如何用 AI 做全栈开发
「全栈开发」是「龙虾部署大师」技能市场中的应用骨架交付技能：作用是覆盖后端架构、前后端集成、API 脚手架、CRUD 应用和生产硬化。它要求写代码前先确认技术栈、服务类型、数据库、接口协议、实时能力和认证方式，再据此做项目结构、API 客户端、认证、错误处理和实时方案的决策，并按控制器-服务-仓储三层、配置校验、结构化日志、输入验证等模式落地，最后用构建与烟测验证。 技能效果 让它把待办应用做成前后端版本时，它搭出 Express+SQLite 后端、带注册登录的 JWT 鉴权和受保护的增删改查接口，前端三合一页面也一并给出。 搭一套能上线的应用，难在哪一层 从零搭一个带前端、后端、数据库和认证的应用，难点不在写出第一个接口，而在让各层之间的边界、约定和兜底都站得住。后端目录怎么按功能组织、控制器和服务怎么分层、配置如何校验、日志要不要结构化；前端调用 REST、GraphQL 还是 tRPC，返回格式是否统一，跨域和鉴权链路是否接稳；上线前还有健康检查、CORS、安全头、优雅关闭这一串生产硬化。这些环节横跨前后端，任意一层含糊都会让应用"能跑但不稳"。 前端 · 调用协议 / 鉴权 / 返回格式 API 层 · 控制器 / 输入验证 / 错误格式 服务 / 仓储 · 业务逻辑 / 数据访问 数据库 · 配置校验 / 日志 / 优雅关闭 这个技能怎么把应用骨架立稳 它的做法是"先决策、后落地"。开工前，它先收集技术栈、数据库、集成协议、实时和认证需求，把选型敲定；随后针对项目结构、API 客户端、错误处理和认证架构做出明确决策，而不是边写边改。落地阶段，它提供一套成体系的模式：按功能组织目录、控制器-服务-仓储三层、配置校验、结构化日志、输入验证、缓存、文件上传，以及 SSE、WebSocket 等实时通信。上线前再补齐健康检查、CORS、安全头和优雅关闭这类生产硬化项，并通过构建与烟测来验证整体可用。 ① 确认选型栈/库/协议/认证 ② 架构决策结构/错误/认证 ③ 模式落地三层/日志/校验 ④ 生产硬化构建 + 烟测验证 用前须知 该技能无需专用 API Key。具体依赖取决于选型，可能需要 Node.js、Python、Go、PostgreSQL、Docker、Redis 或相应前端框架。建议先把技术栈和数据库确定下来，再交给它做架构决策与落地。 怎么用它 用法是把要做的应用、技术栈和当前痛点用自然语言说清楚，由它先决策、再落地、最后验证。例如可以这样对它说： 可以这样对它说 "把这个待办应用做成前后端都有的版本，带登录、数据库和基础权限。" "现有后台接口太散，按订单模块重做服务层和错误处理，顺便补日志。" "前端调用接口老出跨域和鉴权问题，把链路接稳并理清返回格式，补上测试。" 它适合这些场景：从零搭建带前端、后端、数据库和认证的 CRUD 应用；已有后端服务需要梳理模块边界、错误格式和日志体系；前端要接入 REST、GraphQL、tRPC 或 OpenAPI 生成客户端；产品上线前补齐健康检查、CORS、安全头和优雅关闭。 大家常问 什么是前后端分离？和不分离有什么区别？ 不分离架构里前端模板和后端业务混在一个工程，由服务端渲染整页 HTML；分离架构则把前端和后端拆成两个独立项目，通过 HTTP API 以 JSON 交换数据，前端只管 UI 渲染，后端只暴露接口和业务逻辑。两者最大区别在部署解耦、并行开发，以及前端必须自己管理状态。 搭一套带前端、后端、数据库和认证的应用，为什么难点在层与层的边界？ 每一层抽象模型不同：前端是事件驱动、后端是请求-响应、数据库是集合论与事务，边界处就是这些模型碰撞的地方。前后端契约、状态同步、鉴权令牌传递、ORM 阻抗失配、数据库迁移节奏等问题都不在单层内部，而是发生在层与层的连接处，靠跨层共识才能稳住。 