如何用 AI 发飞书加急消息
「飞书紧急消息」是「龙虾部署大师」技能市场中的消息加急触达技能：作用是对已发送的飞书消息触发应用内、短信或电话紧急提醒。输入 message_id、接收人 open_id 列表、提醒类型和付费确认后，它校验格式、权限和批量上限，自动分批发送，并返回无效接收人列表、错误码和处理建议。它区分免费的应用内提醒与可能收费的短信、电话提醒，并强制付费确认。 技能效果 想给已发出的群消息做应用内加急，它写出面向小白的操作教程，说明前置的权限配置，以及加急后对方会收到强提醒的实际效果。 关键消息发出去了，却没人看，怎么办 飞书消息发到群里，常因被刷屏、对方未在线或没注意而被漏看。对于系统告警、紧急审批、事故通知这类时效性强的消息，漏看的代价很高。直接重发一条新消息既显得混乱，也未必更醒目；而要按不同紧急程度选择应用内提醒、短信还是电话，又涉及权限、批量上限和费用确认，手工操作容易出错——发错人、超量发送，或在没确认费用的情况下触发了收费的电话提醒。 已发送消息（message_id） 应用内提醒 免费 短信提醒 需付费确认 电话提醒 需付费确认 按紧急程度逐级升级，不重发新消息 这个技能能帮你做什么 它在不重发新消息的前提下，对已有消息做"加急触达"。核心能力有四块：一是对已存在的 message_id 发送应用内、短信或电话三档紧急提醒；二是校验 open_id、消息归属和付费提醒确认参数，避免发错人、对不属于自己的消息加急、或未确认就触发收费提醒；三是按平台限制自动拆分大批量接收人并顺序发送，不必手工分组；四是返回 invalid_user_list、配额错误和权限缺失等诊断信息，发送失败时能快速定位是 message_id、权限还是配额的问题。它明确区分免费的应用内提醒与可能产生费用的短信、电话提醒，并对后者强制付费确认。 加急前自动校验四道关 归属校验 付费确认 自动分批 诊断回执 用前须知 该技能需要 Python 3 标准库、飞书 App ID / Secret，以及 im:message.urgent 和短信、电话提醒相关权限；触发前必须已有 om_ 开头的 message_id 和 ou_ 开头的 open_id。短信、电话属于可能收费的提醒，会要求先确认费用再发送。 怎么用它 用法是把要加急的那条消息、提醒谁、用哪一档提醒用自然语言说清楚，无需记参数和批量规则。例如可以这样对它说： 可以这样对它说 "这条飞书消息已经发出，用应用内加急提醒那两位同事，不用短信电话。" "这条消息太急了，给这份名单发电话提醒前先确认费用，确认后再发。" "刚才那条群通知没人回，对原消息做短信加急提醒负责人，别重发新消息。" 它适合这些场景：关键系统告警已发到群里，需要对负责人追加应用内急促提醒；重要审批或事故通知迟迟没响应，要升级为短信或电话提醒；大群中部分人员必须被单独精确触达；发送紧急提醒失败时，需要判断是 message_id、权限还是配额的问题。 大家常问 飞书加急消息到底是什么？跟普通飞书消息有什么不一样？ 飞书加急消息不是新发一条，而是对已发出的消息附加"紧急标识"，触发接收方的全屏弹窗强提醒，并提供阅读回执；普通消息只是静默落在聊天列表里，没有强弹窗、没有强制送达。加急还可以从应用内升级到短信或电话通道，普通消息只能走应用内推送。 飞书加急的应用内提醒、短信提醒、电话提醒，这三档有什么区别？ 三档对应"在线未读 / 离线未读 / 必须立即接听"。应用内加急是免费的强弹窗，接收方必须登录飞书；短信加急按条扣企业配额，把消息摘要短信发到绑定手机号；电话加急按次扣配额，直接外呼并用 TTS 播报摘要。短信与电话单次上限 100 人，应用内 200 人。 为什么飞书发短信加急和电话加急前要做付费确认？ 短信和电话走的是第三方电信通道，每次调用都会扣减企业的加急配额，成本由企业承担而不是发送者个人。付费确认是把"这次会产生费用"前置告知，防止误触浪费配额或骚扰接收方。