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 润色简历
「简历润色」是「龙虾部署大师」技能市场中的简历优化技能：作用是针对一份已有简历，先从完整性、量化、结构、语言和岗位匹配度五个维度打分诊断，再用 STAR 法则把模糊经历重写成有说服力的量化表达，把目标 JD 的关键词自然融入，并做 ATS 兼容检查，最终输出可逐条落地的修改建议、改写对比和多岗位定制版本。 技能效果 拿到一份简历，它逐项点出结构缺失、空泛措辞和 ATS 不友好的关键词问题，并指出该补什么。 简历投出去没回音，问题出在哪？ 投了很多份却少有回应，问题往往不在经历本身，而在表达。常见的几类毛病：经历写得笼统，"负责运营工作"这类描述既看不出具体做了什么，也没有结果数据支撑；结构松散，重点信息埋在大段文字里，招聘方几秒钟扫不到亮点；语言不够专业，动词平淡、缺乏行业术语。 还有一道隐形门槛是 ATS——简历筛选系统。很多公司用它先做一轮关键词匹配，如果简历里缺少 JD 中的硬技能和术语，或排版让系统解析出错，材料可能在到达招聘人员之前就被过滤掉。这些问题靠自己反复看很难发现，因为写的人对内容太熟悉了。 改写前 "负责活动运营， 效果不错" 无情境 · 无结果 · 无数据 STAR 改写后 在预算下统筹 6 场活动 参与人数环比提升 40% 情境 · 任务 · 行动 · 结果 这个技能能帮你做什么？ 这个技能聚焦在"已有简历的提升"，不从零写起。它先读取你的简历和可选的目标 JD，从模块完整性、数据量化程度、结构可读性、语言专业度和岗位匹配度五个维度评分，定位短板在哪。诊断之后，它用 STAR 法则（情境、任务、行动、结果）把模糊经历重构成清晰、可验证、带量化成果的表述；同时提取 JD 中的硬技能、软技能和行业术语，检查关键词覆盖率并自然补齐。 它还会做 ATS 兼容性检查，提示可能导致系统解析出错或关键词漏匹配的风险点；对于一人投多岗的情况，它能基于同一份经历生成差异化的定制版本，让不同岗位各自突出对应的能力。 五维诊断，定位短板 完整性 量化 结构 语言 岗位匹配度 → STAR 重构经历 · 融入 JD 关键词 · ATS 兼容检查 用前须知 该技能无需 API Key 或额外依赖，主要通过自然语言处理完成。使用前需提供简历文本或文档；若要做岗位匹配，建议同时提供目标 JD，关键词覆盖和定制建议会更贴合。 怎么用它？ 用法是把简历交给它，再说明你想解决的问题——是整体诊断、改某段经历，还是按岗位定制。例如可以这样对它说： 可以这样对它说 "这份简历投了很多次没回音，先查结构、关键词和 ATS 兼容问题。" "把这段项目经历按 STAR 重写，结果要量化，也更能打动招聘方。" "同一份经历改两版，分别投产品岗和用户运营岗，突出不同能力。" 它适合这些场景：投递后反馈较少，需要判断结构、语言或 ATS 是否有问题；某段经历过于笼统，想改成更有说服力的量化表达；准备投递特定岗位，需要根据 JD 调整关键词和经历优先级；同一候选人面向产品、运营、技术等不同岗位，要生成差异化版本。 大家常问 为什么简历里过度使用形容词反而会削弱专业感 "优秀""卓越""高度负责"这类形容词信息熵极低，几乎每份简历都在用，HR 和 ATS 都无法据此区分候选人。专业感来自动词加事实——具体行为、明确范围、可验证结果——而不是修饰语堆叠。 动词主导句式与名词堆砌的简历在表达上有什么核心区别 名词堆砌（"项目负责人 · 多部门协调者"）告诉别人你是什么，是静态标签；动词主导（"主导设计微服务架构 · 协调 4 个部门数据流"）说明你做了什么、产生了什么影响。