批判性阅读怎么做才算读懂一篇文章
「深度阅读分析」是「龙虾部署大师」技能市场中的长文研读技能：支持 URL、PDF、DOCX、TXT 和粘贴文本输入，先提取正文，再按快速、标准、深度、研究四级模式调用 SCQA、5W2H、批判性思维、第一性原理等框架，把长文拆成核心论证，并输出可复用的学习笔记、写作素材或决策框架。 技能效果 让它深读一篇正念训练与工作记忆的实证论文，它拆出 SCQA 与 5W2H、揪出剂量不匹配和缺中介分析等四处漏洞，再给论证强度打了 6.5 分并列出该补的引用。 长文读完就忘，问题出在哪 论文、报告、策略长文读起来都费时，但"读过"和"读懂、能用"之间常常隔着一道坎。很多人通读一遍后只留下零散印象：抓不住核心主张，分不清哪些是事实、哪些是作者观点；看不出论证里的证据强弱和逻辑漏洞；想引用或落地时，又得回头重读。归根结底，是缺少一套和阅读目的匹配的拆解方法，于是阅读停留在"看完"，没有沉淀成可复用的结构化产物。 长文论文/报告 通读一遍 零散印象抓不住主张/分不清事实观点 要用时回头重读 这个技能怎么把长文读"透" 它先识别输入类型（URL、PDF、DOCX、TXT 或粘贴文本）并提取正文，再询问你的阅读目的、想要的分析深度和偏好框架，然后按四级模式推进——快速、标准、深度、研究，深度越高调用的思维框架组合越完整。可用的框架包括 SCQA、5W2H、批判性思维、逆向思维、第一性原理、系统思维等，用来拆解核心论证、评估证据质量、找出逻辑缺口。它在输出时会刻意保留事实、观点和行动项的边界，便于后续验证和复用。 提取正文URL/PDF/DOCX 按目的选深度，调用框架 快速 · SCQA 标准 · 5W2H 深度 · 批判性 研究 · 第一性原理 结构化产物 学习笔记 / 写作素材 决策框架 / 行动项 保留事实 · 观点 · 行动边界 用前须知 该技能无需 API Key。处理 PDF / DOCX 时，正文提取依赖 Python 及 pdfplumber、python-docx 或 docx2txt；输入 URL 时需要网络可访问该内容。它做的是结构化拆解与提炼，关键事实和引用仍建议回到原文核对。 怎么用它 用法是把要读的材料（链接、文件或粘贴文本）交给它，说清阅读目的和想要的深度。例如可以这样对它说： 可以这样对它说 "这篇论文按标准深度读，帮我拆出主张、证据和逻辑漏洞，再评估论证强度。" "这份报告太长，做成学习笔记，列出可用的框架，最后提三条可执行的动作。" "把这篇文章用 SCQA 和逆向思维分析，找出可以落地的启发，别只做摘要。" 它适合这些场景：阅读研究论文时，需要提炼核心假设、证据质量和局限性；处理商业长文或策略报告，希望得到可落地的行动方案；为写作引用整理关键论点、证据、反方视角和内容缺口；面对复杂决策材料，需要从多个角度评估风险、收益和备选项。 大家常问 什么是批判性阅读？它和普通通读一篇文章有什么不同？ 批判性阅读是带着审视和质疑去读，主动分析、评估、重构文本，而不是被动接收信息。普通通读像观众看电影，跟着内容走，读完只剩大致印象；批判性阅读像影评人，要追问作者想证明什么、论据是否可信、有没有漏洞，最后沉淀成结构化笔记。 读一篇文章时，怎么区分哪些内容是事实、哪些是作者的观点？ 一条简单法则：事实可以用对错检验、能追溯能验证，观点只能用好坏或应该来评论。看信号词，「研究表明」「根据数据」多是事实陈述，「我认为」「应该」「最好」多是主观或价值判断。可以用两种标记分别标事实和观点，若观点远多于事实，论证基础就值得怀疑。 要评估一篇文章里的论据是否可信，可以从哪些方面入手？ 不能只看有没有引用，而要逐一考察：来源是一手还是转述、是否权威可追溯；数据的时效性；样本是否充分且有代表性；从数据到结论有没有逻辑跳跃；是否回应了对立观点；有无利益冲突；结论是否可被公开验证或复现。模糊引用如「有专家指出」往往是危险信号。 拆解一本书或一篇长文的论证结构，到底是在拆哪些东西？ 拆的是作者的思维骨架：先提取主旨和分论点，区分哪些是论述、哪些是论据；再看论证类型是演绎、归纳、类比还是因果，把隐含前提显式化，检查从前提到结论有没有逻辑断环。注意别把选题范围当主旨，也别把概念当成主张。 想用上这个技能？ 「深度阅读分析」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。
本体建模是什么 和知识图谱区别
