如何用 AI 学会 Git 常用命令
「Git 基础操作」是「龙虾部署大师」技能市场中的版本控制助手技能：作用是把常用的本地 Git 命令和协作流程整理清楚并安全执行，覆盖初始化、克隆、配置用户名邮箱、查看状态、暂存、提交、修订提交、查看差异，以及分支创建切换删除、合并、冲突检查、远程仓库管理、fetch、pull、rebase、push 和安全强推。它把这些操作规范化，并整理命令输出便于查看。 技能效果 让它演示查看仓库改动时，它真的初始化了一个 git 仓库、造了四个文件并改动一部分，再用命令展示出已暂存、未暂存、未跟踪三种状态和当前分支。 Git 命令记不牢，问题出在哪 Git 的日常痛点不是不会用，而是命令零散、易记错，且部分操作有破坏性。查状态、看差异、暂存、提交、改提交、建分支、切分支、合并、推远端——每个动作都有自己的参数和细节，偶尔用一次就要翻文档。更要紧的是，rebase、强推这类操作一旦用错，可能覆盖他人提交或丢失历史。结果是：简单操作要查，危险操作不敢轻易动，效率和安全两头都打折扣。 本地 Git 工作区流转 工作区 add 暂存区 commit 本地仓库 push 远端 这个技能能帮你做哪些 Git 操作 它把本地版本控制的常用动作整理成一套可以放心调用的能力，并附带安全约束。基础层面，提供初始化、克隆、全局配置用户名邮箱、状态检查和提交。日常层面，覆盖暂存、差异查看、提交修订，以及分支的创建、切换、删除和管理。协作层面，处理合并、冲突检查、远程仓库添加、fetch、pull、rebase、push，对安全强推这类有风险的操作格外谨慎。它还会清理命令输出，按状态、日志或分支列表选择合适的展示格式，让结果一眼能读懂。它定位在常用命令与基础协作流程，更复杂的历史搜索、stash、标签、cherry-pick、子模块等会指向扩展文档。 基础init/clone/commit 日常diff/分支/改提交 协作merge/pull/push 安全强推谨慎/输出清晰 用前须知 该技能无需 API Key，但需要本机已安装 Git。涉及远程仓库推送或私有仓库时，需要额外配置对应平台的认证（如 SSH Key 或访问令牌），否则推拉操作会因权限不足而失败。 怎么用它 用法是把当前要做的版本控制动作用自然语言说清楚，不必记参数，由它选用安全的命令并整理输出。例如可以这样对它说： 可以这样对它说 "看一下当前仓库哪些文件改过、哪些还没暂存，顺便告诉我当前在哪个分支。" "把这次改动提交成一条记录，提交信息写修复登录，不要改上一条提交。" "新建一个 feature 分支，把本地改动推到远端并设置上游。" 它适合这些场景：新项目要初始化仓库、配置用户信息并完成第一次提交；开发者要创建功能分支、切换分支、合并并处理冲突；需要查看未暂存或已暂存差异、确认提交范围是否正确；团队协作时设置远程仓库、拉取更新并推送新分支。 大家常问 git 的工作区、暂存区和本地仓库到底是什么关系？ 工作区是你正在编辑的文件目录，可自由增删改；暂存区是 .git/index 里那张「下一次提交的清单」，由 git add 把工作区改动登记进来；本地仓库是 .git/objects/ 里的不可变提交快照，由 git commit 把暂存区那张清单永久写入。HEAD 则是指向当前分支最新提交的指针，决定 commit 的父提交是谁。 git merge 和 git rebase 都能合分支，本质区别是什么？ merge 是追加一个有两个父提交的合并节点，原有的两条分支提交一字不改地保留下来，历史呈分叉拓扑；rebase 是把当前分支的提交挨个搬到目标分支顶端，重新生成全新哈希的提交，历史变成一条直线。前者不改写历史、可被 revert 整体撤销，后者重写历史，已推送到远端共享的提交不要 rebase。 为什么 git push --force 被视为危险操作？ 普通 git push 会做快进检查，若远端有本地没有的提交就拒绝推送，保护远端历史完整性。