控制器-服务-仓储三层架构是什么？为什么写后端要拆这三层？ 控制器只翻译 HTTP 输入输出、做参数校验和响应包装；服务层编排业务逻辑、控制事务边界；仓储层封装数据访问，屏蔽 ORM 和 SQL 细节。调用方向严格单向：Controller→Service→Repository。拆分之后每层可独立测试、并行开发、单独替换实现，业务一长也不会失控。 为什么 API 上线前要做配置校验、健康检查和优雅关闭这些生产硬化？ 这三项把"意外"变成"可控"：配置校验在启动时把 CORS、连接串、限流这类参数核对一遍，错了直接拒启；健康检查向负载均衡器汇报数据库、缓存等依赖是否真能用，连不上就摘除流量；优雅关闭收到 SIGTERM 后先注销、再等正在处理的请求结束，避免每次部署都甩出一批 502。 想用上这个技能？ 「全栈开发」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商品页转化怎么优化？给移动优先改版和实验
「Shopify 商品页转化优化」是「龙虾部署大师」技能市场中的商品详情页转化技能：它基于你提供的商品页链接、截图和转化数据，检查首屏视觉、信任信号、卖点结构、CTA 和页面速度，输出移动优先的改版建议和 A/B 测试清单，目标是提升加购率与购买率。 技能效果 给一个加购率偏低的蓝牙耳机商品页做转化优化时，它在保留图片的前提下重写了首屏主卖点、信任标识和加购按钮文案，并给出改前改后的对比。 商品页有流量，加购率却上不去 商品详情页是成交前的最后一公里，但很多店铺的页面"有流量、没转化"。问题往往不在引流，而在页面本身：首屏信息层级乱，标题、价格、评价、运费、加购按钮挤在一起，访客一眼找不到重点；缺评价、缺支付保障、缺退货承诺，新访客没有下单的信任理由；产品描述写得又长又满，没人愿意往下扫读；到了移动端，桌面端那套布局直接照搬过来，全宽 CTA 缺位，转化进一步落后。这些都是肉眼能感觉到不对、却说不清该先改哪里的典型情况。 改前：首屏杂乱 → 改后：层级清晰 标题 + 价格 评价 + 信任标识 可扫读卖点 全宽 CTA 加购 这个技能帮你检查和改进什么 它围绕商品详情页的转化要素做一次结构化诊断。首屏层面，它审查首屏视觉、标题关键词、价格透明度、评价展示、卖点表达和 CTA 的完整性；信任层面，它检查安全支付、退货政策、真实评价和专业背书，帮你搭起新访客愿意下单的信任体系；紧迫感层面，它按合规原则设计真实库存提示、促销倒计时和折扣展示，强调不伪造稀缺性；实验层面，它把主图数量、CTA、评价位置、价格格式等做成可执行的 A/B 测试清单。输出是移动优先的改版建议和实验方案，最终指向加购率、购买率和长期信任的提升。 首屏五项查清，逐项给改进与实验 主图数量/角度 标题价格关键词 评价信任背书 卖点可扫读 CTA全宽按钮 移动优先改版 + A/B 测试清单 用前须知 该技能无需 API Key 或代码依赖，分析基于你提供的商品页截图、文案、评价、价格、库存、配送承诺、转化数据和页面速度指标。它给出的是改版建议与实验方案，真正改动页面需要 Shopify 主题或后台的编辑权限。提供的资料越完整，建议越贴合实际。 怎么用它 用法是把商品页的链接或截图，连同当前的转化表现一起用自然语言交给它，由它诊断并给出改版建议。例如可以这样对它说： 可以这样对它说 "这个商品页加购率低，先帮我改首屏卖点、信任标识和 CTA 按钮文案。" "移动端首屏太乱，重新排一下标题、价格、评价、运费和加购按钮的顺序。" "产品描述太长没人看，压成可扫读的卖点，并设计一套首屏 A/B 测试方案。" 它适合这些场景：商品页流量充足但加购率偏低、需要重构首屏信息层级；移动端转化落后桌面端、要压缩文案并强化全宽 CTA；页面缺少评价、支付保障或退货承诺、影响新访客信任；以及促销期间想在不伪造稀缺性的前提下提升购买紧迫感。 