应用内加急走推送通道、没有外部成本，所以不需要这道确认。 飞书加急返回的 invalid_user_list 和配额错误是什么意思？ invalid_user_list 是接口对无效接收人的回执：open_id 格式错、不在原消息群里、账号离职或停用都会被挑出来，剩下有效用户仍正常加急。配额错误（错误码 230024）是租户加急额度用完，需要去管理后台费用中心扩容或等下个周期重置；短信/电话还会因为对方没绑手机号报 230009。 想用上这个技能？ 「飞书紧急消息」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 把经验沉淀成数字分身
「永续知识蒸馏」是「龙虾部署大师」技能市场中的数字分身构建技能：它从聊天记录、社交平台、文档和归档材料中提取某个人的技能包，按角色模板完成伦理确认、材料采集，提取程序性、互动性、记忆和性格四个维度，按证据等级合并冲突内容，再初始化目录、组装可加载的 SKILL.md 并登记版本。系统提供自己、同事、导师、亲人、伴侣、朋友和公众人物七类模板，强调授权、脱敏与后续增量演化。 技能效果 给它几句导师的口头禅，它把这种风格蒸馏成一个分身skill，归纳出先厘清边界、再拷问逻辑、最后追问失败场景的三层提问框架。 把一个人的经验"沉淀"下来，为什么这么难 一个人的工作方式、判断标准、沟通风格和长期经验，往往只存在于其本人和散落的记录里。想把它沉淀成可复用的资产，会遇到三重难题：素材跨越多个平台且良莠不齐，哪些可信、哪些只是一时的玩笑话，需要分级；不同来源相互矛盾时，该采信哪一条没有依据；而处理他人资料还涉及授权和脱敏的伦理边界，做不好就越界。结果是经验难以传承，导师一走、骨干一离职，方法论也跟着流失。 从多源材料提取四个维度 数字 分身 程序性 · 怎么做事 互动性 · 怎么协作 记忆 · 经历过什么 性格 · 是个怎样的人 这个技能怎么把经验蒸馏成可加载的技能包 它把"沉淀一个人"做成一条有伦理把关、有证据分级的流程。先按角色模板进行伦理确认和材料采集，再从材料中提取程序性（做事方法）、互动性（协作习惯）、记忆（经历）和性格四个维度；遇到不同来源的内容，按 verbatim（原话）、artifact（产出物）、impression（印象）三个证据等级排序并合并冲突，确保可信的内容压过道听途说；随后初始化技能目录、记录冲突、组装出可直接加载的 SKILL.md，并登记版本快照。它提供自己、同事、导师、亲人、伴侣、朋友和公众人物七类模板，覆盖不同关系下的整理需求。 证据分级：可信内容优先 verbatim 原话最高可信 artifact 产出物有据可查 impression 印象参考为主 它的价值在于"可追溯、可演化"：每条内容都标了来源和等级，生成物还能随新增材料持续修订、处理纠正并保留快照，让分身越用越准、越来越像本人。 用前须知 该技能无需固定 API Key，本地归档或粘贴材料可直接处理，需要 Python3。若要自动采集飞书、Slack、邮箱等平台，需对应账号授权和平台凭证。处理他人资料时务必重视授权与脱敏，守住伦理边界。 怎么用它 用法是说明要蒸馏谁、用哪些材料、希望保留什么。例如可以这样对它说： 可以这样对它说 "把我和导师的聊天记录蒸馏成教学风格分身，保留他的反馈方式，别联系他本人。" "用这些公开采访和文章做一个公众人物方法论技能包，只用可溯源的材料。" "把妈妈的语音文字整理成家族记忆型数字分身，留给亲戚查询，语气别跑偏。" 它适合这些场景：希望把个人工作方式、沟通风格和长期经验整理成数字分身；团队需要沉淀导师或同事的教学方法、判断标准和协作习惯；家人或朋友资料需要在伦理边界内整理为可追溯的记忆档案；以及已有分身技能包需要追加材料、处理纠正并保留版本快照。 大家常问 为什么把一个人的经验沉淀成数字分身这么难？ 