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。
如何用 AI 制定健身计划
「健身教练」是「龙虾部署大师」技能市场中的训练计划技能：作用是根据你的目标、身体状况、训练条件和时间，生成个性化、可执行的训练方案——它先确认你是要减脂、增肌、塑形、提升体能还是康复，再收集器械、地点、频率等条件，输出 4 周渐进计划，含动作组数次数、休息、动作要点、替代动作、进阶安排，并附热身拉伸、安全原则和免责声明。 技能效果 说明一周只能练三天、家里只有哑铃后，它排出练一休一的三天计划，写明每个动作的组数次数，还给出护膝护腰的几条铁律。 自己安排训练，为什么常常练不下去或练错 问题往往出在计划本身。零基础或居家训练时常遇到三种情况：一是不知道练什么、练几组，照搬网上的计划，结果不是太难就是不对路；二是不管身体条件，膝盖、腰有旧伤却照做跳跃和大重量，反而越练越伤；三是没有渐进结构，每天都练同样的强度，身体适应后就停滞，或者一开始上量太猛、几天就放弃。训练有没有效果，七分看计划是否匹配自己的条件。 4 周渐进，强度逐周抬升 第1周 第2周 第3周 第4周 适应 进阶 这个技能能帮你做什么 它把训练计划拆成"先匹配方向、再适配条件、最后给出可执行安排"。它先根据减脂、增肌、塑形、体能、康复或特定部位匹配训练方向；再分批收集你的年龄、身高体重、运动水平、伤病情况、可用器械、训练地点、每周频率和偏好；然后生成一个 4 周训练周期，写明每个动作的组数、次数、休息时间和动作要点，并为关节不适或器械受限的情况提供替代动作，给出周期化的进阶方式。每份计划都附带热身拉伸建议、安全原则、过度训练的预警信号和一张进度追踪表，方便你记录进步、按反馈调整强度。 匹配目标 减脂/增肌/康复 适配条件 器械/伤病/频率 4 周计划 动作/组数/替代 进度 追踪表 用前须知 该技能无需 API Key，生成计划依赖 Python 脚本和本地动作库。需要明确的是，它输出的是一般性训练建议，仅供参考，不构成医疗诊断或治疗方案；有慢性病、伤病或明显不适者，应先咨询医生或专业教练，再决定是否开始训练。训练中如出现疼痛或不适，请立即停止。 怎么用它 用法是把你的目标、可训练的时间、器械和身体限制用自然语言说清楚，它会据此排出计划。例如可以这样对它说： 可以这样对它说 "我一周只能练三天，家里有哑铃，安排减脂训练，注意保护膝盖和腰。" "膝盖不太舒服但想恢复跑步，做一套低冲击的康复计划，先别安排跳跃。" "想重点练胸和背，按四周周期写动作、组数和进阶方式，休息时间也写清。" 它适合这些场景：零基础用户想按居家或健身房条件制定可执行的训练计划；增肌或塑形人群需要推拉腿、上下肢这类分化训练安排；久坐或有轻微不适的人想要体态改善和低风险的一般性康复训练建议；以及训练者想记录进步、调整强度、避免过度训练和动作错误。 大家常问 为什么自己排的健身计划常常坚持不下来或练错？ 多数自排计划是直接套网上模板，没考虑你每周能练几天、状态差时的退路、动作是否匹配你的关节活动度和肢体比例。AI 把训练视为多约束求解：先按时间预算、恢复能力、伤病和器械建模，再生成可执行计划并保留减载冗余，所以更走得下去。 减脂和增肌的训练计划，本质区别是什么？ 增肌靠机械张力累积驱动肌肥大，动作偏拉伸位张力大、容量优先、可容忍较高疲劳；减脂目标是制造热量赤字同时保留肌肉，动作偏多关节高耗氧、密度优先（缩短间歇），疲劳容忍度更低，减载频率也更密。两者训练结构和疲劳管理粒度都不同。 4 周渐进训练计划里，渐进的到底是什么？ 渐进不只是加重量。AI 同时调节五个维度：负荷（重量）、容量（组×次）、密度（缩短组间休息）、技术复杂度（从器械到自由重量到单侧）、以及节奏（控制离心）。典型四周节奏是适应—强度—容量高峰—减载，让身体完成"适应→刺激→超适应→恢复"完整循环。 有膝盖旧伤还能练腿吗？怎么挑替代动作？ 多数情况下能练，关键是把旧伤转成动作约束：避开膝关节剪切力大、深屈曲下负重和冲击落地的动作。AI 在功能图谱里找肌群贡献相近但更安全的替代——例如用高脚杯深蹲或腿举替代杠铃深蹲，或把发力转移到髋主导动作如臀推、罗马尼亚硬拉，先在无痛幅度内积累强度再扩大范围。 想用上这个技能？ 「健身教练」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准备面试