--force 直接跳过这道检查，把远端分支引用强行指向本地 HEAD，远端那些你没拉到的提交立刻从引用图里被切断，沦为悬空对象，等 git gc 一跑就永久丢失。别人在那段历史上的工作也会一起被覆盖。 git reset 和 git revert 都能撤销改动，怎么区分？ reset 是把当前分支指针往回挪，属于改写本地历史，被甩开的提交进入 reflog 等待回收；--soft 只挪 HEAD、--mixed 还重置暂存区、--hard 连工作区一起回退。revert 是基于要撤销的那个提交生成一条反向变更的新提交追加到末尾，历史不被改写，安全可分享给协作方。共享分支用 revert，本地未推送用 reset。 想用上这个技能？ 「Git 基础操作」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 算清广告投放回报率
「营销 ROAS 分析」是「龙虾部署大师」技能市场中的投放效率分析技能：它跨 Meta、Google、TikTok、Amazon Ads 等渠道，结合支出、平台收入、第一方归因收入、毛利率和成本，计算平台 ROAS、1P ROAS、MER、真实 ROAS、CAC 和盈亏平衡点，并给出渠道目标与预算再分配建议。 技能效果 Meta和Google的ROAS对不上时，它分别按平台口径和GA4口径算出两套ROAS，列出差异并解释归因窗口、去重等误差来源。 平台都说 ROAS 很高，利润却对不上 多渠道投放最常见的困惑是：每个平台后台自报的 ROAS 都很漂亮，加起来却和实际利润、现金流对不上。原因往往藏在归因里——再营销 ROAS 虚高，可能是广告抢走了本就会发生的自然购买；各平台各自归因，重复计算同一笔成交；而平台收入没有扣掉毛利率和可变成本，离"真正赚到的钱"还有距离。靠平台自报的数字分预算，很容易把钱加在看起来好、实则不增量的渠道上。「营销 ROAS 分析」要解决的，是用利润口径而非平台归因来衡量投放。 从"平台自报"到"真实利润"的层层折扣 平台 ROAS（自报） 1P ROAS（第一方归因） 真实 ROAS（扣增量） 扣毛利后的利润 这个技能能帮你算清什么 它把"投放赚不赚钱"拆成一组可计算的指标。口径层面，它定义并区分平台 ROAS、1P ROAS、MER、真实 ROAS 和 CAC；阈值层面，它按毛利率和可变成本算出盈亏平衡 ROAS，让你知道每个渠道至少要做到多少才不亏；监控层面，它建立每周渠道记分卡和预算节奏规则，避免月底集中花钱或超支；决策层面，它给出扩量、缩量、暂停的判断，并设计增量 Holdout 测试来检验某个渠道是不是真的带来了增量。整个流程强调用 GA4 与整体 MER 交叉验证平台数据。 每周记分卡：四个动作信号 扩量高于阈值且增量 缩量效率走低 暂停低于盈亏平衡 Holdout 测试验证是否增量 渠道分开看，再决定预算怎么挪 用前须知 该技能无需 API Key 或固定依赖，分析依赖你提供的广告平台、GA4、订单、毛利和成本数据；若要自动拉取数据，需另行配置各平台权限。它是分析与决策辅助工具，结论的可靠性取决于你提供数据的准确度，不构成投资建议，也不承诺投放收益。 怎么用它 用法是把各渠道的支出、收入和成本数据，连同你要做的决策用自然语言交给它。例如可以这样对它说： 可以这样对它说 "Meta、Google 的 ROAS 对不上，按 GA4 算一下真实值和误差来源。" "本月广告花太快，按剩余天数算每天还能投多少，别月底超支，消耗一起看。" "先看各渠道的 MER 和真实 ROAS，再决定下周预算怎么挪动，渠道分开看。" 它适合这些场景：多个广告平台自报 ROAS 很高、但实际利润和现金流不匹配；需要判断下一笔预算该加给 Meta、Google、TikTok 还是邮件渠道；怀疑再营销 ROAS 过高、抢夺了自然购买归因；以及月度预算消耗节奏异常、需要避免超支。