难点在表征鸿沟、因果缺失和时变不可逆三层：专家级判断里大量是隐性的直觉，文本只能拿到事实层和部分逻辑层，情境与情绪层信号本就稀疏；模型学到的是关联模式，不是「因为经历了 X 所以判断 Y」的因果链；而人的认知会自我否定、不断演化，静态快照天然跟不上。 数字分身和 AI 数字人是一回事吗？ 不是一回事。数字分身是认知代理，目标是「想得像我」——延展个人的知识体系、决策逻辑和价值判断，可以代你分析问题、给出建议；AI 数字人是交互界面，目标是「看起来像人」——靠形象、语音、表情提供拟人化对话。一个解决「替我怎么想」，一个解决「看起来像谁在说」。 多源材料相互矛盾时，应该按什么标准决定信哪一条？ 核心是按证据强度赋权、按语境合并差异。行为证据高于言语陈述、一手记录高于他人转述、跨场景反复出现的观点高于单次表态；遇到对立内容先找条件变量（对象、时间、场景）能不能解释，能就拆成「在 X 条件下成立」并存，不能就标注「未解决矛盾」保留双方，不要硬抹平。 整理他人的聊天记录、社交平台资料做成数字分身，伦理上的红线是什么？ 红线有三条：授权要分数据来源、形象人格、使用场景三层书面同意，缺一层即越界；脱敏不是去掉名字，而是要让说话风格、时间线、社交关系组合起来都无法反向定位到具体个人；可追溯则要求每条输出能查回原始数据来源、保留使用日志，并且本人可以随时要求物理删除分身。 想用上这个技能？ 「永续知识蒸馏」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。
数据叙事方法，把原始指标整理成决策故事线，以关键洞察开头
「数据叙事」是「龙虾部署大师」技能市场中的汇报沟通技能：它面向分析汇报、经营复盘、投资人材料和高管沟通场景，把原始指标整理成有决策指向的故事线。它先确认数据、受众、目标和输出格式，再按"问题解决、趋势变化或方案比较"选择叙事框架，套用幻灯片、执行摘要或一页报告模板，输出强调先给关键洞察、再用数字与上下文支撑、最后落到行动项。 技能效果 把季度经营数据讲给老板听时，它先列原始指标，再翻译成不堆术语、突出关键变化的口语汇报。 数据都对，为什么老板还是没听懂 问题往往不在数据本身，而在表达顺序。常见的汇报是把图表和指标按统计逻辑一股脑铺开，留给听众自己去拼"所以呢、然后该怎么办"。对非技术的管理层、董事会或投资人来说，他们要的不是"发生了什么"的全量罗列，而是"关键变化是什么、为什么、接下来该做什么"。当结论被埋在第十页、术语盖过含义时，再扎实的分析也推不动决策。 堆指标 结论藏在最后 先讲洞察 关键变化 + 原因 下一步行动 这个技能怎么把数据讲成决策 它把"整理数据"换成"组织叙事"。第一步，它确认数据、受众、目标和交付格式，让内容始终对着决策场景而非泛泛分析；第二步，按场景在"问题解决、趋势变化、方案比较"三类框架中选一个合适的叙事骨架；第三步，套用执行摘要、数据故事流或一页仪表盘模板来组织内容；第四步，生成以关键洞察开头的标题、段落过渡语和行动建议。它的核心取向很明确：先给结论，再用数字、上下文和可视化建议支撑，最后把"发生了什么"转成"接下来该做什么"。 确认数据 / 受众 选框架问题/趋势/比较 套模板摘要/一页报告 洞察 + 行动先结论后支撑 用前须知 该技能无需 API Key。使用时需要你提供可分析的数据、受众和目标；如需套用具体框架或模板，会依赖技能目录内的 references 文件。它负责把数据组织成叙事，结论是否成立仍取决于你给的数据本身。 怎么用它 用法是把数据、对象和这次汇报要达成的目的用自然语言交给它。例如可以这样对它说： 可以这样对它说 "把这份季度数据改成老板能听懂的汇报，先讲关键变化，别堆术语。" "这组留存曲线做成一页故事，说明为什么要改定价，让管理层能拍板。" "投资人会前需要一版数据叙事，突出增长和风险，也解释现金压力。" 