如何用 AI 设计自动化流程
「自动化流程设计」是「龙虾部署大师」技能市场中的顾问型技能：它不直接连接外部平台，而是通过引导式对话收集你的重复任务、耗时和频率，计算时间成本并排序优先级，再依据复杂度、预算和技术背景推荐 Zapier、Make、n8n 等工具，最终输出含触发器、条件、动作、错误处理的完整设计文档，以及实施清单、测试清单、维护计划和 ROI 计算，可直接用于无代码或低代码平台落地。 技能效果 提出每周手动发销售周报的痛点，它画出数据层到投递层的四段架构，把拉取、计算、生成、发送和失败重试告警都串成可落地的流程。 想做自动化，卡在哪一步 多数团队的卡点不在工具，而在动手之前。重复任务很多——手工复制数据、逐个发通知、每周拼报表，但哪一项最值得先自动化，往往说不清；想搭流程又缺一份清晰的设计文档，触发条件、异常分支全靠现场拍脑袋；面对 Zapier、Make、n8n 一堆工具，也判断不出哪个匹配自己的预算和复杂度。结果常常是要么迟迟不动手，要么搭了一半发现漏掉了错误处理。 一堆重复任务，先动哪个？ 手工发周报 表单录 CRM 发票核对 每件都说"该自动化"，但缺： · 优先级 — 哪件最省时 · 设计文档 — 触发 / 条件 / 异常 · 选型 — 用哪个平台 · 回本 — 值不值得做 这个技能能帮你产出什么 它把"想自动化"变成一份可落地的方案。第一步，通过对话收集你的重复任务、单次耗时和发生频率，按月度时间成本排序，告诉你先做哪一项最划算；第二步，结合预算、复杂度和你的技术背景，推荐 Zapier、Make、n8n 或区域替代工具；第三步，输出完整的工作流设计文档，把触发器、条件分支、动作、错误处理和备注都写清；最后，附上实施清单、测试清单、维护计划，并算出这套自动化的投资回报周期。 梳理任务 耗时 · 频率 排优先级 月度成本 推荐工具 Zapier/Make/n8n 设计文档 + ROI 触发/条件/动作/异常 它的价值在于"先想清再动手"：交付物本身就是平台搭建时的施工图，把容易遗漏的异常分支、测试边界和长期维护一并写进去。 用前须知 该技能无需 API Key 或本地依赖，主要输出设计文档，不直接连接或操作任何平台。要把方案落地，你需要自行拥有 Zapier、Make、n8n、飞书、钉钉或云函数等平台账号，再按设计文档实施。 怎么用它 用法是把你要自动化的场景和约束用自然语言交给它，它会通过追问补全细节。例如可以这样对它说： 可以这样对它说 "我每周手动发客户周报，帮我设计一套可落地的自动流程，含失败提醒，关键字段别漏。" "表单线索进 CRM 再自动发欢迎信，这套流程画清楚，条件分支和异常处理都写上。" "算一下发票自动化值不值得做，按月省时和成本估算回本周期，实施步骤写清楚。" 它适合这些场景：业务里存在大量手工复制、通知或报表任务，需要先确定自动化什么；准备在 Zapier、Make 或 n8n 上搭流程，但缺一份清晰的设计文档；需要比较不同工具、选出匹配预算和复杂度的方案；以及上线前要把测试边界、错误提醒和长期维护机制梳理清楚。 大家常问 为什么很多团队搭了一半的自动化流程会失败？ 常见原因有三：骨架还没跑通就一次性塞入条件分支和异常逻辑，导致中断时无法定位；条件分支只设计了"满足"的路径，"不满足"路径悬空；异常处理没有分层——缺了重试、降级、人工兜底任何一层都会让流程在第一次报错就卡死。建议先用线性骨架跑通主路径，再逐步补条件和异常。 触发器、条件、动作三者本质区别是什么？ 触发器是流程的起点，只负责"什么时候启动"，被动等待事件并携带初始数据；条件是决策点，只读判断、不改数据，决定下一步走哪条分支；动作才是真正"做事"的环节，会产生副作用、消耗资源，也是唯一可能失败的环节。三者各司其职：触发器不做判断、条件不做写入、动作不做分支决策。 