如何用 AI 做 Android 原生开发
「Android 原生开发」是「龙虾部署大师」技能市场中的工程指南技能：作用是按照 Kotlin、Jetpack Compose、Material Design 3 和 Gradle 的规范，从项目状态评估到业务代码实现全程把关。它会先确保 Gradle Wrapper、AndroidX、模块配置和 assembleDebug 构建可用，再进入开发，并在命名、空安全、协程线程、Compose 状态、资源命名、M3 色彩对比、触控尺寸和暗色主题等环节给出符合规范的写法。 技能效果 要搭 Kotlin+Compose 安卓项目时，它给出了完整目录结构，连同根级与 app 模块的 build.gradle.kts、Manifest 和 MainActivity 都写齐，并说明各文件作用。 原生安卓开发，时间都耗在哪些坑上 原生安卓开发真正费时的部分，往往不在业务逻辑，而在工程地基与平台规范上。一个新项目从空目录起步，Gradle Wrapper、AndroidX、Manifest、资源目录要逐项配齐，任何一处缺漏都会让首次 assembleDebug 失败；进入 Compose 后，状态管理、生命周期、协程线程切换稍有不慎就引发重组异常或线程错误；临到上线，又要回头补 Material Design 3 的色彩对比、触控目标尺寸、暗色主题和无障碍这些容易被忽略的细节。问题分散在构建、编码、审查三个阶段，每一段都可能卡住进度。 工程地基 Gradle / AndroidX Compose 编码 状态 / 协程 规范审查 M3 / 无障碍 任一环节卡住都会拖慢整体进度 这个技能能帮你管住什么 它把原生安卓开发的全链路当作一套有先后的工程流程来管。第一步是项目状态评估：判断当前结构，补齐 Gradle、AndroidX、Manifest 和资源配置，确保 assembleDebug 能先跑通，再进业务代码。第二步是编码规范：在 Kotlin 命名、空安全、协程线程、可见性、日志和服务端响应模型上给出一致写法。第三步是 Compose 实现：处理状态管理、Composable 调用和生命周期用法。第四步是质量审查：按 Material Design 3、无障碍、性能和构建错误清单逐项核对。 ① 评估结构 · 补齐 Gradle / AndroidX / Manifest ② Kotlin 规范 · 空安全 / 协程线程 / 日志 ③ Compose 状态管理与生命周期 ④ M3 / 无障碍 / 性能清单审查 用前须知 该技能支持 macOS 与 Windows，无需 API Key，但需要本机具备 Android Studio、JDK 17、Android SDK 和 Gradle Wrapper。Windows 下使用 gradlew 或 .\gradlew 执行构建；国内网络环境建议先配置 Maven 与 Gradle 镜像，否则依赖下载可能受阻。 怎么用它 用法是把开发目标和当前项目状态用自然语言交给它，由它判断该从评估、编码还是审查切入。例如可以这样对它说： 可以这样对它说 "从空目录建一个用 Kotlin 和 Compose 的安卓项目，先保证能正常打包。" "这个 Gradle 构建失败了，按 Windows 环境帮我排查依赖、镜像和缓存问题。" "给登录页做一套 Material 3 界面，顺手检查无障碍和暗色模式，定位报错。" 它适合这些场景：在空目录中初始化原生项目并先确保 assembleDebug 通过；已有 Compose 项目构建失败、需要定位依赖、资源或语法问题；开发移动端界面时要符合 M3、触控目标和无障碍要求；为不同环境配置 product flavors、BuildConfig 和调试发布构建。 大家常问 为什么 Android 原生项目要先让 assembleDebug 跑通再写业务代码？ assembleDebug 走的是从 AAPT2 资源编译、kotlinc/javac、D8 到 debug.keystore 签名和 zipalign 的完整构建管线。