前者难验证，后者带行为序列和量化结果，可读性也更强。 简历量化表达里最容易被夸大的指标有哪些 百分比类（基数和对比周期被模糊）、数字规模类（"管理 X 人""覆盖 X 万用户"把配合算成主导）、时间周期类（截取最有利的起止点）、直接归因类（把团队成果和市场红利都算到个人）最容易被夸大。HR 看多了一眼就识破。 JD 关键词融入简历时为什么直接复制粘贴效果不好 直接粘贴"具备项目管理能力"这类短语会被识别为陈述而非证据，缺乏上下文锚点；语义模型还会检测出风格突变，降低整段权重。正确做法是把关键词融进具体行为和量化结果里，让 ATS 在同义识别和实体识别层都能命中。 想用上这个技能？ 「简历润色」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 处理飞书审批
「飞书审批处理」是「龙虾部署大师」技能市场中的审批流程技能：它通过飞书开放 API 管理审批全流程，输入用户 open_id、approval_code、实例 ID、任务 ID、表单 JSON 或处理意见后，可查询实例、查看节点状态、发起审批，并执行同意、拒绝、撤回、转交、催办等动作，同时提供用户查找、权限自检和错误代码定位，脚本会自动读取凭证并给出排查路径，避免绕过封装直接调用接口。 技能效果 处理一张请假审批时，它列出申请单要点、给出该批准的理由，并演示了完整的审批操作流程。 处理飞书审批，时间都耗在哪 审批本身只需一两次点击，真正费时的是它的周边动作：想知道自己上周提交的报销卡在哪个节点、由谁审，得一层层翻；代用户发起一条审批，要拼对 approval_code 和结构化表单字段；审批人手里一堆待办，要按 task_id 逐个同意或转交；遇到长时间没人处理的单子还得催办。一旦接口报权限不足、token 失效或 approval_code 无效，又得花时间定位。这些零碎操作叠起来，比审批本身耗神得多。 发起 查节点 同意/拒绝/转交 催办 每步都要对 open_id / approval_code / task_id，还可能撞权限错误 这个技能能管哪些审批动作 它通过飞书开放 API 把审批全流程收进一个技能里。查询侧，可查用户的审批实例列表、查看某个单子的当前节点、审批人和 task_id；发起侧，用 approval_code 配合表单 JSON 直接创建新的审批实例；处理侧，覆盖同意、拒绝、撤回、转交和催办等动作，审批人可按 task_id 批量处理待办。它还提供用户 open_id 查询、权限自检命令和一套错误决策树——当遇到权限不足、token 失效或 approval_code 无效时，脚本会自动读取凭证并指出排查方向，而不是让你盲猜。 查询 实例列表 节点 / 审批人 task_id 处理 同意 / 拒绝 撤回 / 转交 催办 兜底 权限自检 错误决策树 open_id 查询 它的价值在于把审批的查询、发起、处理和排错都脚本化，并坚持走封装、不绕过接口，让团队能稳定地把审批流程纳入自动化。 用前须知 该技能需要 Python 和飞书应用凭证，凭证可由环境变量、AI agent 的飞书渠道或 .env 读取。使用前需配置 approval:approval 与审批列表只读权限，并发布对应的应用版本，否则接口会因权限不足而失败。 怎么用它 用法是把审批相关的诉求用自然语言交给它，必要时附上单号或申请信息。例如可以这样对它说： 可以这样对它说 "查一下我上周提交的飞书报销审批，现在卡在哪个节点和审批人，状态标清楚。" "用这个 approval code 发起一条采购审批，申请人小陈，金额写在备注里。" "这条待审批先同意并留言，同步把另一个实例催办，别改流程状态。" 