怎么判断一个重复任务值不值得自动化？ 用三个维度筛一遍：一是频率×单次耗时算每周节省时间，少于 5 分钟不值得做；二是确定性评分，每一步都要人主观判断的（评 3 分以上）只适合做半自动；三是变化频率，规则或数据源每周都在变的，维护成本会吃掉所有收益。三项里任何一项亮红灯，就要重新考虑这件事该不该自动化。 自动化流程里的「异常处理」到底要写哪些东西？ 至少写清四类：可重试异常（网络抖动等，配指数退避和上限）、可降级异常（用缓存或默认值走"有损但不中断"的次优路径）、不可恢复异常（数据格式错、权限不足，直接终止并转人工）、失败上下文（事件 ID、节点路径、输入快照、错误类型、时间戳）。再加节点超时、全局超时、死信队列和补偿回滚顺序，异常处理才算完整。 想用上这个技能？ 「自动化流程设计」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。
如何用AI查天气
「天气查询」是「龙虾部署大师」技能市场中的天气获取技能：作用是按城市、机场代码或坐标查询当前天气和预报，返回天气状况、温度、湿度、风向风速、月相等信息，默认使用 wttr.in 输出简洁文本、紧凑格式、完整预报或 PNG 图片，必要时改用 Open-Meteo 的 JSON 接口作为备选，适合快速查询、出行准备和程序化天气展示。 技能效果 查杭州明天天气时，它把早晨与傍晚分开，分别给出降雨概率、湿度和风力。 查天气，为什么也值得做成一个技能？ 看一眼今天几度并不难，难的是把天气信息按需要的形式取出来。出行前想知道的不是一个温度数字，而是"早晚分别冷不冷、周末适不适合户外、风力湿度怎么样"；做报告或看板时，又希望天气以固定格式嵌进去，而不是每次手动复制粘贴；偶尔还需要一张天气图片用于分享或展示。 普通天气网站给的是给人看的页面，既不方便按字段取用，也不适合放进自动化流程。把查询、格式和数据源统一成一个技能，正是为了让"取天气"这件小事变得可控、可复用。 同一份天气，多种取用形式 简洁文本 ☀ 紧凑格式 嵌入看板 PNG 图片 报告 / 分享 JSON 程序处理 这个技能能帮你做什么？ 这个技能默认通过 wttr.in 查询，支持按城市名、机场代码（如 JFK）或经过编码的地点取天气；可以按格式返回温度、湿度、风速、地点、月相等指定字段，输出形式覆盖当前天气、今日预报、完整预报和 PNG 天气图。需要程序化处理时，它能改用 Open-Meteo 的坐标接口返回 JSON，结构清晰、便于嵌入脚本或看板；当 wttr.in 不稳定时，Open-Meteo 也充当备选数据源，保证查询不中断。 地点 + 单位 + 输出格式 天气查询 wttr.in 主源 Open-Meteo 备选 天气字段 温度 / 湿度 / 风速 月相 / 预报 输出 用前须知 该技能无需 API Key。但需要可访问 wttr.in 或 Open-Meteo 的网络环境，并具备 curl 或等效的 HTTP 请求工具；城市名含空格时需要进行 URL 编码。预报数据来自第三方服务，仅作出行和展示参考。 怎么用它？ 用法是把地点、关心的指标和想要的单位说清楚，要图片或要分时段也直接讲。例如可以这样对它说： 可以这样对它说 "查一下杭州明天会不会下雨，顺便看风力和湿度，早晚分开说清楚。" "纽约这周天气按华氏度说，周末适不适合徒步，白天夜里分别看。" "用机场代码 JFK 查当前天气，温度和风速都要有，按英制单位显示。" 它适合这些场景：想快速查看某城市当前温度、天气、湿度和风速；脚本或看板需要以固定格式嵌入天气摘要；需要生成天气 PNG 图片用于报告、分享或可视化；以及在主数据源不稳定时改用 JSON 接口获取数据。 大家常问 为什么不同来源的天气预报对同一天的结果会不一样？ 