这一步先跑通，意味着 Gradle 配置、AndroidX 依赖、Manifest 与资源目录都没问题，业务代码才能被打成可装到设备上的 APK；否则 ViewModel、协程和生命周期写得再多也无法在真机上验证。 Jetpack Compose 是什么？它和传统 Android View 体系在编程模型上的区别是什么？ Compose 是 Android 官方的声明式 UI 工具包，用纯 Kotlin 函数描述界面，靠 mutableStateOf 与重组自动驱动 UI 更新；传统 View 体系是命令式，先在 XML 里布好布局，再用 findViewById 在代码里手动 setText、setVisibility 同步状态。Compose 把"状态→UI"的映射交给运行时，开发者只需描述界面应是什么样子。 assembleDebug 和 assembleRelease 的区别是什么？ assembleDebug 用 SDK 自带的 debug.keystore 自动签名，不开 R8 混淆和压缩，Manifest 里 debuggable=true，产物大但便于断点调试；assembleRelease 需配置正式签名，默认开 R8 做树摇、混淆与内联，生成 mapping.txt，产物更小、debuggable=false，是可上架 Google Play 的版本。 国内做 Android 原生开发为什么通常要配置 Maven 和 Gradle 镜像？ Gradle 构建要从 services.gradle.org 拉发行版 ZIP、从 dl.google.com 拉 AGP、从 repo1.maven.org 拉 Maven Central 依赖，三处都在海外。一个中型项目动辄上百个传递依赖，每条都要一次跨海 HTTP 请求，丢包和延迟容易累积超时；换上国内 Maven 与 Gradle 镜像，把流量切到国内反向代理与缓存节点，依赖解析就稳了。 想用上这个技能？ 「Android 原生开发」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。
广告素材情报怎么查？App投放策略与下载收入估算
「广告情报分析」是「龙虾部署大师」技能市场中的广告与 App 市场分析技能。它基于 AdMapix 的数据接口，覆盖广告素材搜索、App 投放策略、应用排行榜、下载量与收入估算、投放地区分布和竞品对比；用自然语言提一个需求，它跨多个接口取数、清洗字段，再合并成一份能直接看的洞察。 技能效果 分析美国区冥想类应用的投放时，它整理出头部广告主的体量与投放特点，并按规模排了名。 手工做竞品情报，问题出在哪 出海投放离不开"摸清对手"：头部广告主在投什么素材、买量走哪些渠道、哪类 App 在涨、量级大概多少。但这些信息天生散落——素材在广告库、排行在榜单、下载和收入又在另外的数据面板。人工逐个翻查再手动拼合，一次像样的竞品分析往往要耗去几小时，且统计口径全凭手感，换个对手还得从头再来。 手工 翻多个广告素材库 查排行榜、估下载收入 手动整理成对比 ≈ 小时级，难复现 用技能 一句话提问 ↑ 自动合并多个接口 ≈ 分钟级，口径统一 这个技能能帮你查到什么 它把"找素材、看策略、查排行、估收入、出对比"打包成一次分析，一个需求能展开的维度通常包括：竞品广告素材、投放策略、渠道分布、地区表现、下载量与收入估算。所有数字都来自 AdMapix 接口返回，它会清掉原始字段里的杂项、统一数字格式，并对下载、收入这类估算值保留免责说明。 一次 提问 广告素材 投放策略 渠道分布 地区表现 下载量 收入估算 它会按需求复杂度自动分流：想快速看一眼走单接口的快速查询；要系统摸清一个对手或做一份正经的市场洞察，则走深度研究，串起多个接口合并成完整报告。最终交付的是 H5 结果页、提炼过的关键发现、完整研究报告链接和后续分析建议。 用前须知 该技能依赖 AdMapix 接口，使用前需先在 admapix.com 注册获取 API Key 并配置（深度研究还会用到 AdMapix 的研究服务），没有 Key 无法运行。下载量、收入等为估算值，适合判断量级与趋势，不应当作对方公布的真实财报。 怎么用它 用法是把要看的对象和维度用自然语言说清楚即可，不用记参数，也不用先决定走哪条路径。