测试驱动开发怎么落地红绿重构循环
「TDD 开发指南」是「龙虾部署大师」技能市场中的测试驱动开发技能：作用是根据源码、目标框架或新功能需求，生成单元测试脚手架、happy path、错误路径和边界用例，解析覆盖率报告标注优先级缺口，准备 fixture 与 mock 数据，并按 RED、GREEN、REFACTOR 每个阶段给出验证要求，覆盖 Jest、Pytest、JUnit、Vitest、Mocha 等主流框架。 技能效果 把一个登录函数交给它补测时，它用 Pytest 写出正常登录、用户不存在、密码错误等用例，异常路径都用断言覆盖到位。 写测试这件事，为什么常常被拖着 测试该写、要写，但落地时总卡在几个点：补测试时不知道从哪开始，happy path 容易想到，错误路径和边界用例最容易漏，恰恰也最容易出 bug；覆盖率报告打出一长串未覆盖行，分不清哪些是核心分支、哪些可以缓一缓；测试数据准备成本高，造一组贴合实体的 fixture 和 mock 往往比写断言还费时；想按 TDD 先写失败测试再实现，却常常忍不住先写实现、回头补测试。这些摩擦叠加，测试就被一拖再拖。 最容易漏测的，往往最容易出 bug happy path 最常被覆盖 错误路径 常被遗漏 边界用例 最易出 bug，却最常漏 这个技能能帮你做哪些测试工作 它围绕测试驱动开发的全流程提供支持。生成测试方面，它能读 TypeScript、JavaScript、Python、Java 源码，自动产出测试脚手架以及 happy path、错误路径、边界用例。覆盖率分析方面，它解析 LCOV、JSON、XML 覆盖率报告，按 P0/P1/P2 标注哪些缺口最该先补。测试数据方面，它按实体生成 fixture 和 mock 样本，省去手工造数据。流程驱动方面，它按 RED（先写失败测试）、GREEN（写最小通过实现）、REFACTOR（重构）三个阶段推进，并对每个阶段给出验证要求。它还能在 Jest、Pytest、JUnit、Vitest、Mocha 之间适配，按项目语言切换框架。 红 → 绿 → 重构 循环 RED 写失败测试 GREEN 最小实现 REFACTOR 重构优化 先写失败测试再写实现，看似多一步，实则把"这段代码到底要满足什么"先用断言固定下来，实现自然更聚焦；覆盖率缺口按优先级排序，则保证有限的补测试时间花在最关键的分支上。 用前须知 该技能随附的脚本需要 Python 运行；具体生成与执行测试时，要按项目语言配置好 Jest、Pytest、JUnit、Vitest 或 Mocha。覆盖率分析需要你提供 LCOV、JSON 或 XML 格式的覆盖率报告，报告越完整，缺口标注越准确。 怎么用它 用法是把要补测的源码、覆盖率报告或新功能需求用自然语言交给它，由它生成用例、标注缺口或带着你走红绿重构。例如可以这样对它说： 可以这样对它说 "这个登录函数先按 Pytest 补单测，异常路径也要覆盖到断言里。" "看这份覆盖率报告，先挑最该补的分支写测试，登录失败优先。" "新做优惠券功能，先写失败用例再走红绿重构，别急着写实现。" 它适合这些场景：已有函数或模块缺单测，需要快速生成 happy path 与边界用例；覆盖率低于阈值，要定位未覆盖的错误路径和核心分支；新功能开发要求先写失败测试再实现最小通过代码；测试数据准备成本高，需要按实体生成 fixture 和 mock。适合软件工程师、测试工程师、技术负责人、开源维护者，以及希望把 TDD 引入日常开发的研发团队。 大家常问 测试驱动开发为什么要先写失败的测试、再写实现？ 先写一个失败的测试，等于把需求翻译成可自动验证的验收标准，开发到测试变绿就该停手，避免过度设计。看着它从红变绿，也能确认测试真的在检测目标行为；而且这迫使你以调用者视角先想接口该怎么用，设计自然更聚焦、更清晰。 TDD 的红-绿-重构循环每一步分别在做什么？ 红：写一个会失败的测试，确认它真的失败，描述你想要的一小段行为。绿：用最简代码让它通过，允许硬编码，只求最快变绿。重构：在测试保护下消除重复、改善命名结构，且不改变外部行为。三步一循环，每轮只推进一小步。 单元测试、集成测试和端到端测试有什么区别？ 单元测试只测单个函数或类、隔离外部依赖、毫秒级最快；集成测试验证多个模块间的协作与接口契约，可能用到真实或仿真依赖、秒级；端到端测试串起从界面到数据库的完整用户流程、最慢也最脆弱。三者互补，不能互相替代。 测试覆盖率高就代表测试做得好吗？ 不一定。覆盖率只反映哪些代码被执行过，不代表行为被正确验证——所有断言都是恒真也能跑到 100%。把它当硬性考核指标，还会诱导团队写只执行不验证的凑数测试。它更适合当探索工具，用来发现漏掉的分支和边界。 想用上这个技能？ 「TDD 开发指南」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。
程序化 SEO 怎么做？按模板和数据批量产可排名页并监控