「面试准备」是「龙虾部署大师」技能市场中的面试训练技能：作用是为求职者生成结合岗位、公司和面试类型的定制化准备方案——输入职位、目标公司、面试形式、经验层级和薄弱环节后，它输出公司研究、常见问题、STAR 回答框架、技术问答要点、反问清单、风险提示和当天检查表，帮你把零散经历整理成可演练、可复盘的面试素材。 技能效果 准备产品经理面试时，它按高频程度排出十道行为面试题，每题给出STAR骨架，还把答案改写成不像背稿的口语示例。 面试前临时抱佛脚，为什么效果总不好 问题在于准备没有结构。多数人面试前的准备停留在三种状态：一是漫无重点，刷一堆通用面试题，却不知道目标岗位和这家公司会重点考什么；二是经历讲不清，明明做过不少事，一被追问就答得零散，缺乏量化成果，也没有"背景—任务—行动—结果"的骨架；三是临场失控，两分钟能讲完的事讲了五分钟，或者面完才想起没准备反问问题。准备得有没有用，看的是能不能把经历变成可演练、可复述的素材。 STAR：把经历讲成完整的故事 S背景 T任务 A行动 R结果(可量化) 这个技能能帮你做什么 它把面试准备做成一套定制化、可演练的训练方案。输入职位、目标公司、面试形式、经验层级和薄弱环节后，它会按岗位、公司和经验层级生成定制化的面试问题；用 STAR 框架帮你拆解经历，给出示例回答的组织建议；针对技术题、行为题、案例题补充答题要点；并输出一份反问清单、一组避坑提醒和一张面试当天的检查表。整个流程强调具体经历、可量化成果、失败复盘和两分钟的表达控制，目的是把你零散的经验整理成临场能复述、能模拟问答、能自我复盘的材料。 输入岗位与公司 形式 / 层级 / 薄弱 定制问题 + STAR 拆解 答题要点 技术/行为/案例 反问 +检查表 用前须知 该技能无需 API Key 或固定运行时依赖，主要基于你提供的岗位、公司和面试类型生成内容。需要注意的是，若要结合目标公司的最新动态，应接入可用的搜索能力并自行核验来源，避免在面试中引用过时或不准确的公司信息。 怎么用它 用法是把目标岗位、公司、面试形式和自己的经历用自然语言交给它，它会生成定制问题和回答框架。例如可以这样对它说： 可以这样对它说 "明天面产品经理，按行为面试准备十个 STAR 答案，别太像背稿。" "我投的是字节的后端岗位，练几道技术面高频问题并整理思路。" "这份经历太散，帮我整理成面试里能讲的三段故事，每段两分钟左右。" 它适合这些场景：准备行为面、技术面或案例面时需要系统化演练回答；目标公司已确定、要结合公司使命、动态和文化设计面试策略；缺少可量化的项目案例、需要把经历整理成清晰的 STAR 故事；以及临近面试当天、要快速核对准备材料、反问问题和表达风险。 大家常问 用STAR法则讲项目时，最容易被求职者省略或讲虚的是哪一步，为什么？ 最容易被省略的是R（Result）。求职者往往讲清楚做了什么，到结果时只剩"顺利完成""客户认可"等笼统话，缺少基线、对比、时间跨度这类可核实的量化指标，导致Action变成自说自话。 行为面试问题主要在考察求职者的什么，和能力测评类问题有什么区别？ 行为面试基于"过去的行为是未来表现的最佳预测指标"，考察真实情境下的行为模式、软性胜任力和决策逻辑；能力测评则是受控条件下的认知表现，测量知识存量、推理速度、技能操作等可标准化打分的硬指标。 面试里的自我介绍超过两分钟会带来什么问题？ 面试官前两分钟注意力最集中，超过这个窗口信息密度下降；同时会挤占后续行为面、技术考察、双向问答的时间，还会暴露候选人在提炼重点和时间把控上的不足，反而稀释了核心亮点。 面试最后的反问环节，问什么类型的问题会显得专业，问什么会扣分？ 加分的是落在岗位实际工作、前3-6个月核心问题、评价标准、团队业务挑战上的问题；扣分的是公司在做什么这类官网可查的基础信息、只关心加班和晋升的利己问题、过于空泛的战略问题，以及"我没有问题了"。 想用上这个技能？ 「面试准备」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。
公众号文章怎么写发？生成草稿配AI封面转HTML建草稿