天气预报底层是数值模型，不同机构的初始观测、模型分辨率和物理参数化方案都不一样，加上大气本身的混沌特性，初始条件的微小差异会被放大，所以同一天的预报结果会出现差异。 体感温度和实际温度的差别是什么，怎么用来判断穿衣？ 实际温度只是空气温度计的读数，体感温度还叠加了湿度和风速对人体散热的影响。夏天高湿会让体感比实际更热，冬天大风会让体感更冷，穿衣建议要按体感来分层，而不是只看实际气温。 暴雨橙色预警和黄色预警在出行决策上有什么区别？ 黄色预警对应"谨慎出行"，降雨量较大但未到致灾临界，可规划备选路线后出门；橙色预警的小时雨强和内涝、山洪风险显著升高，建议非必要不出行，已在外的人优先就近避险而不是继续移动。 想用上这个技能？ 「天气查询」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。
如何用 AI 优化提示词
「状态化提示词优化」是「龙虾部署大师」技能市场中的提示词改写技能：作用是自动识别并改进复杂、技术、可复用、需求含糊或精度关键的提示词。它结合 APE、OPRO、DSPy 等模式做多轮优化，冷启动模式可直接套用研究驱动的改写策略，状态化模式则借助嵌入索引的历史样本、相似提示检索、反馈记录和质量评分持续学习，输出优化后的提示词、改进依据、迭代次数和收敛判断。 技能效果 丢给它一句含糊的「把用户反馈整理一下」，它改写成可复用的结构化提示词，补上分类维度、优先级标注、成功标准和后续动作。 提示词写得不稳，问题出在哪 同一个任务，提示词措辞稍有不同，输出就忽好忽坏：需求写得含糊，模型自由发挥太多；约束堆得太满，又变得脆弱、一改就崩。更麻烦的是缺少积累——每次都从头调，调好的版本没沉淀下来，下次遇到类似任务又得重来。对于代码生成、分析报告这类需要稳定结构和验收标准的任务，提示词不稳定，直接拖累产出的可靠性。 含糊提示 自由发挥太多 堆满约束 脆弱、一改就崩 清晰、可测量、可复用 约束简洁有效 这个技能能帮你优化什么 它把"凭手感调提示词"变成"有方法、可积累的优化过程"。核心能力有四块：一是识别复杂、多步骤、技术输出、模板和精度关键型的提示词，判断哪些值得优化；二是调用优化流程，生成改写版本、改进说明和迭代建议，并控制迭代次数与收敛条件，避免过度优化反而变脆；三是在状态化模式下，基于历史向量检索、相似提示、反馈记录和成功率持续学习，让后续改写越用越准；四是结合 APE、OPRO、DSPy 等研究驱动的策略，把含糊需求改写成清晰、可测量、可复用的指令。优化结果会附上改进依据和迭代次数，让你看清"为什么这样改"。 原提示词含糊/脆弱 多轮优化APE/OPRO/DSPy+ 历史检索 迭代收敛 优化后提示词清晰 / 可测量附改进依据 用前须知 冷启动模式无需安装即可使用。若要启用状态化学习（基于历史样本持续改进），需要 Node.js 18+、Docker、Qdrant、Redis 以及 prompt-learning MCP，并配置 OPENAI_API_KEY 用于嵌入与评估。 怎么用它 用法是把你要优化的提示词和期望的稳定效果用自然语言交给它，它会改写并说明依据。例如可以这样对它说： 可以这样对它说 "把这个长任务提示词优化成可复用版本，并设清楚成功标准。" "这段代理提示老跑偏，按历史效果压缩约束，减少无关发挥。" "改进这个代码审查提示词，让输出稳定覆盖关键风险点和缺失测试。" 它适合这些场景：要把含糊需求改写成可复用的系统提示词或任务模板；代码生成、分析报告或结构化输出需要更稳定的约束和验收标准；长期项目希望记录提示词表现并基于成功案例持续改进；复杂代理流程要在不增加脆弱性的前提下提升指令清晰度。 大家常问 为什么同一个任务，提示词措辞稍微改一下，模型输出就忽好忽坏？ 