「本体知识建模」是「龙虾部署大师」技能市场中的知识图谱技能：用实体、属性和关系表示人员、项目、任务、文档、事件等对象，变更以追加日志写入 graph.jsonl，并可通过 schema 约束必填字段、枚举、关系类型和无环依赖，帮助多个技能共享结构化状态并保留可追溯的历史。 技能效果 让它记住“Alice 负责官网改版、关联到三月发布”，它把人物和任务建成结构化本体，连 responsible_for、part_of 两条关系链和查询命令都生成好了。 让 AGENT 记住事情，为什么这么难 让代理"记住"某个人负责什么项目、某个任务被谁阻塞，听起来简单，做起来却容易散。把信息写成自由文本，时间一长就互相矛盾、查不回去；每个技能各自维护一份状态，就成了互不相通的数据孤岛；想表达"任务 A 阻塞任务 B"这类关系，纯文本既存不住结构，也无法做类型检查和合法性校验。结果是记录越积越多，可靠地查询、关联和复用却越来越难。 自由文本记忆 散落的笔记 互相矛盾 技能各存一份 · 孤岛 类型化知识图谱 人员 项目 任务 负责 包含 这个技能用什么方式管理知识 它提供一个类型化的知识图谱：把人员、组织、项目、任务、事件、文档、消息、笔记、账户、策略等都建成带类型的实体对象，再用 has_owner、blocks 这类关系把它们连起来，且关联是幂等的（重复建立不会产生脏数据）。所有变更以追加日志的形式写入技能目录内的 graph.jsonl，因此保留完整的可追溯历史；通过 schema.yaml 可以约束必填属性、枚举值、关系类型、基数以及无环依赖，对知识库结构施加类型检查。查询、遍历和过滤则用来获取任务、依赖、文档与上下文。 创建实体 / 关联 schema 校验必填 / 枚举 / 基数无环依赖 追加日志graph.jsonl可追溯历史 查询 / 遍历多技能共享 用前须知 该技能无需外部 API Key。首次使用需运行 Python setup 脚本安装依赖；数据保存在技能的 memory/ontology 目录下，已有的日志和 schema 应以追加合并的方式处理，而不是覆盖。它支持后续扩展到 SQLite。该技能偏向开发者与自动化场景，用于构建可验证、可追溯的结构化状态。 怎么用它 用法是用自然语言告诉它要记住的对象、关系，或要查询的内容。例如可以这样对它说： 可以这样对它说 "记住 Alice 负责官网改版，并把它关联到三月的发布任务，别丢掉关系链。" "查一下 CRM 项目下面还有哪些处于阻塞中的任务，按负责人分组列出来。" "把这份会议纪要连到增长实验项目和参会人，保留文档路径和来源。" 它适合这些场景：需要让代理记住某个人、项目、任务或文档，并能在后续查询；多步骤计划需要表示为可验证的图变更、依赖关系和回滚步骤；跨技能共享任务、承诺、事件等状态，避免各自维护孤岛数据；希望对知识库结构施加类型检查、关系基数和无环约束规则。 大家常问 本体知识建模到底是什么？用实体、属性、关系来表示知识是什么意思？ 本体是对一个领域的概念及其关系所做的形式化、明确的规格说明，它定义"知识应该长什么样"。建模时把世界里有身份的事物建成实体，用属性描述实体自身的特征，用关系连接实体之间的连线，于是知识不再是散乱词语，而是一张可计算、可共享、可校验的网。 本体和知识图谱有什么区别？ 本体是模式层，规定有哪些概念、属性、关系和约束，相当于一张带规则的蓝图；知识图谱是在这张蓝图上填充大量实例数据所形成的关系网络，是数据层。一句话：本体定义知识结构，知识图谱把真实数据装进去。知识图谱可以基于本体构建，也可以没有严格本体约束。 is-a（是一种）关系和 part-of（是一部分）关系有什么区别？ is-a 是分类归属，子类的每个实例也是父类实例，并自动继承父类属性，判断靠"替代性测试"——能不能用子类替换父类。part-of 是组成结构，部分不继承整体的属性，判断靠"删除测试"。常见错误是把方向盘建成"是一种汽车"，正确应是"汽车的一部分"。 为什么要给本体知识建模加 schema 一致性约束（必填、枚举、基数、无环依赖）？ 约束是本体区别于术语表和松散图谱的本质特征。必填属性保证实例的最低知识完整度，枚举值把取值限定在有界集合避免语义漂移，基数约束让关系网络有确定拓扑，无环依赖保证层次结构有效、推理能终止。没有约束，知识虽自由却无法被一致地计算。 想用上这个技能？ 「本体知识建模」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。