大家常问 Shopify 商品页流量不少，但加购率和转化率一直很低，通常是哪些环节出了问题？ 这是典型的漏斗中部断裂，按优先级排查七处：主图太少缺场景说服力、首屏没建立信任（缺评分/支付/退货标识）、CTA 按钮不突出、产品描述只讲功能没讲解决什么痛点、缺真实的紧迫感、运费等隐性成本到结账才暴露、页面加载慢。本技能据商品页链接或截图逐项体检，给移动优先的改版建议和实验清单。 为什么同一个 Shopify 商品页，手机端的转化率往往比电脑端差？移动端首屏要注意什么？ 手机屏幕小、首屏信息密度低，关键信息要滚动两三屏才看到，加上加载更慢、点击成本高、信任信号被折叠，转化常低于电脑端。移动端首屏应在不滚动时就放齐：高质量主图、清晰标题、星级评价、价格、3 条卖点、全宽 CTA 按钮、配送与保障承诺。本技能按移动优先重排首屏层级并压缩文案。 商品页上的库存紧张、促销倒计时这类稀缺性提示，怎么做才算合规、不算虚假营销？ 合规底线只有一条：页面写的都要有后台真实数据支撑，且不同时间看到的逻辑一致、不矛盾。库存提示要对接实时库存、不虚构数字；倒计时终点要等于活动真实截止、归零后不自动重置循环；销量要来自真实订单、不能拿浏览或加购冒充。本技能按合规原则设计真实库存与促销紧迫感，不造假稀缺。 商品详情页的首屏（首屏可见区）一般指什么？为什么大家都强调要把卖点和 CTA 放在首屏？ 首屏指打开商品页无需向下滚动、第一眼就能看到的区域，移动端通常含主图、标题、价格、评分。强调把卖点和 CTA 放首屏，是因为用户注意力在首屏只停留三五秒、能滚到第二屏的约一半，再往后骤降；卖点决定是否感兴趣、CTA 决定是否行动，缺一不可。本技能会审查首屏层级并建议悬浮固定 CTA。 想用上这个技能？ 「Shopify 商品页转化优化」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 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。
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。
知识漫画怎么创作？把文章转成分镜提示词，保持角色一致
「知识漫画创作」是「龙虾部署大师」技能市场中的内容视觉化技能：它把文章、教程或主题材料转化为原创教育漫画。输入来源内容、画风、基调、版式、比例和语言后，它会加载偏好、分析内容、确认风格，依次生成分镜、角色设定、图像提示词、角色参考图、连续页面图片和 PDF，并能根据内容信号推荐清线、日漫、写实、水墨等风格，支持只出分镜、只出提示词、按角色参考图重绘指定页或重新合成 PDF。 技能效果 把图灵生平做成知识漫画时，它先给出人物色标与造型设定，再画出开头几页的分镜。 把知识画成漫画，难在哪 知识漫画的门槛不在画工，而在"成体系"。一篇教程要变成连贯漫画，需要先拆出分镜节奏、立住角色、写清每页画面，再保证多页之间同一个角色长得一样、风格不跑偏。靠人工或零散工具，常出现两类问题：角色每页脸都不同，读起来出戏；画风与内容气质不搭，科普配了违和的风格。更现实的是，全部画完才发现分镜不对，返工成本极高。 连续多页 · 角色要一致 第 1 页 第 2 页 第 3 页 合成PDF 这个技能怎么把内容变成漫画 它把成漫画的过程拆成一条可追溯的链路。先根据内容信号自动推荐画风、基调、版式或预设风格——清线、日漫、写实、水墨等组合都在选项里；再依次生成内容分析、分镜脚本、角色定义和每页的图像提示词。关键一步是它先生成角色参考图，再据此生成页面，从而让同一角色在多页之间保持视觉一致；最后把连续页面合成为 PDF。它还支持灵活的局部操作：只先出分镜或只出提示词、增删页面、以提示词优先更新，或基于角色参考图重绘指定页后重新合成 PDF。 