它适合这些场景：员工或管理员要查某个审批单的当前节点和处理人；业务系统需代用户发起审批并传入结构化表单字段；审批人要按 task_id 批量同意、拒绝或转交待办；以及审批长时间未处理、需要对指定实例发起催办。 大家常问 飞书审批为什么有时不能撤回？ 飞书审批底层是单向状态机，撤回只在实例尚未推进时生效。一旦有审批人通过、拒绝或处理过，状态已迁出 PENDING，就回不到撤回窗口。 飞书审批里的催办、加签、转交分别是什么意思？ 催办只发提醒、不改状态；加签是在当前节点前或后插入新审批人；转交是把当前任务的处理权移交给他人，原审批人退出，节点本身不变。 飞书审批的同意和抄送怎么区分？ 同意是审批节点的状态跃迁，会推动实例向下流转；抄送是无状态广播节点，仅发通知不阻塞流程，被抄送人没有同意拒绝按钮，只能确认已读。 飞书审批为什么要走 approval_code 而不能直接传单号？ approval_code 是审批模板的标识，instance_id 要等实例创建后才生成。发起时实例还不存在，必须先用 approval_code 让系统找到流程定义、解析节点、再分配单号。 想用上这个技能？ 「飞书审批处理」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。
如何用 AI 审查合同
「合同审查助手」是「龙虾部署大师」技能市场中的合同审查技能：作用是在签约前帮你把一份现成合同的条款风险逐项查出来——它基于合同审核方法论，支持买卖、租赁、借款、担保、建设工程、服务、股权转让、合伙、劳动等 18 类合同，先确认你代表哪一方、交易地位和审核深度，再按风险等级输出审核意见书与批注说明。 技能效果 拿一份全款预付的采购合同请它把关，它逐条点出付款、交期、违约的坑，标出哪些条款对买方极不利，并提示该留哪些证据。 签约前看合同，最怕漏掉哪些风险 最怕的不是看不懂条款，而是不知道该重点盯哪几条。合同审查的难点在于：风险点分散，付款、违约、责任限制、知识产权归属、押金退还往往散落在不同章节，逐字读一遍也未必能识别哪条对自己不利；立场不同、风险也不同，同一条款对买方和卖方、出租方和承租方的意义并不一样，通用清单套不上去；轻重难分，一份合同里几十处可改之处，哪些是必须改的致命风险、哪些只是无关痛痒的措辞，缺乏统一口径就容易抓小放大。 同一份合同，风险按四级分清 致命 · 责任无上限、押金不退 重要 · 违约金过高、验收模糊 一般 · 通知方式、争议管辖 轻微 · 措辞、错别字 这个技能能帮你查清什么 它把合同审查变成一套有方法、可配置的流程。开始前，它会先确认四件事：你代表哪一方、在交易中的地位、有无过往交易背景、以及希望按快速、标准还是深度模式审查、重点关注什么。随后它针对你的合同类型，从对应的审核要点、核心风险和检查清单出发逐条比对，并以致命、重要、一般、轻微四级风险给出评估。交付物包括法律审核意见书、风险汇总、逐条条款审核意见，以及一份带批注说明的合同审查稿，让你清楚知道哪条该改、为什么改。 确认代表方 立场 / 审核深度 按类型比对 18 类审核要点 四级风险分级 致命 / 重要 / 一般 意见书 + 批注稿 用前须知 该技能需要 Python 依赖 pandas、python-docx、jieba，可选 hanlp 用于 NLP 增强，审查数据由 CSV 模板驱动；无需 API Key。需要明确的是，它输出的审核意见用于在正式咨询前梳理风险、准备材料，不构成正式法律意见；涉及重大交易或高风险条款，仍应由执业律师确认。 怎么用它 用法是把合同交给它，并说清你的立场、关注点和审核深度，它会按对应方法论比对并分级。