退货政策设计方法，按品类等级和地区法规定清规则
「退货政策设计」是「龙虾部署大师」技能市场中的退换货规则设计技能：它按品类、客户等级、地区法规、卫生密封、节假日窗口和补货费，把退货窗口、退款资格和排除项设计成一套清晰可执行的政策框架，让转化信任与运营防护取得平衡。 技能效果 让它把服装加定制店的退货政策一次定清，它写出了可直接公示的条款：30天窗口、定制品专项规则、15%补货费、Final Sale清单和退货运费归属都列成了表。 退货政策为什么总是顾此失彼 退货政策是电商最难拿捏的一环，因为它同时牵动转化、成本和合规三条线。窗口放得太长、条件给得太宽，能提升下单信任，却也放大了借穿式购买、物流损耗和退货滥用；收得太紧、补货费定得太高，又会在结账页劝退犹豫中的买家。多数店铺的政策是逐条临时加上去的：服装、电子、清仓、定制品共用一套规则，跨境订单没单独考虑欧盟英国的撤单权，结果产品页、结账页和政策文本三处口径还对不上。 退货政策 要同时平衡 转化信任 窗口越长越敢买 运营成本 滥用与物流损耗 地区合规 撤单权与卫生豁免 这个技能帮你把政策设计成什么样 它把退货政策拆成几条可分别设定的维度，再组合成完整规则。在政策类型上，它围绕标准政策、严格政策、最终售出和 VIP 延长四种基线展开；在分档维度上，它按商品品类和客户等级分别设定退货窗口、补货费和排除项，让服装、电子、清仓和定制品各走各的规则；在边界处理上，它覆盖欧盟英国撤单权、卫生密封商品豁免和节假日延长窗口等容易踩坑的情形；在落地实现上，它给出 Shopify、WooCommerce 和自定义 API 的配置思路与资格判断示例，并定义政策清晰度、换货比、客服占比和处理时长等可衡量的指标。 同一店铺，不同品类走不同规则 服装 30 天 · 卫生豁免 电子 14 天 · 补货费 清仓 最终售出 定制品 不可退 叠加客户等级（如 VIP 延长窗口） 与节假日窗口 三处展示口径一致的可执行政策 用前须知 该技能做的是政策方案设计，本身无需 API Key。但要把规则真正配置进 Shopify、WooCommerce 或退款 API，仍需平台后台权限与相应凭证；它不替代法律意见，也不直接执行平台写入操作，涉及撤单权等具体法律问题应咨询当地律师。 怎么用它 用法是把你的品类构成、想达成的目标和合规要求用自然语言交给它，由它产出成套规则。例如可以这样对它说： 可以这样对它说 "我们卖服装和定制品，把退货窗口、补货费和最终售出规则一次定清楚。" "会员想延长退货期，政策要兼顾转化率、补货费和长期滥用风险。" "跨境订单的退换货政策，先按地区合规、品类限制和物流成本设计清楚。" 它适合这些场景：为服装、电子、清仓和定制等不同品类制定区分明确的退货规则；希望用更长窗口提升信任、同时控制借穿式购买和物流成本；需要在产品页、结账页和政策文本中保持规则展示一致；以及面向欧洲或跨境市场销售时，理清撤单权、运费承担和卫生豁免的边界。 大家常问 退货政策里的补货费（restocking fee）是什么？为什么有的店要收？ 补货费是退货时商家从退款里扣除的一笔费用，通常按商品价格的 10%—25% 计。原因有三：拆封试用过的商品难按原价再售、要承担检查重包装与物流人工成本、还能抬高「借穿式」恶意退货的门槛。质量问题或商家失误退货一般可免收。「退货政策设计」正是帮你按品类和客户等级把补货费比例、排除项与费用透明提示一次定清楚。 服装这类商品的退货政策，为什么通常要比电子产品更严格？ 其实维度不同：服装退货率高达 20%—40%，试穿后涉及卫生、撑变形、吊牌损坏，二次销售损耗大，所以在「卫生/吊牌完整」等验收标准上更严，但退货窗口往往更宽松来换转化；电子产品序列号可追踪、未激活检测后能原封再售，反而在「拆封激活即不退」的窗口与限制上更严。「退货政策设计」就是按品类差异分别设定窗口、补货费和排除项。 跨境卖到欧盟、英国，退货政策上有哪些必须注意的合规点？ 核心是 14 天无条件冷静期（撤单权）：欧盟依《消费者权益指令》、英国依 2013 年消费者合同条例，消费者收货起 14 天内无需理由可退，且必须事先提供撤销权范本，否则窗口延长至 12 个月。定制品、拆封的卫生密封品等可豁免。英国还有《消费者权益法 2015》的 30 天短期拒绝权。「退货政策设计」会把这些地区合规边界纳入规则，但不替代当地法律意见。 电商把退货窗口放宽到30天或给VIP延长，会带来哪些好处和风险？ 好处是提升下单信心、增强 VIP 粘性、把宽松退货当营销卖点拉高转化。风险是资金回笼变慢、机会主义退货与商品磨损上升、库存周转复杂，服装数码等品类还易出现「穿退」「用后退」。可取做法是分级实施（普通 15 天、会员 30 天、VIP 45—60 天）并配退货次数上限、品类排除与验收风控。「退货政策设计」正是用这种动态规则平衡转化与防护。 想用上这个技能？ 「退货政策设计」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。