适用于 DTC 电商、增长团队、投放负责人和需要以利润而非平台归因来管理预算的企业。 大家常问 为什么各广告渠道后台自报的 ROAS 加起来，和实际利润经常对不上？ 主要不是有水分，而是口径不同：渠道后台看的是广告带进来的流水（ROAS），财务看的是扣完商品、物流、退款等所有成本后还剩多少（ROI）。加上各渠道各自归因、互相重复计算同一笔成交，加总自然会高于实际收入。 平台 ROAS、真实 ROAS 和 MER 有什么区别？ 平台 ROAS 是单渠道封闭归因下的账面效率，有系统性高估倾向；真实 ROAS 要跨渠道去重、剔除自然转化后才得出，通常靠增量测试推算；MER 不做归因，直接用总营收除以总营销支出，粗但能反映整体效率，适合做保底气压计。 盈亏平衡 ROAS 是什么，怎么判断一个渠道值不值得继续投？ 盈亏平衡 ROAS 约等于 1÷毛利率，是恰好不亏本的临界值，低于它每投一笔都在亏。判断渠道时不能只看这个数，还要做增量测试看是否带来真增量、结合回收周期和 LTV，并观察加预算后效率会不会跌破平衡线。 为什么再营销的 ROAS 很高，反而要警惕？ 因为再营销出价低、又常被末次点击归因截走上层渠道的功劳，分母小、分子虚，ROAS 容易虚高。这些人很多本来就会买，做 Ghost A/B 测出的增量 ROAS 可能极低——它只是提前收割了自然成交，掩盖了拉新缺口。 想用上这个技能？ 「营销 ROAS 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 做竞品分析
「竞品深度分析」是「龙虾部署大师」技能市场中的战略分析技能：它先把竞争者分为直接、间接和标杆三类，再用六层情报框架提取战略定位、产品功能、定价模式、营销流量、用户评价和 SEO 内容情报，随后构建 1 到 5 分的竞争矩阵，用普遍性、有据可查、可解决三重标准筛选市场机会，最终输出定位声明、差异化切入点、验证清单和持续监测计划。 技能效果 让它比三家CRM，它分别查了官方定价页、维基和G2等平台约一万一千条评价，列出定价与功能对比表，并标明了各项数据来源和样本量。 做竞品分析，为什么常常停在罗列功能 很多竞品分析的问题，是把"调研"做成了"抄功能表"：列了一长串对手的功能和价格，却得不出"我该往哪打"的结论。深层原因有三个：一是不分层，把所有对手平铺对待，精力被次要竞品稀释；二是维度散，只盯产品和定价，漏掉营销流量、用户评价里的真实抱怨和 SEO 内容布局；三是从证据到决策断档，看了一堆资料，却拿不出一句站得住的差异化定位。 先分层，把精力放在高优先级对手 直接竞品 · 同客群同方案，重点拆 间接竞品 · 解决同问题的替代方案 标杆对象 · 跨行业可借鉴的做法 这个技能用什么框架拆竞品 它的核心是一套结构化方法，让分析从"罗列"走向"决策"。先按直接、间接、标杆三级给竞争者分层，集中精力分析高优先级对手；再用六层情报框架，从战略定位、产品功能、定价模式、营销流量、用户评价和 SEO 内容六个角度系统取证；接着构建 1 到 5 分的竞争矩阵，把各家强弱量化对比，并用普遍性、有据可查、可解决三重标准筛出真正能利用的市场空白；最后可结合波特五力、蓝海战略、定位图等框架深化，形成一句可防御的定位声明和差异化切入点。 六层 情报 战略定位 产品功能 定价模式 营销流量 用户评价 SEO 内容 真正的价值在于"可解决"这一关：很多机会看着诱人，但要么不普遍、要么没证据、要么自己也补不上。这套筛选让差异化方案落在确实能赢的位置上。 用前须知 该技能无需固定 API Key。实际分析通常需要访问竞品官网、广告库、评价平台、SEO 工具或公开资料作为取证来源，可按需读取附带的 frameworks 参考文件以调用更多战略模型。 怎么用它 用法是把要分析的竞品和你的目标用自然语言说清楚。例如可以这样对它说： 可以这样对它说 "分析三家 CRM 竞品的定价、功能和用户评价里的痛点，找出共同弱点，样本量写明。" "在这个垂直 SaaS 市场里找可切入的差异化空白，要求有用户评价证据支撑。" "用定位图比较我们和竞品，先把维度拆开看，再提炼一句核心定位并解释它的防御性。" 