大模型每次调用都是无状态的独立计算，没有对上一次输出好坏的记忆，措辞稍变就走到不同的生成路径上，输出自然不稳。状态化提示词优化的做法是在调用之间建一条反馈回路：把历史输入、输出和评分累积起来，挑高分样本做滚动 Few-shot，再用反思-改写循环抑制随机波动，让"忽好忽坏"收敛成稳定输出。 什么是提示词的冷启动模式和状态化模式，它们的差别是什么？ 冷启动模式是每次都从零构建提示词，不查、不留任何历史，效果完全取决于本次写得好不好。状态化模式则把每次提示词、响应和质量评分记录下来，建嵌入索引和成功率统计，新任务先检索相似的高分历史样本作参考。差别在于学习能力：冷启动每次原地重来，状态化越用越准，但需要存储和检索基础设施。 为什么提示词不能一次写好，需要多轮迭代和收敛判断？ 因为你写提示词时脑子里的"理想输出"模型并不知道，模型对模糊指令的默认倾向也要等它真的产出文本才能看见。多轮迭代实际上是用实测数据反向修正你对模型的假设：上下文累积灌入你的标准，反思-改写分离诊断和修复，A/B 替换让数据决定哪种措辞活下来。收敛判断（连续几轮改进幅度低于阈值、评分达标、Token 预算耗尽等）则避免越改越脆的过度优化。 怎么判断一段提示词是『含糊型』还是『精度关键型』，对应的改写策略有什么不同？ 把提示词套入「80% 正确是否仍然有用」这一问：写产品介绍、做主观分析这类回答"是"的属于含糊型；代码生成、信息抽取、SQL 查询这类回答"否"的属于精度关键型。含糊型改写重点在风格引导和方向一致——上下文用追加式累积偏好，Few-shot 选风格范例，预算可宽松；精度关键型重点在压缩误差——规则约束严格优先于历史，Few-shot 滚动覆盖易错边缘案例，强制开启链式思维做审计追踪。 想用上这个技能？ 「状态化提示词优化」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。
ADHD 怎么用 AI 规划日程
「ADHD 日程规划」是「龙虾部署大师」技能市场中的日程与执行支持技能，面向 ADHD 及执行功能困难人群，强调时间盲友好、低羞耻感和可灵活调整的结构。它通过脑内清空、三件事系统、时间块、转换缓冲和最小行动拆解，把堆积的混乱事项变成现实可执行的日计划或周计划。 技能效果 把一长串杂乱待办丢给它时，它只挑出回邮件、回微信、约牙医三件最小的动作让你立刻起步，其余的标注成不用现在做。 做计划总是失败，问题出在哪 对执行功能吃力的人来说，待办清单越长越难启动：所有事挤在脑子里，光是"怕忘"就在消耗注意力，挑不出先做哪个。再加上"时间盲"——严重低估每件事要花的时间，计划一超时就全线崩盘，于是干脆放弃整张表。计划排得过细反而更容易反弹，决策疲劳也让人迟迟开不了头。问题往往不在不努力，而在计划方式不适配。 这个技能用什么方法帮你 它是一套对话式的规划方法，核心是降低启动成本、对抗时间盲。降低启动阻力上，它先做"脑内清空"把所有事倒出脑外，再用"三件事系统"只挑出今天最该完成的三件，并把当下最该启动的那件拆成一个两分钟就能起步的最小动作。 一脑子塞满的待办 回邮件 改方案 报销 约体检 读论文 回客户消息 交周报 脑内清空 + 三件事筛选 要事 1 要事 2 要事 3 一个 2 分钟就能起步的动作 对抗时间盲上，它用三倍时间估算法把你估的时间往上放大、留出余量，并在任务之间安排"转换缓冲"，承认从一件事切到另一件事本身要耗时间，因此把一天排松而不是排满，结尾还留白接住意外。此外它提供外部化记忆、预决策和收工仪式等执行支持，并按当前、今日、本周或更长期的范围选择规划方式。它默认计划会被打乱，处处留可调整的余地，强调低羞耻感、不催不评判。 把一天排松，不排满 深度工作 缓冲 会议 休息 轻活 留白 块与块之间留转换缓冲，结尾留白接住意外 怎么用它 用法是把你当下的状态和要安排的范围用自然语言说出来，它会据此选规划方式。