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。
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。
短视频脚本怎么写？设计黄金3秒开头加正文节奏适配抖音
「短视频脚本」是「龙虾部署大师」技能市场中的脚本生成技能：作用是面向抖音、快手、B站、视频号等平台，根据主题、平台、时长和内容类型，为知识分享、热点评论、产品推广和剧情情感内容生成可直接拍摄的脚本，包含标题、黄金 3 秒开头、正文节奏、结尾互动和封面建议，重点是可拍摄性和节奏控制。 技能效果 写30秒敏感肌护肤脚本时，它给出分秒分镜，开头三秒直接点出误区、抓住痛点。 短视频拍了不少，完播和互动为什么上不去 多数完播不佳的视频，问题出在脚本结构而非拍摄。常见三种：开头平淡，前 3 秒没钩子，观众划走，后面再精彩也没人看到；节奏失控，中段冗长、信息密度忽高忽低，观众中途流失；结尾干瘪，没有引导互动或下一步动作，点赞评论和转化都起不来。同一个主题，按平台调性设计好节奏的脚本，和随手口播的脚本，数据往往差出一个量级。 脚本结构 = 一条完播率曲线 黄金 3 秒 无钩子：中途流失 有节奏：留到结尾互动 视频时长 → 这个技能能帮你写出什么 它先收集核心参数——主题、目标平台、视频时长和内容类型，再匹配合适的脚本模板，生成一条可以直接开拍的完整脚本。结构上覆盖标题公式、黄金 3 秒开头、痛点或悬念铺垫、正文节奏、反转或干货段落、结尾互动引导，外加封面建议。它会按知识分享、热点评论、产品推广、剧情情感四类内容选用不同模板，并依据抖音、快手、B站、视频号各自的调性调整节奏和表达，让脚本既符合平台习惯，又方便后续复拍迭代。 黄金开头 › 痛点悬念 › 正文节奏 › 反转干货 › 结尾互动 用前须知 该技能无需 API Key、Python 或 Node 依赖，给定主题、平台、时长和内容类型即可生成脚本。若内容涉及具体热点事件的细节，需要你提供素材或另行检索，技能不自带实时热点数据。 怎么用它 用法是把要拍的主题、平台、时长和想要的口吻用自然语言说清楚，它会自动匹配模板并控制节奏。例如可以这样对它说： 可以这样对它说 "抖音要拍三十秒护肤科普，开头三秒抓住敏感肌的痛点和误区，语气别太端着。" "这款新品做短视频带货，写分镜、台词、标题、封面和结尾引导，口吻放松一点。" "想发一条热点评论到视频号，语气克制，但开头和观点要有记忆点。" 它适合这些场景：知识博主要把一个专业主题拆成 1 分钟可拍口播脚本；品牌为新品做短视频推广，既要钩子又要转化；热点事件需要快速形成观点型脚本并引导评论；剧情情感账号要设计反转节奏、开头悬念和结尾互动。 大家常问 短视频前 3 秒钩子到底是什么，为什么没有钩子完播率就上不去？ 钩子本质是给观众的认知系统建一个信息缺口，逼大脑想闭合。前 3 秒没钩子，信息梯度接近零，观众在阈值线下直接滑走，后面再好都触达不到。 短视频分镜脚本和普通文案脚本有什么区别，为什么拍摄时要拆分镜？ 文案脚本只列台词和粗略动作，分镜脚本要写镜号、景别、运镜、时长、转场和情绪。拍摄是非线性集中布光的，没分镜剪辑师拿到一堆碎素材根本拼不回叙事。 短视频脚本里的「信息密度」是什么意思，密度太高或太低分别会怎样？ 指单位时间里画面、台词、字幕、音效叠加传递的信息总量。太高会认知超载，看完一片空白；太低会注意力流失，节奏拖沓像讲课。理想做法是双轨互补、留呼吸点。 短视频结尾的互动引导是什么意思，为什么干瘪结尾会拖累互动率？ 互动引导是结尾的行动召唤，由扣题总结、靠近景别、开放问题加 0.5–1.5 秒留白组成。干瘪结尾断了叙事弧线，观众没行为出口，自然不点赞评论。 想用上这个技能？ 「短视频脚本」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