它适合这些场景：进入新市场前系统比较 3 到 5 个直接竞品的定位和功能；产品同质化严重、想从用户评价中找竞品共同弱点；制定品牌或产品差异化定位、需要明确目标客群和独特方法；以及季度战略复盘时刷新竞争矩阵、调整路线图优先级。 大家常问 竞品深度分析是什么？跟普通的竞品对比有什么不一样？ 普通竞品对比是把竞品功能、价格列成表格罗列差异；竞品深度分析追求归因，要回答市场格局、对手成败逻辑、自己取胜空白这三件事，从产品视角升到战略视角，最终交付一套可执行的差异化策略与持续监测节奏，而非一次性报告。 竞品分析里直接竞品、间接竞品和标杆竞品怎么区分？ 直接竞品同场景、同核心价值、同客群，集中 80% 精力研究；间接竞品满足同一需求但路径不同，或抢占同一预算/时间；标杆竞品不一定是对手，但在某个维度领先一代，用来学习而非战胜。判断关键：用户在同一购买决策里是否会把它放进比较清单。 差异化定位是什么意思？为什么竞品越同质化反而越要先做差异化？ 差异化定位就是让产品在客户心智里占据一个独特且相关的位置。竞品越同质化，客户的比较基准就退化成只比价格，引发降价螺旋、利润归零。差异化的作用是重新定义比较维度，把"谁便宜"换成"谁更适合我"，建立价格不敏感区间。 竞品分析里波特五力、SWOT 和定位图分别在解决什么问题？ 波特五力评估行业结构性吸引力，回答"这个市场值不值得进";SWOT 结合外部环境看自身位置，靠 SO/WO/ST/WT 交叉推出策略;定位图把竞争格局降到二维，找客户真正在乎的两个维度上的空白。一条链路：值不值得玩 → 怎么赢 → 站在哪里。 想用上这个技能？ 「竞品深度分析」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。
一件代发供应商怎么整合？库存同步加幂等下单核利润
「一件代发供应商整合」是「龙虾部署大师」技能市场中的代发系统设计技能：它规划供应商接入、订单路由、库存同步和利润核算，区分 API、CSV/SFTP、邮件、Webhook 等接入方式，给出数据结构、供应商选择逻辑、库存缓冲和自动履单模板，并明确不直接调用真实供应商接口。 技能效果 设计双供应商代发方案时，它给出库存安全缓冲防超卖的公式、按利润时效库存三因素打分的路由模型，还有缺货自动切换和拆单的处理逻辑。 接多个代发供应商，麻烦从对接那天就开始 店铺一旦接入多个代发供应商，问题接踵而至：有的供应商给 API，有的只给 CSV 或邮件，接入方式各不相同；库存同步稍有延迟就会超卖；同款多个供应商供货时该路由给谁说不清；扣掉运费和广告后每单到底赚多少，更是一笔糊涂账。这些都属于"系统怎么设计"的问题，光靠手工对单撑不住。 这个技能能帮你设计什么 它帮你把代发系统的骨架搭起来。接入上，它评估 API、CSV、SFTP、邮件、Webhook 等不同对接方式各自适合什么场景；数据上，它设计供应商商品、库存、成本和履单的数据结构与订单路由逻辑；同步上，它提供库存同步、库存缓冲、幂等下单和物流追踪的模板，防止延迟导致超卖和重复下单；核算上，它用净贡献瀑布把商品成本、运费、手续费和获客成本一层层扣清，算出每单真实利润。 多个供应商API/CSV/邮件 订单路由按价/库存/位置选最优 幂等下单防超卖/重复 履单追踪 利润这块它用瀑布逐项扣减，让"看着有单、实际不赚"无所遁形： 售价 净贡献 商品成本 运费 手续费 获客成本 用前须知 该技能本身无需 API Key，示例以 TypeScript 架构模板为主，不执行真实供应商 API；实际落地需要对应平台和供应商的凭证。它解决的是"系统怎么设计"，落地仍需你的工程实现。 