「微信公众号写作」是「龙虾部署大师」技能市场中的内容生产技能：它把公众号文章从策划、正文写作、封面与配图生成、Markdown 排版到草稿箱发布串成一条流程，可按需要只写正文、写作加配图，或一直做到生成公众号草稿，输出策划文档、文章 Markdown、封面图、正文配图和发布报告。 技能效果 写「AI办公落地」公众号长文时，它产出了带真实企业案例的全文，分出四个落地方向、五个坑和五步实操法，还附上了封面图和正文配图。 写一篇公众号，为什么总要在几个工具间来回倒 一篇成形的公众号文章，背后是好几道彼此割裂的工序：先想选题和结构，再写正文，然后找封面和配图，接着把 Markdown 排成公众号能用的版式，最后还要登录后台贴进草稿箱。每道工序换一个工具，图片路径、摘要截断、主题样式、作者信息反复要手动对齐，稍有遗漏排版就乱。流程一长，真正写内容的精力反而被这些搬运和拼接吃掉。 想选题 ⤏ 写正文 ⤏ 找配图 ⤏ 排版 ⤏ 贴草稿箱 每换一步都要手动对齐图片、摘要、样式 这个技能把哪些环节接到了一起 它把上面那条割裂的流程接成一条可选的闭环。核心做四件事：按主题、读者、核心观点和案例数据先生成一份策划文档，把结构想清楚；据此撰写短句、有故事感、观点明确的公众号 Markdown 草稿；生成封面图和正文配图，并自动替换成正斜杠绝对路径的图片语法，避免排版时图裂；最后通过微信 API 上传图片、把内容转成公众号 HTML 并创建草稿。整个过程同时帮你处理偏好配置、摘要截断和主题样式选择。 主题 / 读者 观点 / 数据 策划 + 正文 封面 + 配图 绝对路径 HTML 排版 草稿箱 这条流程是可裁剪的：可以只让它写正文，也可以让它写作加配图，或者一路做到把内容存进公众号草稿箱，按当下需要选择停在哪一步。 用前须知 只做写作时无需任何微信凭证。配图功能需要 Python 环境以及 openai、pillow 和对应的 AI agent 配置；发布到草稿箱需要微信公众号的 AppID、AppSecret，并通过 npx -y bun 执行。配图与发布是可选项，不用的话不影响纯写作。 怎么用它 用法是把主题、读者和你要它做到哪一步用自然语言交代清楚。例如可以这样对它说： 可以这样对它说 "写一篇公众号长文讲 AI 办公落地，要配封面图和正文配图，内容别空。" "把这篇 Markdown 排成公众号草稿，作者、摘要和封面也一并补上。" "公众号文章只写正文，口语一点，不要生成图片，段落按手机阅读来排。" 它适合这些场景：运营团队要从选题开始产出一篇能直接排版的公众号文章；文章需要自动配上风格一致的封面和多张正文配图；手里已有 Markdown 稿件，只想转成公众号 HTML 并存为草稿；团队希望统一默认的主题样式、作者和发布凭证，减少每次的重复配置。 大家常问 公众号文章的"阅读完成率"是什么意思，为什么很多编辑说它比阅读量更能反映内容质量？ 阅读完成率指读到文章末尾的独立用户数占打开用户数的比例，公式是完整阅读用户数 ÷ 打开用户数 × 100%。它直接回答"愿意为这篇内容投入注意力的人有多少"，能过滤标题党点开即关、转发裂变带来的虚高阅读量，比阅读量更能反映内容本身和排版结构的质量。 公众号文章里"在看"和点赞在算法分发和读者心理上有什么不同，为什么运营会更看重"在看"数？ 点赞是文章页里的常规反馈按钮，信号只留在文末，不外传；"在看"会把文章推送到"看一看"，让作者的微信好友在信息流里看到。在看是用户愿意为内容做社交背书，会触发微信社交推荐分发，所以运营把它当成破圈和算法权重的核心指标。 写公众号文章时，订阅号和服务号在排版结构和内容节奏上有什么本质区别？ 订阅号被折叠进"订阅号消息"列表、按时间倒序展示，标题和首图决定打开，正文适合分段式短段落、高频更新；服务号每月仅 4 次群发、直接出现在对话列表，标题即文章，需要前 120 字摘要承载核心，正文按递进式整篇组织、信息密度更高。 公众号文章的"标题党"和"钩子标题"怎么区分，为什么钩子标题能用而标题党会被限流？ 标题党是"骗人的承诺"——标题夸张耸动，正文兑现不了；钩子标题是"勾人的真相"——标题制造好奇，正文确实给出对应价值。算法看打开率与完读率、在看的反差，标题党打开高完读低会被识别为低质降权，钩子标题完读和互动正常则权重上升。 想用上这个技能？ 「微信公众号写作」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。