例如可以这样对它说： 可以这样对它说 "查最近美国区冥想类 App 的投放素材，看头部广告主和素材类型，投放地区分开列。" "分析这两个游戏 App 的买量渠道、收入和下载趋势，按国家拆开看。" "看东南亚短剧 App 排行榜，比较素材类型、投放天数和地区差异，按区域拆开。" 它适合这些场景：查找某类 App 或品牌近期的投放素材、浏览创意样式；分析竞品的投放策略、渠道分布与地区表现；查看应用市场排行榜与下载收入估算辅助投放决策；为出海产品准备市场洞察报告、横向比较多个竞争应用。 大家常问 出海投放为什么要看竞品的广告素材和投放策略，光看自己后台的数据不够吗？ 自家广告后台只反映"自己做了什么、结果如何"，是历史结果数据；它无法告诉你品类风向、对手在哪条赛道放量、还有什么蓝海人群没被吃掉。竞品素材与投放策略相当于市场信号的浓缩，能帮你提前感知素材衰退、识别差异化机会、判断对手处于测试期还是收割期，少走数周 A/B 摸索弯路。 第三方平台给的 App 下载量和收入都是估算值，跟开发者后台真实数据差多少？为什么不能直接当作竞品的真实业绩？ 第三方拿不到商店日志，只能靠 SDK 抽样、评分增量、搜索热度等信号反推；下载量误差通常在区间级（±20%-50%），收入误差更大（±30%-100%），尤其订阅、退款、地区定价、礼包码完全不可见。它适合看量级和趋势相对位置，但不同 App 的偏差方向不一致，做硬性横向对比或当作竞品真实业绩证据，风险都过高。 同一个 App 在不同国家或地区的应用榜单排名差异很大，背后到底反映了什么？ 榜单差异其实是用户需求、本地化深度和外部环境叠加的结果：不同市场的使用场景与替代竞品不一样，本地化运营和合规没跟上会拉低留存，预装/运营商分发与买量 ROI 决定推得动推不动，定价与变现模型错配会直接压垮畅销榜。叠加上榜单算法按本地市场归一化加权，差异会被进一步放大。 广告素材跑量衰退是什么意思？为什么一条爆款素材投着投着 CTR 就掉下来了？ 跑量衰退指素材投到一定阶段后 CTR 持续下滑、不可逆地失去盈利能力。原因不是素材变差，而是系统把高意向人群洗了一遍后只能放量给次级人群、用户对重复出现的画面产生视觉屏蔽、同质化竞品挤占同一广告位、转化率掉了 eCPM 被调低，多种结构性饱和叠加，让 CTR 必然向下漂移。 想用上这个技能？ 「广告情报分析」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 构建知识库
「LLM 知识库构建」是「龙虾部署大师」技能市场中的知识库技能：作用是基于扁平 Markdown 文件实现文档入库、查询、链接索引、OCR 和矛盾检测，无需数据库。入库时它感知现有 wiki 状态，判断该新建还是更新页面；查询时基于页面摘要选定起始页、遍历 Wikilinks、综合作答并返回来源。脚本负责结构与读写，LLM 负责语义判断，既保留原始文件，又能持续维护一个便于追踪来源的知识库。 技能效果 把三条带 [[双链]] 的笔记交给它入库时，它解析出各页面的出链入链关系，画了反向链接图谱，并把「向量数据库→Embedding→RAG」这条知识链梳理成表。 散落的文档，为什么越攒越查不动 很多团队的资料其实不少，难的是把它们变成能查、能维护、能追溯的知识库。文档格式杂——PDF、图片、Office、Markdown 混在一起；新增资料时，到底是该建新页面还是更新旧页面，靠人判断既慢又容易留下重复条目；查一个问题，往往要在多份文件里翻找，还说不清答案出自哪一页。更麻烦的是时间一长，不同文档之间会出现互相矛盾的说法，却没人发现。攒得越多，反而越查不动。 PDF 图片 Office 散乱、重复、矛盾 入库 + 语义判断新建 or 更新 Markdown 知识库 页面 + 摘要 + 双向链接 可追溯来源 这个技能怎么把文件变成可查知识库 它的核心思路是分工：脚本负责结构、读写和遍历，LLM 负责语义判断，全程基于扁平 Markdown 文件、不依赖数据库。入库时，用 ingest_file 把 PDF、图片、Office、Markdown 等文件吸收进来，并感知现有 wiki 状态——能合并的更新旧页面，确需新增的才建新页，避免重复。