例如可以这样对它说： 可以这样对它说 "这份采购合同先看付款和违约条款有没有坑，我是买方、金额较大，要留证据。" "我是乙方，深度审查这份技术开发合同的风险，尤其是知识产权归属，证据要留好。" "先查一下租赁合同的审核要点，重点看押金、提前解约和维修责任，把责任边界讲清。" 它适合这些场景：签约前要快速识别合同里的重大风险和关键修改点；企业法务按标准模式审查日常买卖、服务或劳动合同；律师处理复杂交易、需要深度逐条审查并形成意见书；以及学习合同审查时，想先查看某类合同的风险点和检查清单。 大家常问 合同审查重点关注哪些条款类型？ 实务里最容易藏雷的有九类：违约责任（违约金比例与免责范围是否对等）、管辖与争议解决（法院/仲裁条款是否规范、有没有"或裁或审"的无效约定）、付款与对价（付款节点是否与验收挂钩、有无隐藏续费）、知识产权归属、保密与数据保护、终止与解除（单方解除权与终止后义务）、不可抗力、转让与分包、以及格式条款与免责条款。AI 审查时会先做条款分类，再按这些类别套硬性规则和模式规则识别风险。 合同里不平等条款常见的几种表述是什么？ 六种最高频的不平等表述：免责绝对化（"任何情况下不承担任何责任"）、单方变更权（"甲方有权随时修改本协议，不另行通知"）、缩短权利主张期限（"7 日内未提异议视为放弃"）、单方确定管辖（"争议由甲方所在地法院管辖"）、权利义务不对等（同一行为对双方后果不同，或"最终解释权归甲方"）、以及"包括但不限于""一切"这类兜底扩大解释。识别要点是看双方义务是否对称、表述边界是否量化。 法律审查与商务审查的区别是什么？ 法律审查回答"这份合同有没有法律漏洞"，重点是主体资格、条款合法性、违约责任、争议解决，属防御性视角，输出像"违约金过高可能被认定无效"。商务审查回答"这笔交易划不划算"，重点是价格、付款周期、交付标准、保密范围，属进攻性视角，输出像"预付比例过高建议分阶段付款"。两者风险类型不同：前者抓法律漏洞与条款冲突，后者抓利益失衡与履约障碍。 签字盖章前最容易忽略的形式风险是什么？ 最常漏掉的不是"写错"，而是"对不上"。三类典型：引用断链——条款引用了已被修改或删除的另一条款（如"按第 12.3 条执行"但 12.3 条已被删且未重编号）；定义冲突——同一术语在正文与附件中定义不同，或正文用了"产品"但定义部分没有"产品"一词；数字逻辑矛盾——付款总和与单价×数量不符，或分期付款各期百分比加总不等于 100%。AI 通过跨条款关系抽取和算术解析能直接抓到。 想用上这个技能？ 「合同审查助手」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。
静态视觉海报怎么生成？先立视觉哲学再出 2K 高清系列图
「画布视觉设计」是「龙虾部署大师」技能市场中的静态视觉生成技能：它先为主题创造一套视觉哲学，明确空间、形态、色彩、材料、比例、节奏与视觉层级，再把这套审美方向转译为精确的图像生成提示词，用本地 Seedream 脚本生成 2K 或 3K 的 JPEG 静态图，输出包括设计哲学文档、图像提示词与最终图片路径。 技能效果 做城市噪音抽象海报时，它生成了冷色颗粒质感的画面，并说明了色调、噪点和留白的设计思路。 套模板出图，为什么总差一口气 缺的不是工具，而是视觉方向。许多人需要海报、封面或插图时，习惯直接套现成模板或丢一句简短描述给生图工具，结果画面要么撞款、要么元素堆砌、要么文字太多盖过画面，少了那种"有想法"的高级感。问题的根源在于：跳过了"先想清楚画面要表达什么、用什么语言去表达"这一步，直接进入了出图环节。 直接套模板 元素堆砌 · 撞款 先立视觉哲学 留白 · 节奏 · 层级 对设计师、品牌团队和内容创作者来说，真正费时的不是点击生成，而是反复试错那些没有方向的提示词，以及在一堆平庸结果里挑拣的过程。 