它适合这些场景：为季度经营复盘提炼指标变化原因并形成高管可读的结论页；把产品、增长或财务数据整理成董事会或投资人材料；将复杂分析报告改写成非技术团队能看懂的一页摘要；以及基于多个方案的指标差异，输出可支撑业务决策的推荐理由。 大家常问 数据叙事是什么意思 数据叙事是把数据、图表与上下文按逻辑线串起来，先抛关键洞察、再用证据支撑、最后落到行动建议，让受众听懂"发生了什么、为什么重要、接下来该做什么"。 数据可视化和数据叙事的区别是什么 可视化是把数据画成图表的表达手段，受众自行解读；叙事是在可视化之上加入上下文、逻辑线和行动指向，结论由叙事者预先明示。可视化是"画图"，叙事是"用图讲道理"。 为什么数据汇报要先讲关键变化、再讲数字 人脑先收"框架"再填"细节"。先讲变化等于告诉听众该关注什么，数字只作佐证；反过来要让听众自己拼结论，既慢又易错。倒金字塔结构能在前30秒锁定关键信息。 经营复盘汇报怎么让管理层听懂数据背后的业务含义 把数据当论据而非论点：先抛核心判断、再用数字支撑。每个关键变化做"发生什么—哪块导致—为何这样"三层归因，配同比环比等对比维度，结尾给出需决策事项与建议。 想用上这个技能？ 「数据叙事」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。
Shopify广告ROAS怎么优化？查问题给放量修复裁决
「Shopify 广告 ROAS 优化」是「龙虾部署大师」技能市场中的投放审计技能：它根据店铺数据快照，判断广告 ROAS 的问题到底出在追踪缺口、归因延迟、素材疲劳、账户结构、预算调整还是结账漏斗，并给出健康评分、渠道诊断和放量或修复的裁决。 技能效果 排查Meta广告ROAS忽高忽低时，它给出一份Pixel与CAPI事件完整性检查清单，逐项核对五大关键事件是否触发、有没有漏报重报，以及事件去重该怎么配。 广告后台显示赚钱，营收却没跟上 很多 Shopify 投放团队都遇到过同一个困惑：Meta 或 PMax 后台显示 ROAS 很漂亮，店铺实际营收却不见同步增长。问题在于"平台 ROAS"是个会骗人的单一数字——它可能因为 Pixel 与 CAPI 事件丢失而虚高，可能因为归因窗口把别的渠道的成交算到自己头上，也可能广告点进来了、却卡在结账漏斗的某一层掉了单。把这些原因混在一起看，就只能凭感觉调预算：该放量的不敢放，该修的没修对地方。 平台 ROAS 看着好 单一数字，会骗人 ≠ 店铺真实赚到钱 混合 ROAS / 利润 差距可能藏在这几处： 追踪缺口 归因延迟 素材疲劳 结账漏斗 这个技能帮你审计出什么 它做的是一次系统性的投放健康审计，而不是替你操作广告账户。事件层面，它核查 Pixel、CAPI、GTM 和 TikTok Events API 的事件完整性，先判断数据本身可不可信；口径层面，它对比平台 ROAS、混合 ROAS、利润率和归因窗口的差异，把"看起来的回报"换算成"经营口径的回报"；结构层面，它识别素材疲劳、账户过度细分和自动化投放的结构问题；裁决层面，它结合追踪可信度和漏斗数据，给出该放量还是该修复的明确判断，以及优先行动计划和漏斗基准对比。 结账漏斗逐层拆，看单掉在哪一层 广告点击进站 加入购物车 进入结账 完成购买 CTR 加购率 结账率 购买率 用前须知 该技能无需直接连接广告账户或 API Key，审计依赖你提供的数据快照：店铺 URL、品类、AOV、Pixel/CAPI/GTM 状态、广告花费、CTR、CPC、平台 ROAS、MER、结账率、购买率和近期变更。若要从平台后台导出这些数据，需你自行授权。数据越完整，诊断越准确。 怎么用它 用法是把投放遇到的现象和手头的数据用自然语言交给它，由它定位问题、给出裁决。例如可以这样对它说： 可以这样对它说 "Meta 广告 ROAS 忽高忽低，先帮我查 Pixel 和 CAPI 的事件完整性。" "Google 和 TikTok 花费在涨，拆开漏斗看看到底哪一层掉单最明显。" "店铺利润率不高，按 MER 和盈亏平衡 ROAS 判断这几个渠道还能不能继续放量。" 