查询时，它先按页面摘要选定起始页，再遍历 Wikilinks 双向链接，综合得出答案并返回来源页面和遍历路径。维护层面，它生成并校验 Wikilinks 索引、识别孤立页面，还能执行 OCR 和矛盾检测，把结果连同版本记录一并保存。因为原始文件始终保留，知识库可以长期演进、来源可追。 入库ingest_file 查询摘要选页/遍历链接 索引Wikilinks/孤立页 校验OCR/矛盾检测 用前须知 该技能需要本机具备 Python，依赖 requests 2.28.0 及以上与 pyyaml 6.0 及以上；认证从 ~/.AI agent/ 目录自动读取。处理大文档时，建议把执行超时提高到 1 小时，以免长文档入库或 OCR 中途被打断。 怎么用它 用法是把要入库的文件或要问的问题用自然语言交给它，由它判断入库方式或遍历作答。例如可以这样对它说： 可以这样对它说 "把这些 Markdown 笔记入库，自动生成页面、摘要和双向链接。" "新增会议纪要时检查旧页面，能合并的就更新，别新建重复页面。" "问知识库里某个主题的内容，按摘要选页再综合回答，并给出来源和脉络。" 它适合这些场景：个人或团队希望把散落文档编译成 Markdown 知识库；查询知识库问题、需要返回答案、来源页面和遍历路径；新增资料可能更新已有页面、需要由判断新建还是合并；知识库长期维护中、需要检测页面之间的矛盾和孤立链接。 大家常问 为什么 LLM 直接作答容易出现幻觉，需要外挂一个知识库？ 大模型本质是按概率续写下一个 token，参数里只有训练截止前的知识，且生成过程不会主动查证。遇到记不清或没见过的内容，它仍会生成语法通顺却无来源的文字，这就是幻觉。外挂知识库的作用是在生成路径上插入"检索→验证"环节，让模型基于真实文档片段作答而非凭空生成。 知识库里的分块（chunking）是什么意思，为什么不能把整份文档直接丢进去？ 分块是把长文档切成语义连续的小段（通常 256–1024 token，留 10%–20% 重叠），每段独立做向量化和检索。整份丢进去会撞上上下文窗口上限，关键信息也会被海量无关文本稀释，无法精准命中。先切块再检索，才能把最相关的几段拼进 prompt 给模型作答。 知识库回答问题时为什么要返回来源页和遍历路径？ 检索召回是基于语义相似度的近似匹配，重排序又是模型内部的黑箱打分，单看答案无法判断结论是不是真被原文支持。返回来源页让用户能跳回原文核对，遍历路径展示这段内容在文档章节里的层级位置——这是把"黑箱生成"变成"可验证引用"的必要环节，也是幻觉发生时人工纠错的入口。 同一份资料再次入库时，为什么建议合并旧页面而不是直接新建？ 直接新建会在向量空间里制造大量近似副本：检索时 Top-K 被同义副本挤占、多样性下降，重排序分数失稳，倒排索引词频膨胀让混合检索权重失衡，引用路径碎片化让溯源失真。更糟的是旧版与新版内容矛盾时模型会同时引用产生自相矛盾的回答。合并能保持 chunk 集合幂等，从源头压低信噪比恶化。 想用上这个技能？ 「LLM 知识库构建」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 写能交付的前端页面
「前端开发」是「龙虾部署大师」技能市场中的页面交付技能：作用是把一个完整网页或前端应用从设计架构、动效实现、媒体资产、营销文案到界面构建一路落地，并守住质量门。它整合 React/Next.js、Tailwind、Framer Motion、GSAP、Three.js、Lottie 等能力，明确各自的边界与性能规则，要求产出真实可运行、无占位图、且具备加载态、空态和错误态的界面。 技能效果 让它做音乐应用落地页时，它产出了带逐级进场动画、粒子背景和「音律」整套真实文案的单文件页面，连用户评价和数据模块都补齐了。 从 Demo 到能交付的页面，差的是什么 一个能跑的 Demo 和一个可交付的页面之间，隔着大量收尾工作。Demo 通常只覆盖正常路径：数据来了、渲染出来、看着不错；但真正交付时，加载中、空数据、请求失败这三种状态都要补齐，占位图必须换成真实素材，复杂动效和滚动叙事还要兼顾性能不能拖垮首屏。再加上营销页往往需要视觉、文案、媒体资产同步到位，单点做好不够，整条交付链路都要串起来才算完成。