断言才反映真实状态。 想用上这个技能？ 「Web 应用测试」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。
亚马逊关键词排名怎么采集？自然位广告位一键导表
「亚马逊排名采集」是「龙虾部署大师」技能市场中的关键词排名采集技能：给定关键词、站点和页数，它把亚马逊搜索结果页中的自然位、广告位（Sponsored）、品牌精选位，连同 ASIN、标题、价格、页码位置，一次性整理成结构化数据，替代人工逐页翻查与抄录。 技能效果 查询「无线鼠标」在美国站的排名时，它区分了自然位与广告位，并把上榜商品的价格、评分、评论数，连同该关键词的整体搜索量一并整理了出来。 人工盯排名，问题出在哪 关键词排名监控是亚马逊运营中高频且重复的工作，但人工翻查搜索结果页有三个固有问题：翻页慢，几十个词要耗去大半天；口径不稳，每次统计的页数、是否计入广告位不一致，数据难以纵向对比；广告位与自然位在结果页中混排，肉眼区分容易出错。这三点叠加，导致排名数据既费时又不可靠。 搜索：无线鼠标（混排，难分） 商品 A 广告位 · Sponsored 商品 B 广告位 · Sponsored 商品 C 自然位 · 第 1 位 自然位 · 第 2 位 … 这个技能能帮你拿到什么 一次采集会返回三类核心数据：一是位置标注，将自然位、广告位（Sponsored）和品牌精选位分开标清，免去人工判断每条结果是付费还是自然排名；二是商品身份与价格，包括 ASIN、标题、价格及其所在的页码位置；三是多站点与邮编维度，支持美国、日本、英国、德国等站点，并可按邮编查看本地化排名。 这些字段把"搜索结果页里散落、且容易看错的排名信息"转化为可直接分析的结构化数据。多站点与邮编维度对区域化投放尤其有价值：同一关键词在不同邮编下的结果可能不同，按邮编采集能反映本地化的真实排名。 关键词 + 站点 + 看几页 亚马逊排名采集 结构化字段 自然位 / 广告位 ASIN / 价格 / 页码 导出表格 针对不同的监控需求，它提供三种采集模式： 采集模式适用场景 单关键词盯一个核心词的排名变化，最轻量，适合每天例行查同一个词 批量关键词一次跑完一批词或一批 ASIN，适合做周报、监控一整组关键词 HTML 片段解析页面采集被反爬限制时，把商品 HTML 片段交给它离线解析兜底 怎么用它 用法就是用自然语言把采集目标（关键词、站点、看几页）说清楚，无需记参数，也不用手动选模式。例如可以这样对它说： 可以这样对它说 "查无线鼠标在美国站前三页的自然位和广告位，顺带记录价格。" "把这批关键词下我的 ASIN 排名都跑一遍，保留页码、日期和广告位标记，导成表格。" "日本站这几个词的前两页竞品排名拉一份，按邮编看本地化结果。" 它适合这些场景：盯自有 ASIN 的自然位与广告位是否下滑，以便及时排查、调整投放；批量比较多个关键词的竞品排名，判断哪些词竞争更激烈、值不值得抢；抓取特定站点前几页的商品与价格，作为选品分析或广告投放的原始输入。 大家常问 亚马逊搜索结果里的自然位和广告位怎么区分？关键词排名一般怎么查？ 带「Sponsored」标识的是广告位、无标识的是自然位，两者各自从第 1 位独立计排。查某个关键词下的排名，用「亚马逊排名采集」给定关键词与站点即可，它会自动区分自然位与广告位，并返回 ASIN、价格、页码位置（如 1—3 表示第 1 页第 3 位）。 亚马逊关键词的自然排名为什么会突然下滑、甚至整个掉出搜索结果？ 排名大幅下滑常见于近期转化率或销量下降、差评与退货率上升、竞品上新挤占首页坑位，或自身改了标题/主图触发重新索引；完全掉出搜索则多为 Listing 被禁显（Suppressed）、变体关系断开或账号降权。波动通常 24–72 小时恢复，超过 7 天就要逐项排查账户状况与分类节点。 为什么同一个关键词，换个邮编或站点，亚马逊的搜索排名会不一样？ 亚马逊按收货邮编做"本地化排名"，核心是履约能力优先：邮编决定 FBA 就近发货的配送时效（EDD）、FBM 卖家的区域配送设置，以及含税价与合规屏蔽。距离 FC 越近、EDD 越短的商品权重越高，所以同一关键词换邮编、换站点，结果可能差别很大。 亚马逊的关键词排名和类目排名（BSR）有什么区别？ 关键词排名是某搜索词下结果页中的位置，反映"搜得到搜不到"的搜索可见度，可用广告和 Listing 优化主动干预；类目排名（BSR）是类目内按近期销量滚动计算的名次，反映"卖得好不好"，只能靠真实销量改善。二者是曝光与转化的关系。 想用上这个技能？ 「亚马逊排名采集」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