它适合这些场景：广告平台显示 ROAS 正常、后台营收却没同步增长，需要排查归因；Meta 或 PMax 投放波动明显，要判断是素材、账户还是站点问题；准备提高预算前，先验证混合 ROAS、利润率和结账转化率；以及主题更新或促销上线后业绩异常，需要隔离变更前后的影响。 大家常问 Shopify 广告平台后台显示 ROAS 很好，但店铺实际营收没怎么涨，这是为什么？ 平台 ROAS 是平台自报数据、天然虚高：浏览归因和 7 天点击窗口会把本会自然成交的订单算成广告功劳，多渠道还重复计同一单。同时品牌词广告、再营销也在"抢"自然转化。它还按收入算、不计毛利。可让本技能用 GA4 的第一方 ROAS 加混合 MER 交叉核对，再扣成本看真实利润。 投广告时常说的 ROAS 和 MER 有什么区别？为什么不能只看平台 ROAS 放量？ 平台 ROAS 是单渠道的显微镜，用平台自报收入÷该渠道花费，易高估；MER 是全局航拍图，用总收入÷全部营销支出，基于真正到账的钱、难造假，被当北极星指标。只看平台 ROAS 放量会踩三坑：数据虚高、边际效率递减、忽略毛利。本技能建议看 MER 与第一方 ROAS 再决策。 什么是盈亏平衡 ROAS？它和店铺利润率、AOV 是什么关系？ 盈亏平衡 ROAS 是广告净利润恰为零时所需的 ROAS，公式为 1÷(1−商品成本率−可变成本率)，与店铺利润率互为倒数：利润率越低门槛越高。AOV 越高，运费等固定成本占比越低，盈亏平衡 ROAS 越低、越容易盈利。本技能会先按你的成本算出这条基准线，再判断该放量还是修复。 为什么一组 Meta 广告跑了一段时间后 CTR 会下降、ROAS 变差，这种素材疲劳是怎么回事？ 素材疲劳是同一组素材对同一批人曝光过多，用户从新鲜到熟视无睹，CTR 下降、CPM 上升、ROAS 走低。判断看三个信号：周频次超 3—4 次、CTR 较上线初期跌超 30%、CPM 持续上涨。转化型广告比品牌型更敏感。本技能会据频次、CTR、CPM 帮你识别疲劳并提示轮换素材、拉新受众。 想用上这个技能？ 「Shopify 广告 ROAS 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。
如何用 AI 批量筛简历并排序
「招聘流程助手」是「龙虾部署大师」技能市场中的简历筛选技能：作用是按职位描述批量解析简历、给候选人评分、输出排序报告，并为每位候选人生成定制化面试问题。它会先引导建立 jobs 目录、职位文件夹和简历资料结构，再读取 JD、提取硬性要求，解析 PDF、DOC、DOCX、HTML、TXT 简历，按技能、经验、项目和加分项打分，最后生成 HTML 或 Markdown 报告。 技能效果 给它一个前端岗位的简历批次，它生成十份样本并按React深度、大型项目等六个维度打分排序，输出了一份可直接面试的名单。 一堆简历压过来，筛选凭什么不漏、不偏 一个岗位收到几十份简历是常态，人工逐份读、对照 JD 打分，既慢又难一致：同一份简历，上午看和下午看的判断可能不同；不同面试官的口径也各不相同，排序难以服众；JD 一改，又得把所有候选人重新评一遍。到了面试环节，临时想问题，往往问得泛、问不到候选人的真实项目细节和风险点。整个流程既费时，又依赖个人状态。 JD 简历 1 简历 N 对照 JD统一口径打分 排序报告 定制面试问题 这个技能能帮你做什么 它把"读简历—打分—排序—出面试题"这条链路标准化。核心能力有四块：一是引导你建立职位文件夹、职位描述文件和简历资料结构，让筛选有规整的输入；二是解析 JD 里的硬性要求、核心技能、软性素质和加分项，明确评分标尺；三是批量提取每份简历的基础信息、工作经历、技能栈和项目亮点；四是按匹配度给候选人排序，并为每人生成一套定制化的面试问题清单。