小红书内容怎么检索采集？按关键词筛选笔记导出表格
「小红书内容检索」是「龙虾部署大师」技能市场中的内容研究技能：它通过浏览器自动化访问小红书，按关键词、排序方式、时间范围和笔记类型搜索热点内容，整理出标题、发布时间、作者、点赞、评论、收藏、粉丝数、标签和链接等字段，结果可在对话里展示，也能导出为 Markdown、Excel 或 CSV，并附带趋势观察和数据概览。 技能效果 检索「通勤穿搭」的爆款时，它抓取实时笔记后先按点赞量排出热门标题并归纳套路，再把话题标签按人群、场景、品牌分类，并给出每篇 6–8 个标签的组合建议。 想摸清小红书热点，手动翻笔记够吗 选题调研和竞品观察前，常要先看清某个关键词下哪些笔记互动最高、标题用了什么套路、话题标签集中在哪。手动翻：要一条条记标题、点赞、收藏、评论和作者，还要不断下滑加载；想按近七天、视频类型或最新排序筛选，又得反复改条件；几十条数据抄完，再自己排序、归类、找规律。等清单成形，热点已经换了一轮，留档和复盘也难。 手动翻小红书 · 字段散乱 笔记 A 点赞? 收藏? 笔记 B 作者? 标签? 笔记 C 评论? 时间? 下滑加载 · 反复改筛选条件 抄完已过时，难排序难留档 这个技能能帮你拿到什么 它把手动翻找变成一次结构化检索。核心做四件事：解析你给的关键词、排序方式、时间范围、笔记类型和字段需求；检测小红书登录状态，功能受限时提示你处理登录；通过浏览器自动化完成搜索、筛选、滚动和热门笔记数据的提取；最后生成对齐的表格、趋势分析和数据概览，并可按需导出文件。它能整理的字段相当完整：标题、发布时间、作者、点赞、评论、收藏、粉丝数、标签和链接。 关键词 + 排序 时间 / 类型 浏览器自动化 搜索 · 滚动 · 提取 点赞 / 收藏 / 评论 作者 / 标签 / 链接 表格 + 趋势 MD/Excel/CSV 它会如实报告数据情况：流程内置登录态检测、反爬节奏控制和异常处理，当数据不足时会照实说明，而不是凑数。 用前须知 该技能需要可用的浏览器自动化环境和能访问小红书网页的条件。多数功能依赖登录态，无需平台 API Key，但可能遇到登录弹窗、验证码、反爬限制或数据提取不足等情况，请按提示处理登录并控制检索节奏。 怎么用它 用法是把关键词、排序、时间范围和想要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 "搜小红书近七天的健身餐视频，按最新排序取前十条，点赞和评论都带上。" "查护肤关键词的热门笔记，把点赞、收藏、评论数和作者昵称都带上。" "看小红书上通勤穿搭的爆款，整理标题套路和话题标签，按热度排行。" 它适合这些场景：内容团队要搜某关键词下点赞最高的小红书热点笔记；品牌调研想按近七天、视频类型或最新排序筛选内容；创作者想分析高赞标题、互动指标和常见话题标签；以及账号运营需要把搜索结果保存成 Markdown、Excel 或 CSV 留档。 大家常问 为什么小红书的搜索流量和推荐流量要分开看？背后的分发机制有什么区别？ 推荐流量按"兴趣向量×内容向量"主动猜你喜欢，靠互动率赛马；搜索流量按"关键词+文本相关性+点击反馈"被动响应需求，生命周期更长，两条入口的优化路径完全不同。 小红书搜索结果默认的综合排序，主要按哪些信号排？ 综合排序是多维加权：文本相关性（标题最重>正文>话题标签）打底，互动率（收藏权重高于点赞）做实时调节，再叠加完读率、账号垂直度、时效性和个性化信号。 什么是小红书的笔记权重？为什么会影响搜索曝光？ 权重是算法给每篇笔记的综合评分，决定召回后排在搜索结果第几位。新笔记进入初级池后按权重逐级晋级，权重不够即使关键词命中也会被压到十几页后，几乎没人能看见。 在小红书搜索里，长尾关键词和大词下的笔记表现有什么本质区别？ 大词供给充裕、意图模糊，排序比拼互动积累和作者权威，存在马太效应；长尾词供给有限、意图精确，拼的是标题语义匹配度，入场门槛低，凭精准命中就能拿到稳定曝光。 想用上这个技能？ 「小红书内容检索」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。
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。
提示