「程序化 SEO」是「龙虾部署大师」技能市场中的规模化建页技能：它基于模板和数据批量创建可排名页面，适合模板页、目录页、地点页、对比页、集成页等增长模式；从关键词模式、数据来源和竞争格局入手，设计 URL、标题、页面结构和 Schema 模板，规划内链架构与索引策略，同时守住"每页要有独特价值"的底线，避免门页和薄内容惩罚。 技能效果 为简历模板站规划程序化SEO时，它用多套页面类型叠加，避免薄内容，每类都有独立搜索意图。 想批量铺页面，风险在哪 程序化 SEO 的诱惑很直接：用一套模板乘以一批数据，一次性生成几百到几千个落地页，覆盖海量长尾词。但规模化本身就是风险来源。如果每个页面只是把变量套进同一个壳子、内容彼此雷同，就会被判定为薄内容或门页（doorway page），不仅排不上，还可能拖累整站。真正的难点不是"能不能批量生成"，而是"批量生成的同时，怎么让每一页都站得住"。 模板 × 数据 → 批量页面 模板 × 数据 每页有独特价值 → 可排名 内容雷同 → 薄内容/门页惩罚 同一种乘法，两种结局 这个技能能帮你规划什么 它把程序化 SEO 从"机会验证"一路推进到"技术落地"。机会层面，它评估关键词模式、变量组合、搜索需求分布和竞争可行性，判断哪些组合值得做；选型层面，它从模板、目录、对比、地点、集成等十二类 playbook 中选合适的规模化模式；模板层面，它设计 URL、标题、元描述、页面结构和 Schema 模板；架构层面，它规划 Hub-Spoke 内链、站点地图、索引优先级和质量监控。它始终强调每页必须有独特价值、匹配真实搜索意图、使用子目录结构，并提供上线后的质量检查与监控框架。 机会验证关键词模式/竞争 选 playbook12 类模式 页面模板URL/标题/Schema 内链与索引Hub-Spoke/监控 用前须知 该技能无需 API Key 或特定依赖，但规划要靠你提供业务数据、关键词调研和网站技术栈信息。要把规划变成上线页面，还需要 CMS、前端框架或静态生成能力的配合。它解决的是"页面体系怎么设计"，真正的页面构建依赖你的技术栈落地。 怎么用它 用法是把业务目标、可用数据和页面规模用自然语言交给它。例如可以这样对它说： 可以这样对它说 "为简历模板站规划程序化 SEO 页面，别做薄内容，先定页面类型。" "用城市和服务组合生成落地页，先看关键词模式和内链结构。" "这个工具目录页要扩到几百页，设计 URL 和模板，避免重复内容。" 它适合这些场景：产品拥有大量模板、工具、资料、地点或行业组合页机会；计划上线数百到数千个页面、但要避开重复和薄内容风险；拥有专有数据或用户数据、希望转化为搜索可见的页面资产；需要设计目录页、竞品对比页、集成页或本地服务页架构。它适合 SEO 负责人、增长团队、内容负责人、SaaS 创业者和技术市场团队。 大家常问 程序化 SEO 和普通 SEO 在做法上为什么不一样？ 普通 SEO 是逐篇创作、人工审核，靠单页投入抢头部词；程序化 SEO 改用「模板 + 数据」批量生产，覆盖海量长尾。规模一上来，质量控制就得在模板层做：差异化变量、独立的搜索意图分支、内链网络在模板阶段就规划好，否则页面只会变成关键词替换的复制品。 程序化 SEO 为什么容易踩到薄内容和重复内容惩罚？ 薄内容来自只换关键词的模板、数据量不足撑不起一页，以及全是公开数据拼凑没有信息增量；重复内容则是大量页面正文 60–80% 相似，搜索引擎归入近似重复，索引被选择性忽略。规避的核心不是「藏住模板」，而是让每页都有独立存在理由：差异化数据、意图精确匹配、元数据各自有信息增量。 同样是批量生成页面，为什么有的会被判为门页（doorway pages），有的不会？ 判定门页不看「批量」，看页面是否是用户的信息终点。若内容差异只是关键词替换、句法骨架完全一致、多个页面针对同一意图重复入口，就被算法聚类为门页。安全的程序化 SEO 让差异来自底层数据组合而非文本模板，每页提供完整可消费的信息，并按真实搜索需求量控制生成粒度。 程序化 SEO 里说的 Hub-Spoke 内链结构是什么意思？ Hub 是聚合主题的中心页，Spoke 是辐射出去的细分长尾页；Spoke 全部回链 Hub，相关 Spoke 之间再互链，形成网状结构。它解决程序化 SEO 三个核心问题：权重在主题集群内集中再分发、主题相关性向搜索引擎讲清楚、爬虫能高效发现所有页面而不留下孤儿页。 想用上这个技能？ 「程序化 SEO」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。
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。
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。
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。
提示