分析内容定风格 分镜脚本+ 提示词 角色参考图定形象 连续页面保持一致 合成 PDF 用前须知 该技能无需外部图像 API Key，Seedream 凭证会从本地配置目录自动读取。本地需要 Python 环境以及 openai、pillow；PDF 合成脚本则需要可运行的 Node/TypeScript 环境。 怎么用它 用法是把要改编的素材连同想要的画风、节奏和产出方式告诉它，它会先出方向再逐步生成。例如可以这样对它说： 可以这样对它说 "把这篇图灵传记改成温暖清线风知识漫画，先出分镜和角色设定，文字别多。" "只先出量子计算科普漫画的分镜，暂时不用生成图片，页面节奏也标明。" "用水墨动作风讲孙子兵法，每页角色造型保持一致，先生成参考图。" 它适合这些场景：把技术教程、科普文章或人物故事改编成连续知识漫画；按清线、日漫、写实、水墨或粉笔等风格输出教学内容；已有漫画页面需要修改某一页并重新合成完整 PDF；以及团队希望先审阅分镜或提示词，再决定是否生成全部图片。 大家常问 知识漫画的「分镜」到底是什么？为什么直接照着文章画漫画反而读不下去？ 分镜不是把画面排进格子，而是控制读者视线在时间中的运动——格子之间的空白才是核心，读者在脑中自动闭合。文章是线性「告诉」，漫画是二维「展示」，照着文章逐段画会变成插图说明书：节奏均匀、抽象概念被堆在对话气泡里，反而失去漫画的叙事力。 为什么 AI 生成的漫画里同一个角色每页脸都不一样？这种「视觉一致性」是怎么丢的？ 每一格在生成时都是独立事件单元，系统没有跨格的「角色身份记忆」。叙事描述只说「发生了什么」、不说「角色长什么样」，五官细节在「叙事→视觉」转换中被压缩。再加上构图优先级把动作排在角色之前，结果就是单格都成立、连起来角色却变了——必须先固定角色参考图、再生成页面。 知识漫画选画风（清线 / 日漫 / 写实 / 水墨）凭什么？为什么内容气质和画风不搭就读不进去？ 画风是读者与内容之间的「认知契约」——线条、色彩、造型在翻页第一秒就暗示了内容类型与可信度。清线偏中立适合传记历史，日漫情绪符号发达适合教程科普，写实重信任感适合成人专业，水墨靠留白笔意适合东方文化。气质和画风不搭会触发潜意识的「不对劲」，读者说不出哪里别扭，但就是读不进去。 漫画的「对话框」和「旁白框」怎么区分？为什么放错位置会破坏阅读节奏？ 对话框是圆形/椭圆形带引尾、指向说话角色，承载「故事内」声音；旁白框是矩形无引尾、放在画格角落，承载「故事外」叙述。两者层级不同，混用会让读者把叙述当成角色对白、视角错乱。位置放错还会打断 Z 字阅读路径，造成视线折返、因果颠倒、节奏卡顿——读者就要倒回去重读。 想用上这个技能？ 「知识漫画创作」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批量整理发票归档
「发票整理」是「龙虾部署大师」技能市场中的票据归档技能：它扫描源文件夹中的 PDF、图片和收据，提取日期、商家、金额和费用类别，按统一命名规则归档成年份/类别/商家目录，并生成 CSV 汇总表和待复核清单，把散乱票据转换成可报税、可交给会计的归档体系。 技能效果 给它五张不同年份、不同类别的发票，它按年份加费用类别建好目录树，并生成一张含日期、商户、类别、金额和归档路径的报税目录表。 票据一散，税务季就成了灾难 问题往往在年底集中爆发：一年里下载的发票都叫 invoice.pdf，截图收据躺在相册和聊天记录里，文件名没有规律，金额、日期、商家全靠临时翻。等到报税或交接给会计时，既要逐个打开核对，又怕漏掉某张票据少抵一笔费用。手工整理一两百张票据，既耗时间，又容易出错和遗漏。「发票整理」要做的，是把这件每年重复一次的苦活变成一次扫描就能完成的归档。 