它支持 PDF、DOC、DOCX、HTML、TXT 多种简历格式，最终输出 HTML 或 Markdown 报告。同一把标尺套在所有候选人上，排序口径就一致了。 读 JD提取硬性要求 解析简历经历/技能/项目 匹配排序按打分 报告 + 面试题 用前须知 该技能无需外部 API Key，简历解析在本地完成。使用前需准备好本地的 jobs 目录、职位描述和简历文件；支持 PDF、DOC、DOCX、HTML、TXT 格式。首次使用时它会引导你把目录结构和 JD 备齐再开始。 怎么用它 用法是把岗位文件夹的位置和你的筛选目标用自然语言说清楚，无需手动逐份对照。例如可以这样对它说： 可以这样对它说 "这个前端岗位的文件夹在这里，批量筛简历并排序，输出一份可面试名单。" "针对张三这份产品经理简历，准备一套追问面试题，重点问项目细节。" "JD 刚改过，重新按硬性要求给候选人打分排序，淘汰不合门槛的。" 它适合这些场景：收到多份简历，需要根据同一 JD 快速筛选排序；针对单个候选人准备技术、项目、软实力和风险澄清问题；更新职位描述后要重新评估候选人与新要求的匹配度；想把面试官偏好纳入问题设计，形成更一致的面试风格。 大家常问 简历筛选里说的「硬性要求」和「加分项」分别是什么意思？怎么区分？ 硬性要求是不可妥协的准入条件，客观可验证，不满足就直接淘汰（如学历、年限、必备资格证、常驻地）；加分项是锦上添花的优先级条件，不满足不淘汰，但在合格候选人之间用来排序择优。判断口诀：如果其他都好但唯独这条不满足，仍然拒录用就是硬性要求，否则是加分项。 JD 拆解里说的「硬性要求 / 核心技能 / 软性素质 / 加分项」这四类怎么区分？ 本质是按"不可妥协性"和"评估时序"分层：硬性要求回答"这人能不能来"，二值判断、漏斗最前置；核心技能回答"能不能干活"，连续谱评估、面试主战场；软性素质回答"好不好共事"，情境依赖、通过行为题观察；加分项回答"如果都好谁更好"，只在最终择优阶段发挥作用，前置使用会引入虚假区分。 为什么同一份简历不同人读出来的评分会差很多？口径不一致的根源是什么？ 根源是评分标准的"私有化、隐性化"——每个评估者用自己的经验公式打分，再叠加锚定效应、维度权重偏好、信号解读差异、归因风格和历史经验萃取这五类系统性偏差，最终结果就大相径庭。方法论解法是把评估维度公开化、建立锚点样本统一基准、要求每条评分附带举证，并定期做盲测校准。 结构化面试的「定制化追问题」是什么意思？跟随便问几句有什么本质区别？ 定制化追问题是在结构化框架内、针对候选人特定回答按预设"如果-那么"规则进行的标准化追问，每条追问都有明确测评目标。与随便问的区别在三处：系统性（锚定胜任力维度而非临场好奇）、一致性（给相同回答的候选人问同样追问）、可追溯性（事后能复盘评估依据）。 想用上这个技能？ 「招聘流程助手」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。
SEO 优化分阶段执行，检查页面要素并规划关键词分层
「SEO 优化」是「龙虾部署大师」技能市场中的综合性 SEO 执行技能：它提供自然搜索增长的分阶段指南，按技术基础、内容与关键词、外链建设、数据监控四个阶段推进，输出技术检查清单、关键词分层表、内容日历、外链资源清单和监控指标，把整站的自然搜索优化拆成有先后、可分工的执行计划。 技能效果 排查新站不收录时，它按robots.txt、站点地图、标题配置的顺序，逐项讲清该查什么。 整站 SEO，难在没有章法 和优化单篇文章不同，整站 SEO 是个系统工程，最容易出问题的是缺乏阶段和章法。常见状况有三种：新站上线后迟迟不收录，却不知该先查 sitemap、robots 还是基础标签；老站自然流量停滞，技术和内容两边都有欠账，不清楚先补哪头；想围绕关键词系统布局，却没有一份能让开发、内容、运营各自认领任务的执行清单。结果是动作零散，长期看不到自然流量的稳定增长。 