它不需要 API Key 或额外依赖，还能配合你已在用的日历、白板、Time Timer 或任务管理工具。例如可以这样对它说： 可以这样对它说 "今天脑子很散，把待办拆成三个马上能开始的动作，别排满整天，动作更小。" "我总低估时间，重新排一个带转换缓冲和休息的下午计划，别连着开会，先减量。" "这周任务堆爆了，按 ADHD 友好的方式删到可执行，还要留出恢复时间。" 它适合这些场景：任务堆积难以开始时，把混乱事项转成一个下一步行动；安排当天计划、避免排满并预留切换缓冲；本周目标过多时筛选优先级、设置可调整的主题日；长期项目因计划过细反复放弃时，拆成月度可执行结构。适用人群不止被诊断的 ADHD 群体，也包括常被拖延、时间盲和决策疲劳困住的学习者、自由职业者与知识工作者。 大家常问 为什么 ADHD 的人列了一长串待办却一件都开不了头？ 不是懒，是大脑前额叶活动偏低、多巴胺基线不足，每条待办对 ADHD 看上去都是模糊概念，光是拆出第一步就已经认知超载。AI 把"做方案"先替你拆成可立刻执行的原子步骤，再用反问缩小决策空间，把"面对空白文档的恐惧"降到"只回答一个小问题"，启动就完成了。 时间盲是什么，为什么 ADHD 的人总低估完成任务的时间？ 时间盲指 ADHD 大脑无法稳定感知时间流逝，时间只分"现在"和"不是现在"，加上工作记忆薄弱，过去同类任务花了多久这条信息调不出来，估时就会极度乐观。AI 的协助原理是把任务拆到"读起来就觉得我能做"的颗粒度，再用文本反馈描述当前进度，给大脑一个外部时间锚点。 ADHD 的拖延和普通人偶尔的拖延是同一回事吗？ 不是。普通拖延是意愿问题，想切换随时能切；ADHD 的拖延是执行功能障碍——前额叶活动不足，"知道要做但身体动不了"，更像车子发动着却没松手刹。AI 不是教患者管理时间，而是替代暂时失灵的那部分执行功能：替大脑拆步骤、外置工作记忆、给"断点续传"路径，把启动门槛降到几乎没有。 想用上这个技能？ 「ADHD 日程规划」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。
如何用 AI 把聊天记录做成数字分身
「扩展技能模板」是「龙虾部署大师」技能市场中的本地角色技能创建工具：它聚焦把聊天记录、照片、社交媒体内容和口述回忆整理成一个可运行的本地"人物" Skill，先收集代号、关系背景和性格画像，再导入微信、QQ、社交截图、照片或文本素材，提取时间线、共同经历、说话风格和情感表达规则，输出本地文件结构（Relationship Memory、Persona 与合并后的 SKILL.md），并支持后续追加记忆、纠正人格和版本回滚。 技能效果 想把微信聊天记录做成只在本机用的回忆skill，它真的生成了整套skill文件结构和解析脚本，还说明了数据如何留在本地、不上传云端。 想把回忆"留"成一个能对话的角色，难在哪 很多人手里存着大量素材——多年的微信记录、社交截图、旧照片、零散的口述片段，却很难把它们变成一个连贯、像本人的对话角色。难点不在素材多少，而在整理：聊天记录是流水账，要从中提炼时间线、共同经历和说话习惯；性格和情感表达规则散落在字里行间，需要被结构化；生成一次往往不够像，还得能持续修正、追加和回滚版本。手动做这件事既繁琐又容易半途而废。 散落素材 微信 / QQ 照片 社交截图 口述片段 提取结构 时间线 共同经历 说话风格 / 情感 本地 SKILL.md 可运行的角色 这个技能怎么把素材整理成可运行的角色 它把零散材料转成一个结构化、可加载的本地 Skill，全程分四块。