缺口分散在状态处理、资产、动效、性能多个方向，逐一补齐既琐碎又容易遗漏。 能跑的 Demo 只覆盖正常路径 补齐 加载 / 空态 / 错误态 真实媒体资产 动效 + 性能守卫 可交付页面 这个技能从需求到页面包了哪些活 它把"从需求直接交付高完成度页面"拆成可推进的几步。方案层面，先制定页面设计、运动强度、视觉密度和资产需求。动效层面，按 Framer Motion、GSAP、Three.js、Lottie 等工具的适用边界选择实现方式，而不是盲目堆动画。资产层面，调用媒体脚本生成图片、视频、音频或音乐并保存到本地，不再依赖外链占位图。构建层面，产出含真实文案、状态处理、性能守卫和本地资产的界面，交付前还会检查依赖、占位资源、移动适配等质量门。 方案设计密度/资产需求 动效实现GSAP/Three 媒体资产本地生成 界面构建真实文案/状态 质量门 用前须知 代码开发本身不强制 API Key；但媒体生成需要配置 MINIMAX_API_KEY。常用依赖包括 framer-motion、gsap、three、lottie-react，媒体脚本还需 Python requests。若不生成媒体资产，可只用其设计与构建能力。 怎么用它 用法是把页面类型、想要的动效和资产要求用自然语言交代清楚，由它从方案一路做到可交付界面。例如可以这样对它说： 可以这样对它说 "做一个音乐应用落地页，要动画、真实文案和本地素材，首屏要抓人。" "把这个 React 页面补完整，加载、空态和错误态都要做，别留占位。" "实现一个电商首页，生成视觉素材并接进页面里，不再用外链占位图。" 它适合这些场景：构建完整落地页、产品页或活动页并配套高质量视觉资产；前端项目需要复杂动效、滚动叙事、3D 场景或交互式艺术；营销页面需要同时完成视觉、文案、媒体和代码实现；项目交付前检查依赖、占位资源、移动适配和质量门。 大家常问 为什么 AI 生成的前端页面经常跑不起来，缺哪些东西？ 主要缺三类东西：一是构建配置和路径别名、依赖版本这类项目基础设施；二是加载态、空态、错误态三态没补齐，只覆盖正常路径；三是 SSR/CSR 环境判断缺失，浏览器 API 跑在服务端就直接报错。AI 擅长生成静态片段，对运行时时序、状态拓扑、TypeScript 类型流的把握仍要人工兜底。 AI 前端开发指的是什么，和传统前端开发有什么区别？ AI 前端开发是借助大语言模型生成或辅助生成前端代码的开发范式，开发者用自然语言描述需求由 AI 推理产出代码。和传统前端最大的差别是分工：组件化、状态管理、SSR/CSR、Tree-shaking、TypeScript 类型流这些核心原理没被改写，AI 提速骨架生成，但边界判断、性能预算、复杂状态机仍要人审。 前端页面的加载态、空态、错误态分别处理什么内容，为什么三态都要做？ 加载态用骨架屏或 Spinner 告诉用户系统在处理；空态用插图加文案加引导按钮，让首次用户知道下一步去哪；错误态给出友好提示和重试入口，加上错误边界防止白屏。三态都要做是为了覆盖数据驱动界面的所有状态分支，缺一态就是把白屏或永远转圈的未定义行为推给用户。 Framer Motion、GSAP、Three.js、Lottie 这四个前端动效库各自适合做什么场景的动效？ Framer Motion 是声明式补间，适合 React 项目的页面过渡、布局动画和手势交互；GSAP 是时间线编排引擎，擅长复杂多阶段序列和滚动驱动动画，框架无关；Three.js 是 WebGL 3D 渲染，做 3D 展示、粒子和沉浸式场景；Lottie 复现 After Effects 导出的矢量动画，让设计师直接交付徽标和加载动画。 想用上这个技能？ 「前端开发」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。
Jungle Scout选品怎么分析？算11项指标出报告