四阶段：从地基到持续监控 技术基础收录/标签 内容关键词分层/集群 外链建设资源清单 数据监控看板 明确排除 SEM 和社媒运营 这个技能能帮你规划什么 它给整站 SEO 一套分阶段的执行框架。开始前，它先收集目标站点、搜索市场、当前状态、核心目标、操作权限和既有关键词或流量数据，再按四个阶段推进：技术基础阶段，检查 Title、Description、H1-H3、canonical、robots 和 sitemap；内容与关键词阶段，规划核心词、长尾词、品牌词与内容集群的建设路径；外链阶段，建立外链资源清单；监控阶段，建立索引率监控和持续优化看板。它会根据你的目标——提升排名、增加收录、做关键词布局还是全面诊断——选择从哪个阶段切入。 收集站点现状 目标/权限/数据 选择执行阶段 提升排名/增加收录 / 全面诊断 可分工的交付物 技术清单/关键词分层 内容日历/外链清单 它的产出是一组能落到团队的清单：技术检查清单、关键词分层表、内容日历、外链资源清单和监控指标列表，方便把 SEO 修复任务按优先级拆给开发、内容和运营。它明确聚焦自然搜索，排除 SEM 和社媒运营。 用前须知 核心流程无需密钥。其中可选的页面检测脚本需要 Python 并安装 requests、beautifulsoup4、lxml；公开 URL 可自动检测，内网或登录后的页面需人工核对。 怎么用它 用法是把站点情况和 SEO 目标用自然语言交给它，由它来定阶段。例如可以这样对它说： 可以这样对它说 "新站一直不收录，排查 sitemap、robots 和标题配置问题。" "这个站自然流量跌了，先做一次技术 SEO 和内容布局诊断报告。" "我们有后台权限，按关键词分层规划专题页、内容日历和监控指标。" 它适合这些场景：新站上线后收录缓慢、需要排查 sitemap、robots 和基础标签；已有站点自然流量停滞、需要同时补齐技术与内容策略；团队希望围绕关键词布局制定专题页、FAQ 和内容日历；需要为开发、内容和运营团队拆分 SEO 修复任务与优先级。它适用于站长、SEO 负责人、增长团队、内容团队，以及想建立长期自然搜索机制的中小企业或产品团队。 大家常问 为什么有些新站做了 sitemap 也迟迟不被收录？ sitemap 只是把 URL 推荐给搜索引擎，并不等于收录通行证。新站没有外链、用户行为和历史信任，sitemap 链接在抓取队列里优先级最低；即便爬虫来过，质量评估和价值判断这一关仍要看内容是否原创、是否避免站内重复以及服务器和渲染是否正常。 技术 SEO 和内容 SEO 的边界是怎么划分的？ 技术 SEO 面向爬虫，解决"能不能找到、能不能读懂"，包括 robots、sitemap、canonical、结构化数据、Core Web Vitals 这些；内容 SEO 面向用户，解决"是不是想要的、值不值得排名"，落在搜索意图匹配、E-E-A-T 和信息质量。两者交叉在标题、内链和速度上，缺一不可。 canonical 标签是用来解决什么问题的？ canonical 解决的是同一份内容散落在多个 URL 时的重复问题：URL 参数、http/https、www 与非 www、分页、打印版、跨域转载都会产生分身。它把分散的外链信号和索引优先级集中到一个权威版本，避免权重稀释和搜索结果碎片化。它是建议而非强制指令，搜索引擎仍会自行判断。 怎么辨别一条外链是高质量还是低质量？ 看四件事：来源站本身有没有真实品牌和稳定收录、主题与你的网站是否相关、链接位置是不是嵌在正文（页脚侧栏评论区都偏弱）、锚文本是不是品牌词或自然短语（精确匹配关键词反而是负面信号）。一个简单判断：如果删掉这条链接对引用方内容毫无影响，它就是低质量外链。 想用上这个技能？ 「SEO 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。
提示