怎么用它 用法是把你的代发场景和约束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 "我们要接两个代发供应商，设计库存同步和路由规则，先不碰接口。" "这批订单有多仓代发，拆履单和利润核算逻辑，看净贡献是否够。" "供应商只给 CSV 库存，做一版定时同步方案和代码，要有容错。" 它适合这些场景：店铺新增代发品类、要把订单自动路由到外部供应商；多个供应商同时供货、按价格库存和位置选最优履单方；供应商库存通过 CSV 或 API 同步、必须防止延迟超卖；想核算每笔代发订单扣除运费和广告后的真实利润。 大家常问 对接一件代发供应商，API、CSV/SFTP、邮件、Webhook 这几种方式有什么区别，怎么选？ 区别在于数据是推还是拉、实时性和自动化程度。API 双向、秒级实时、全自动，但要求供应商有接口、开发门槛高，适合高频订单和库存波动大的品类；CSV/SFTP 是按周期拉取文件、单向、有 4—24 小时延迟，几乎所有供应商都能给，适合库存稳定的批量更新；邮件门槛最低但可靠性最差，多用于初期或异常兜底；Webhook 是事件触发的实时推送，适合物流状态通知，但通常要搭配 API。选型先看供应商支持什么，再按日订单量和库存波动决定，常见是库存走 CSV/API、订单走 API、物流走 Webhook 的组合。 多个代发供应商供同一款货时，订单路由按什么逻辑选履单方比较合理？ 核心目标是在满足服务水平的前提下最小化综合成本，按优先级逐层筛：先按实时库存可用性过滤掉缺货的；再按客户承诺时效匹配，区域内"最近仓优先"；然后在候选里按总成本（商品成本+运费+附加费，而非单纯单价）排序；最后用供应商评分卡（缺货率、准时率、退货差评率、客服、包装）加权，价格相近（±5%内）时优先选评分高的。新供应商先灰度小流量观察，并设兜底重路由，VIP 客户可优先稳定而非最低价。 代发库存同步为什么容易导致超卖，库存缓冲和幂等下单分别解决什么问题？ 超卖的根源是你看到的永远是"过去的数据"：定时同步有时间窗口差、并发下单存在竞争条件、且供应商的同款货同时供给几十上百个分销商共享。库存缓冲是不上架全部库存、预留一段安全区（如显示 80/100），用牺牲一点可售量换取同步延迟和抢购突刺的容错，防的是"跟别人抢"。幂等下单是每个采购请求带唯一幂等键，供应商对重复键直接返回已处理，防的是网络超时重试或用户重复点击导致"同一单下两次"。两者针对不同问题，配合使用才稳。 代发订单看着有毛利却不赚钱，净贡献瀑布是怎么把利润一层层算清楚的？ 净贡献瀑布把利润从毛收入开始逐层扣减：先扣退款退货，再扣拿货成本（到此是毛利，往往看着很高），接着扣物流履约、扣营销（推广费+平台扣点+达人佣金，常是最大的隐形支出）、扣运营固定成本，最后才是净贡献——真利润。一个售价 99、毛利率看似 52% 的耳机单，扣完各层可能反而亏几元，这就是"有毛利没净利"的真相。所以要画自己的瀑布图找利润黑洞、用倒推法选品、看净贡献率而非毛利率。 想用上这个技能？ 「一件代发供应商整合」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。
微信公众号文章怎么检索？按关键词搜标题摘要看话题趋势
「微信文章检索」是「龙虾部署大师」技能市场中的内容研究技能：给定关键词和数量，它通过搜狗微信搜索查找公众号文章，返回标题、摘要、发布时间、来源公众号和链接，并按时间整理话题分布。它不获取全文，而是把"最近哪些公众号在聊某个话题"快速汇成一份可参考的线索清单。 技能效果 检索「AI绘画商业化」公众号文章时，它从搜狗微信搜索按时间倒序整理出十篇，每篇都给了标题、来源公众号、发布时间和一句话摘要。 选题前想摸清同行在聊什么，难在哪 做内容策划、舆情观察或选题调研时，常要先弄清楚最近一段时间公众号都在讨论什么、用什么角度、出自哪些账号。靠人工去搜，结果零散：标题、摘要、时间、来源分散在各个页面，要逐条记录；想看话题的时间分布，还得自己把几十条结果排序归类。等清单整理完，对"近期热度"的判断早已凉了一半，效率和时效都不理想。 