「Jungle Scout 深度分析」是「龙虾部署大师」技能市场中的选品分析技能：它面向 Amazon 选品和市场进入判断，用 Jungle Scout API 数据、竞品指标、关键词趋势和品牌声量构建指标框架，输入关键词和可选 ASIN 后采集多源数据、生成 8 维子问题、逐维分析，输出三层商品推荐、供应商线索和一份 final_report.md。 技能效果 深挖亚马逊空气炸锅品类时，它按八维框架分析了搜索热度、价格带和竞争强度，判定整机已是红海，并给新卖家配件和食谱书两条低风险切入路线。 高投入选品，凭感觉进场风险太大 开发一款新品、砸进生产和广告预算之前，最怕的是"凭感觉进场"。一个 Amazon 细分市场到底值不值得做，要看需求大不大、竞争激不激烈、利润还有没有空间、有没有进入壁垒——这些维度散在各处数据里，靠零散查看很难拼出一个能支撑决策的完整判断。 这个技能能帮你分析什么 它把选品做成一份证据化的市场研究。数据上，它单次批量采集关键词、趋势、产品库和品牌声量等多源数据；框架上，它计算 11 项指标，并据此生成 8 个由异常驱动的子问题；分析上，它结合数据逐维回答需求、竞争、利润和壁垒；产出上，它给出分三层的商品推荐、供应商线索，以及一份 final_report.md 报告。即使某个步骤的数据缺失，它也要求基于现有数据产出报告，而不是中途停摆。 8 维分析 需求规模 竞争强度 利润空间 进入壁垒 关键词趋势 品牌声量 整体流程是"采数 → 逐维分析 → 出报告"，最终交付一份可在选品会上引用的材料： 多源数据采集 11 指标 / 8 维逐项分析 商品推荐 + 报告final_report.md 用前须知 该技能需要 Jungle Scout API 凭证或工具已配置，并具备工作区读写权限；Python 脚本随技能提供，供应商和商品补充依赖可用的搜索工具。数据质量取决于 Jungle Scout 的来源。 怎么用它 用法是把要研究的品类或关键词用自然语言交给它即可。例如可以这样对它说： 可以这样对它说 "用 Jungle Scout 深挖空气炸锅词，判断亚马逊机会和竞争强度。" "分析这个 ASIN 的关键词、竞品和品牌份额，写完整报告和风险。" "对这类产品做八维问题分析，再筛一批可卖 ASIN，别推配件类。" 它适合这些场景：评估某个 Amazon 细分市场是否值得进入、需要完整数据论证；分析竞品 ASIN 的流量关键词、销量估算和差异化机会；比较关键词需求、PPC 出价、季节性和市场集中度；为选品会议准备可引用的产品推荐、风险判断和供应商线索。 大家常问 为什么有些亚马逊细分市场销量很大，却反而不建议新卖家进入？ 高销量往往意味着该细分已进入成熟或饱和期，头部卖家在 Review 数量、采购成本、广告与自然流量上形成结构性壁垒，新卖家容易掉进"高销量≠高利润"的利润陷阱，还要面对跟卖、差评攻击与高退货风险。比起硬挤大市场，需求已验证、竞争未白热化、有差异化空间的小利基更适合新卖家起步。 亚马逊选品为什么不能只看销量，还要看利润空间？ 销量反映的是市场容量，不等于盈利能力。高需求品类常被市场教育出"价格锚点"压住提价空间，FBA 仓储/配送费与大词广告成本刚性，再加上退货的隐形折旧，很容易变成"给平台和物流打工"。健康的选品要把采购、头程、FBA 费用、广告、退货损耗、关税一起算进去，看单品净利润是否够厚。 亚马逊选品里说的"市场集中度"高，对新卖家是机会还是壁垒？ 要看是"同质化的寡头垄断"还是"有差异化空间的灯塔型"。前者在规模、Review、广告三方面都把门关着，不建议正面进入；后者头部高销量已验证需求、却只覆盖大众款，新卖家可从差评和细分需求切入、用差异化避开价格战。所以集中度本身不是壁垒，"同质化的高集中度"才是。 亚马逊选品为什么必须考虑季节性？忽略季节性有什么风险？ 季节性产品的流量是"脉冲式"倒计时：旺季仓储费是淡季的数倍，过季滞销会被长期仓储费和清仓甩卖吞掉利润，非旺季推广还会拉低点击率、推高 ACoS 让算法把 Listing 误判为低转化。选品时要先判定产品是否季节性，按可销售月数核算定价，首批宁少勿多、验证后再补货。 想用上这个技能？ 「Jungle Scout 深度分析」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 画科研论文配图