先收集代号、关系背景和性格画像，形成初始人物档案；再导入微信、QQ、社交媒体内容、照片和口述文本作为原材料并解析；接着提取出 Relationship Memory（关系记忆）、Persona（人物性格）、元数据，并合并成一份可运行的 SKILL.md；最后支持后续追加新素材、纠正不准确的表达、备份和回滚到此前的版本。整个产出是本地文件结构，默认写入本地目录，便于自己保管和迭代。 建档案代号·背景 导素材解析提取 生成角色SKILL.md 追加 / 回滚版本快照 它的价值在于"可持续进化"：第一版不像，可以按补充的性格和新素材重新生成，并保留语气特征，让角色随着材料增多越来越贴近本人。 用前须知 该技能无需外部 API Key，依赖 Python 解析脚本和本地文件读写，生成物默认写入本地目录。输入素材仅应在你获得授权的前提下使用，仅适用于个人回忆整理、情感疗愈、关系复盘或本地角色实验，不得用于骚扰、跟踪或侵犯隐私的目的。 怎么用它 用法是把素材和你的整理意图用自然语言交给它，它会引导你逐步补全。例如可以这样对它说： 可以这样对它说 "把这份微信导出记录做成一个本地回忆角色，只留在本机使用，不联系真人。" "我又找到几张旧照片，把时间线和说话习惯补进去，只放本地。" "这个角色说话不太像，按我刚补充的性格重新生成一个版本，保留原来的语气。" 它适合这些场景：希望基于聊天记录和回忆创建一个本地对话模拟角色；已有生成结果不够像、需要追加材料或修正说话方式；需要从照片、社交内容和口述片段补全关系时间线；以及希望列出、回滚或删除已生成的个人记忆类角色。 大家常问 聊天记录里的"说话风格"指的是什么？为什么把它单独提取出来对还原一个人的语气这么重要？ 说话风格是一个人稳定出现的语言特征总和——词汇偏好、句法长短、修辞习惯、标点节奏和情绪标记。单独提取后，它独立于身份和知识两层，作为锚点约束输出，让模型从"统计平均态"被拉到具体某个人的语气上。 在一个用聊天记录做出来的本地角色文件里，Persona（人物性格）和 Relationship Memory（关系记忆）分别是什么？它们各自负责承载哪一部分内容？ Persona 是不变的底色，承载性格、背景、语言风格、价值观和限制规则；Relationship Memory 是动态的关系画布，承载互动摘要、情感变化、共享信息和未完结线索。前者保证"是谁"不漂移，后者保证"我们之间"有延续。 本地运行的对话角色和云端 AI 聊天机器人在数据流向上有什么本质区别？为什么涉及私人聊天记录的回忆场景一般更推荐本地形式？ 云端模式下每条输入都会进入服务端内存、缓存和日志，存在多份副本；本地模式下数据从输入到推理全程不离开本机，不产生网络流量。回忆场景要批量读取历史记录，本地形式能避免大规模数据外泄。 为什么用聊天记录生成的 AI 角色，第一次往往"不太像"本人，需要不断追加素材重新生成，这背后的原因是什么？ 第一次只采样了人格空间的低维投影，覆盖高频特征但漏掉边界行为；而"像不像"靠的是分布一致性，不是命中率。追加素材本质是降低压缩比、补全稀疏区域的边界样本，让离散逼近更接近真实分布。 想用上这个技能？ 「扩展技能模板」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。
市场洞察选品怎么做？整合多源信号出Go/No-Go判断