从一堆乱文件到一套归档体系 下载目录（混乱） invoice.pdf IMG_8821.jpg 扫描件(3).pdf 收据.png … 提取+归档 归档目录（整齐） 2026/差旅/商家A 2026/办公/商家B invoice-summary.csv Needs-Review/ 这个技能能帮你做到什么 它把"整理票据"拆成扫描、提取、归档、复核四步可以一次跑完。扫描层面，它识别文件夹里的 PDF、图片和需要 OCR 的文件；提取层面，它取出日期、商家、金额和费用类别等关键字段；归档层面，它按年份类别、商家或类别模式统一重命名并复制或移动文件，生成年份/类别/商家目录；汇总层面，它产出 invoice-summary.csv 明细表，并把无法完整识别的票据集中放进 Needs-Review 复核目录，便于人工补录。这样输出的结构既方便会计软件导入，也利于跨年度的审计追踪。 扫描文件 提取字段日期/商家/金额 命名归档 CSV 汇总+ 复核清单 用前须知 该技能需要 Python 3.8 及 scripts/requirements.txt 中的依赖，无需额外 API Key。PDF 文本通过 pdfplumber 提取；图片票据若要 OCR，需另行安装 Tesseract。识别不完整的票据会被放入复核目录而非丢弃，最终金额、类别仍需人工核对后再交付会计。 怎么用它 用法是把要整理的文件夹和归档策略用自然语言交给它，原始文件可以选择保留。例如可以这样对它说： 可以这样对它说 "把下载文件夹里的发票按年份和费用类别重新归档，生成一份报税用的目录表。" "这些收据文件名太乱，按日期、商家、金额统一重命名，整理好让会计复核。" "从这批 PDF 发票里提取金额，生成会计用的汇总表并按商家分类，原文请保留。" 它适合这些场景：报税前下载目录堆满 invoice.pdf，需要快速归类和汇总；公司报销或会计交接时，需要按费用类别生成 CSV 明细；多个供应商的收据命名混乱，需要统一日期和商家命名格式；扫描件或图片发票较多，需要标记出 OCR 失败项供人工补录。适用于自由职业者、小企业主、财务助理、行政人员，尤其适合跨年度的文件整理。 大家常问 发票整理是把散乱的发票、收据、PDF变成可报税的归档体系，它具体是怎么做到的？ 它按一条流水线处理每份文件：先扫描收集 PDF 和图片，再用文本层或 OCR 提取日期、商家、金额、发票号等字段，去重后按商家映射到费用类别，最后按年份/类别归档并输出一张 CSV 汇总表。每一步的输出都是下一步的输入，把一堆乱文件收敛成可检索的档案。 报税前整理发票时，为什么电子发票特别容易出现重复报销？ 因为电子发票本质是数字文件，可以无损复制：从邮箱、开票网站、同事转发可拿到内容完全相同的多份，肉眼无法区分原件和副本，也没法像纸质票那样盖"已报销"章。它本身不携带"已用过"状态位，所以必须靠提取发票号、金额、日期与历史记录比对来去重。 发票整理归档里说的待复核目录是什么意思，哪些票据会被单独放进去等人工补录？ 待复核目录（Needs-Review）是系统自动建的文件夹，专门放字段提取不全、无法自动归类的票据：比如图片没装 OCR 提不出文字、商家最终回退成 Unknown、纯扫描件 PDF 无文本层。把这些异常票集中起来，用户就能专门补录，而不必在已归档的成百上千份文件里翻找。 整理发票时生成的CSV汇总表，和直接手工录入Excel相比有什么区别？ 区别不在表格形式，而在数据从哪来、怎么和原始票据对应。手工 Excel 是人眼看、人脑判断、手键入，中间有人为加工；CSV 汇总表是程序从发票文件直接提取原始字段写入，每行对应一张发票，并常带文件名或路径字段，能从某一行追溯回对应的原始发票，具备可溯源性。 想用上这个技能？ 「发票整理」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