「科研绘图」是「龙虾部署大师」技能市场中的图表绘制技能：面向论文投稿和学术报告，把数据类型、目标期刊、图表类型和标注需求转化为出版级图表，覆盖期刊样式配置、色盲友好配色、线图/柱图/散点图/箱线图/热图生成、多面板布局与显著性标注，并导出 PDF、PNG、TIFF、EPS、SVG 等格式。 技能效果 把三个处理组、五个时间点的实验序列交给它画图，它生成了 Nature 单栏线图，用 Okabe-Ito 色盲友好调色板配上不同标记形状，附完整的 Matplotlib 代码。 论文配图，为什么总在投稿前返工 实验数据有了、图也画了，临到投稿却常常被打回重做。问题多半出在格式细节上：期刊对图的尺寸、字号、线宽各有硬性规范，默认画出来的图往往不达标；配色没考虑色盲友好，多组数据在审稿端难以区分；要带误差棒、显著性标注、面板编号的综合图，手动拼一遍既慢又容易不一致；最后还要同时交矢量图和高分辨率位图。这些调参工作琐碎又反复，常常吃掉投稿前最后的时间。 投稿前常见的图表问题 尺寸字号不达标不符期刊规范 配色难区分非色盲友好 标注手动拼误差棒/p值/编号 还要同时交矢量图 + 高分辨率位图 调参琐碎反复 → 投稿前返工 这个技能能帮你产出什么 它把"出版级图表"所需的格式工作打包成一套方案。样式上，按 Nature、Science、Cell 等期刊规范配置图表尺寸、字号与线宽；配色上，提供 Okabe-Ito、Wong、Paul Tol 等色盲友好调色板；图型上，支持线图、散点图、箱线图、热图以及多面板组合图，并能添加误差棒、显著性标注和面板编号；导出上，可同时生成矢量图（PDF、EPS、SVG）和 300dpi 位图（PNG、TIFF），满足投稿要求。整套流程让研究者少做手动调参，图表也更便于后续复现。 期刊样式尺寸/字号/线宽 色盲友好配色Okabe-Ito/Wong 绘图 + 标注误差棒/p值/面板 导出多格式PDF/PNG/TIFF/EPS/SVG 导出格式常见用途 PDF / EPS / SVG矢量图，缩放不失真，多用于正式投稿与排版 PNG预览、汇报演示和文档内嵌 TIFF（300dpi）满足期刊对位图分辨率的硬性要求 用前须知 该技能需要 Python 环境并安装 matplotlib、numpy、seaborn、Pillow，无需 API Key。若图表要用 Arial / Helvetica 等字体，应在系统中预先安装，否则需使用替代字体。出图依据你提供的数据，数据准确，图表才如实。 怎么用它 用法是把数据、目标期刊和图表要求用自然语言说清楚，让它直接出图。例如可以这样对它说： 可以这样对它说 "这组实验时间序列画成 Nature 单栏的线图，配色要色盲友好一点。" "把两组箱线图和误差棒合成双栏多面板，还要标上显著性 p 值。" "论文补图需要 PDF 和 TIFF 两版，字号和线宽按期刊规范统一设置。" 它适合这些场景：实验数据需要整理为符合 Nature 单栏或双栏要求的论文图表；多组结果需要在同一图中用色盲友好方案清晰区分；科研汇报需要带误差棒、显著性标注和面板编号的综合图；投稿前需要同时生成 PDF 矢量图和 PNG/TIFF 预览文件。 大家常问 论文配图为什么在投稿前容易被打回返工？ 返工多出在格式细节：图表类型与数据关系不匹配、配色非色盲友好、误差棒未标含义、分辨率或矢量格式不达标，以及没逐条核对目标期刊的尺寸、字号、线宽规范。投稿前按这几项自查，能大幅降低被退改的概率。 科研图的配色为什么要做成色盲友好？ 约8%的男性、0.5%的女性存在色觉缺陷，红绿色盲最常见，红绿对比在他们眼中几乎无法区分。科研图首要是准确传递信息，因此应避免只靠颜色区分，配合形状、线型或直接标注，并保证转灰度后仍可分辨。 科研图导出时，矢量格式和位图格式有什么区别？ 矢量格式用数学描述线条与文字，无限缩放都清晰，适合统计图表，是投稿首选；位图由像素构成，清晰度靠分辨率（一般≥300dpi），适合显微照片、电泳胶图等连续色调图像。线条文字图优先矢量。 图里的误差棒和显著性标注分别说明什么？ 误差棒反映数据的变异或估计的不确定性（标准差/标准误/置信区间），须在图注注明用的是哪种；显著性标注表示组间差异是否达到统计显著（如*、**、***）。两者互补不能互相替代，误差棒重叠也未必不显著。 想用上这个技能？ 「科研绘图」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