人工搜公众号 · 信息散落 标题 摘要 来源 时间 链接 逐条记录、手动排序，整理完热度已过 这个技能能帮你拿到什么 它把散落的搜索结果整理成一份结构化的线索清单。核心做四件事：检测并自动安装所需的 cheerio 依赖后，执行搜狗微信文章搜索；按关键词和指定数量整理出每篇文章的标题、摘要、来源公众号和发布时间；可把结果保存为 JSON 文件，或尝试解析真实的微信文章链接并提示解析成功率；并按发布时间排序，归纳多条结果中的话题分布。需要明确的是，它返回的是标题与摘要级别的线索，不抓取文章全文。 关键词 + 数量 搜狗微信搜索 标题 / 摘要 来源 / 时间 / 链接 （非全文） 话题 分布 当搜索结果为空，或链接因平台限制无法直达时，它不会空手而归，而是给出重试建议和替代关键词，帮你换个角度再查。 用前须知 需要 Node.js 14 或以上版本，脚本会自行检测并安装 cheerio，无需 API Key。它依赖搜狗微信搜索，结果存在数小时到数天的延迟，不适合追求秒级实时的资讯；高频使用可能触发限速甚至封禁，请控制调用节奏。 怎么用它 用法是把要查的关键词、想要的数量和关注的字段用自然语言说清楚。例如可以这样对它说： 可以这样对它说 "搜十篇公众号里讲 AI 绘画商业化的文章，按时间排，只看摘要和来源。" "找最近关于小红书运营的公众号文章，要摘要、来源和能直达的真实链接。" "检索新能源汽车舆论相关的文章，汇总公众号都在聊什么，按话题分组。" 它适合这些场景：想知道最近有哪些公众号文章在讨论某个行业或热点；内容策划前要先摸清同类主题的标题、摘要和来源账号；舆情分析任务需要整理近几周公众号话题的分布；以及搜索结果为空或链接不可直达时，需要拿到替代关键词的建议。 大家常问 为什么自己刚发的公众号文章，过几天用关键词在微信搜一搜里也搜不到？背后是什么收录和排序机制？ 搜一搜不是"发即收录"。文章先要走爬虫抓取队列，再进倒排索引，整个过程通常 1–3 天，新号或低活跃号的优先级更靠后。即便被收录，新文章在冷启动阶段没有点击、阅读时长、转发等用户行为数据，初始排序极低，会被同主题的高权重账号文章压在很后面，看起来就像"搜不到"。 微信「搜一搜」和「看一看」在内容分发逻辑上有什么本质区别，为什么同一篇公众号文章在两边的曝光差别会非常大？ 搜一搜是 Pull，用户带关键词主动检索，前提是标题或正文命中关键词，账号权威与历史表现决定排名；看一看是 Push，系统按用户兴趣画像和社交关系链（好友在看/转发）主动推送，关键词不重要、内容质量分和社交传播是关键。所以标题不含热词的文章在搜一搜可能零曝光，在看一看却可能被推爆，反之亦然。 在微信搜一搜的文章结果里，订阅号和服务号在排序权重上为什么会有差别？跟群发频次有关系吗？ 搜一搜的排序算法叫 PeopleRank，本质是用户满意度投票，并不直接给账号类型赋分。订阅号日更，活跃度信号积累更快；服务号月发 4 次但触达率高、认证比例高，单篇互动转化也更强。群发频次只通过影响活跃度间接起作用，真正决定排名的是阅读时长、完成率、在看与好友转发这些行为信号。 微信搜一搜的文章排序里，常说的「相关性、新鲜度、权威度」三个信号到底是什么意思？运营最容易忽视哪一项？ 相关性是入围门槛——标题/正文与查询词的匹配度，决定能不能被召回；新鲜度是动态权重——热点查询给新文章加分，常青查询衰减慢；权威度是账号长期累积的信任分——认证、注册时长、原创率、历史互动真实度都算。运营最容易忽视权威度，因为它见效慢、难量化，但缺了它每篇文章都要从零竞争，没有复利。 想用上这个技能？ 「微信文章检索」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。
PPT 怎么按风格批量生成？多种风格逐页出图并合成成品