「市场洞察选品」是「龙虾部署大师」技能市场中的选品决策技能：它以多源信号和用户之声构建证据优先的选品流程，结合搜索、平台、趋势、社媒、评论、供应链和竞品信号，从候选池排出 Top Picks 并生成深度证据包，最终对每个候选给出 Go、Cautious 或 No-Go 的判断。 技能效果 让它在TikTok宠物用品里按证据选品时，它挑出舔食垫、宠物益生菌和自清洁粘毛器三款，逐项比了需求趋势、利润、复购和内容可拍性，最后排出了推荐优先级。 趋势信号太杂，跟风很容易踩坑 选品最怕被一时的热度带偏。社媒上看着火的品，可能是已经卷成红海的存量，也可能是昙花一现的伪趋势；只盯热度不看证据，很容易跟风进场后才发现需求不真、竞争太狠或供应链跟不上。要稳，就得把安全款、高潜款、红海款和伪趋势分清楚，而不是凭感觉押注。 这个技能能帮你做什么 它把选品做成一条证据优先的流程。它先从趋势、平台、社媒和评论等来源构建 10 到 30 个候选池；再按证据密度排出 Top 3 到 8，为它们生成深度分析包；分析中它提取用户之声（VoC）痛点、价格带、供应链可行性和竞争强度；最后输出一张分类决策表，把候选分成安全款、高潜款、红海款、伪趋势，并附行动指南和尚待补齐的数据缺口。它要求持续深搜到证据饱和，用反向证据避免跟风误判。 从候选池到 Top Picks 10–30 候选池 按证据密度筛选 Top 3–8 深度证据包 VoC 痛点 / 价格带 / 竞争强度 最终它给一张能直接据以行动的分类决策表： Go安全款/高潜款 Cautious需补证据 No-Go红海/伪趋势 用前须知 该技能需要联网搜索和网页抓取能力；生成图表需 matplotlib/seaborn，词云可选 wordcloud。不要求固定 API Key，但平台数据可能需要相应账号权限。 怎么用它 用法是把要研究的渠道、品类或候选品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 "最近 TikTok 上哪些宠物用品值得卖，按证据筛三款，不只看热度。" "拿这五个候选品做选品深挖，评论痛点、价格带和竞争强度都算。" "看便携咖啡机这个类目，判断现在入场会不会太卷，顺带看风险。" 它适合这些场景：想知道 TikTok、Amazon 或其他渠道近期哪些产品值得卖；已有候选品、要验证需求热度竞争评论痛点和供应风险；趋势信号杂乱、要通过多轮搜索和反向证据避免跟风；要把安全款、高潜款、红海款和伪趋势分开制定策略。 大家常问 选品时说的安全款、高潜款、红海款和伪趋势，分别是什么意思、怎么区分？ 安全款是需求稳定、竞争清晰、下限有保障但难爆发的成熟品；高潜款搜索量在爬坡、格局未固化、毛利较高，最值得投入；红海款搜索量大但增长停滞、头部垄断、价格战惨烈，新人难入；伪趋势是搜索量短期暴涨又快速回落的尖峰型，多由单一事件驱动、无复购，最该回避。关键看趋势曲线形状和竞争集中度。 为什么选品不能只看热度，证据优先的选品到底要看哪些维度？ 热度反映的是已发生的过去需求，有滞后性和幸存者偏差，等你看到时竞争往往已白热化，也判断不了能持续多久。证据优先是用多维度交叉验证替代单一热度：需求层看搜索量与长期趋势、社媒真实参与度；供给层看供应链可得性与毛利空间；风险层看竞品差评里的未满足需求和合规专利。每个判断都要有数据支撑。 怎么判断一个看起来很火的趋势其实是伪趋势、不值得跟？ 从五个维度交叉验证：追溯源头是真实自发还是被刻意制造；看用户的真实购买行为而非点赞言论；趋势曲线是稳步增长还是尖峰暴起暴落；是否有多个独立卖家持续盈利、是否有真实门槛；以及去掉营销包装后核心价值是否仍然清晰。真趋势多在 6–12 个月持续增长，伪趋势往往两到四周见顶即衰退。 一个红海类目竞争已经很激烈了，为什么有时候还值得入场？ 竞争激烈不等于市场饱和，只要整体规模还在增长（年增≥10%）就有空间。红海的好处是需求已被验证、无需教育市场，供应链和渠道成熟、执行更容易，还能借竞品差评做现成用户调研。前提是别照搬竞品，要在人群、场景、价格带或品质上找到差异化支点，且能承受 3–6 个月的盈利周期。 想用上这个技能？ 「市场洞察选品」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