「PPT 生成大师」是「龙虾部署大师」技能市场中的演示文稿生成技能：它提供白板、光辉、黑胶、黑板报、医疗、年度总结、开学第一课等十四种视觉风格，先确认风格、把文案整理成逐页确认表，确认后逐页生成 16:9 页面图，再合成为视觉统一的 PPTX，适合把文本内容快速转成成套的视觉化演示。 技能效果 做黑板报风「开学第一课」PPT时，它先按页排好封面和各内容页结构，确认后再合成。 做一套风格统一的 PPT，难在哪 把内容做成演示文稿，最耗时的往往不是写字，而是排版和统一视觉。常见状况有三种：一是手工逐页找模板、配图、调样式，几十页下来风格容易飘；二是希望换一种整体视觉风格（比如黑板报、医疗科普、商务总结），但缺少成套的设计参考，只能一页页拼；三是页数一多，生成或调整中途容易乱、也不好预览确认。结果是内容明明就绪，成片却迟迟出不来。 手工拼页：风格各异 ? 配色、版式、字体不统一 页数一多更难收口 这个技能能帮你做什么 它把"挑风格—排页—生成—合成"做成一条可确认的流水线。风格上，它提供白板、光辉、黑胶、画架、立体、黑板报、旧画报、毛毡、拟物毛玻璃、医疗、年度总结、开学第一课、林地和湿壁画共十四种视觉风格，并为每种风格匹配封面、内容和尾页的参考图；整理上，它会先把你的文案整理成包含页码、页面类型、参考图和内容摘要的确认表，让你先看清结构；生成上，确认后它逐页调用图像生成脚本，按风格提示词产出 16:9 页面图；合成上，再把确认后的页面图片合成为 PPTX。它保留页数控制和分批生成提示，长内容也能稳住。 确认风格 逐页确认表页码/类型/摘要 逐页生成图16:9 页面 合成 PPTX 用前须知 该技能需要 Python，并会检查 openai、Pillow、python-pptx。其中页面图像生成通常需要已配置可用的 OpenAI 或兼容图像 API Key。 怎么用它 用法是把文案、想要的风格用自然语言交给它，先确认结构再合成。例如可以这样对它说： 可以这样对它说 "用黑板报风做开学第一课 PPT，先分好页，确认后再合成文件。" "这份年终总结文案做成蓝金商务风 PPT，数据页要清楚，图表别挤。" "把这份医疗科普内容做成 16:9 页面，先确认风格和页数。" 它适合这些场景：手里有课程、汇报或活动文案、需要快速转成视觉统一的 PPT；年度总结、医疗科普、校园课程等主题、需要匹配更行业化的风格；希望先预览每页图片效果、再确认是否合成最终文稿；超过二十页的长内容、需要分批生成以降低中断和预览压力。它适合培训师、教师、市场运营、咨询顾问、活动策划和企业汇报人员。 大家常问 什么是PPT的信息层级？为什么一页字太多听众抓不住重点？ 信息层级是用字号、颜色、位置和留白对一页内容做"重要性排序"，引导视线先看什么再看什么。一页字太多时，视觉和听觉同时挤占工作记忆，认知负载过载，所有文字又都同权重平铺，大脑找不到主次，结果听完什么也没记住。 为什么一套PPT几十页做下来配色和版式容易飘？从母版和版式的设计原理上看，是哪一步没做好？ 配色和版式漂移的本质是把"手动调整"当成了"设计规范"。母版应在抽象层一次定义配色和共享元素，版式应在结构层定义内容容器，页面只在版式里填内容。若跳过母版直接在页面里取色、挪标题、加色块，每一次微调累积起来就成了肉眼可见的飘。 演示文稿的封面页、内容页和尾页在叙事上分别承担什么作用？ 封面页负责设定预期、建立信任、定下情绪基调，让观众三秒判断这是什么、为什么要听；内容页推进论证、控制节奏与信息密度，每页只承载一个观点；尾页提供闭合感、明确下一步行动、利用近因效应强化记忆，"谢谢聆听"只完成礼貌，未完成叙事收束。 一份PPT页数多和单页信息密度高，对听众理解的负担有什么区别？哪种更影响信息接收？ 页数多伤害的是叙事的可追溯性，听众记不住整体故事地图，但讲师可用语速和停顿抵消；单页密度高伤害的是单点理解的速度，信息超出视觉带宽就直接过载，且这种失败更隐蔽。多数场景下，密度高比页数多更伤信息接收。 想用上这个技能？ 「PPT 生成大师」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。
提示