这个技能怎么帮你出图 它把"出图"拆成"先立审美、再转提示词、最后生成"三段。第一步，它围绕主题创建 4 到 6 段视觉哲学，把空间、形态、色彩、材料、比例、节奏和视觉层级这些原本说不清的审美方向定义清楚；第二步，把主题与哲学转译成关于色彩、形状、材质、光线和空间关系的精确提示词；第三步，用本地 Seedream 5.0 Lite 脚本生成 2K 或 3K 的 JPEG 图像，并支持多画幅比例与系列出图，在保持统一审美的前提下变化构图。 它有一个鲜明取向：少量文字、强调空间表达、追求工艺感，因此更适合做有质感的原创视觉，而不是信息密集的图文海报。 主题 关键词 / 概念 视觉哲学 空间 / 色彩 / 节奏 图像提示词 材质 / 光线 / 构图 JPEG 2K/3K 用前须知 该技能使用内置 Seedream 5.0 Lite 脚本，无需额外外部 API Key；但本地需要 Python 环境以及 openai 与 pillow 两个库，缺失时可用 pip 安装。输出格式为 JPEG，可指定分辨率与画幅比例。 怎么用它 用法是把主题、想要的气质和画幅用自然语言说清楚，它会先帮你定方向再出图，无需懂提示词工程。例如可以这样对它说： 可以这样对它说 "做一张关于城市噪音的抽象海报，少放文字，偏冷色颗粒感，画面多留白。" "为这场爵士演出生成博物馆质感视觉图，用深红、金色加胶片颗粒，注意比例。" "把这组品牌关键词转成视觉哲学，再生成方形封面图，要有手作留白，文字别多。" 它适合这些场景：为活动、文章、专辑或展览生成原创海报视觉；把抽象概念转化为有高级感的图像而不套用普通模板；制作一组在同一审美体系下、构图各异的封面或插图；以及已有主题但缺少视觉方向时，先形成设计哲学再出图。 大家常问 为什么有的海报一眼就觉得高级，而有的看着像模板套出来的？ 高级感与模板感的差距不在工具，而在设计决策的深度。模板感来自"填满式"加法：留白少、文字层级混乱、颜色多而饱和、对齐差不多齐、装饰为了装饰而存在；高级感是经过筛选的减法——大量留白带来呼吸感、视觉重心单一、色彩克制、像素级对齐、每个元素都有功能。 做海报或封面时大家常说"视觉哲学"和"视觉层级"，这两个到底是什么意思？ 视觉层级是信息重要程度的视觉排序系统，通过大小、位置、对比、字重控制观众的"观看顺序"，决定"怎么做"；视觉哲学是画面背后的美学立场（如极简主义、构成主义、表现主义、网格系统、解构主义），决定"为什么这么做"。前者保证信息传达效率，后者保证设计立场统一，两者兼备才算好设计。 为什么留白多的海报反而看起来更有质感？而元素塞得满的画面常显得廉价？ 留白不是"空"，而是给视觉信息预留呼吸空间。它降低认知负荷让观看从容、强化视觉层级让主次分明、通过"展品独占一面墙"式的稀缺感暗示价值、引导视线沿设计路径移动、并与核心元素形成大小对比张力。元素塞满则各方信息互相抢戏、视觉秩序丢失，在潜意识被判为"以量取胜"的廉价策略。 AI 生成图像里常说的颗粒感、胶片质感、材质感是什么意思？为什么它们会让画面显得更高级？ 这三者本质都是在"数字完美"中重新引入自然界的不完美。颗粒感是均匀散布的微噪点，打破数字平滑、掩饰渐变色带；胶片质感包含非线性色彩响应曲线、三层乳剂颜色串扰、潜影扩散的软锐化；材质感由微观纹理、光照响应差异、次表面散射构成。它们让画面从"计算出来的图片"变成"被感知到的场景"。 想用上这个技能？ 「画布视觉设计」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。
电商销售看板怎么搭？跟GMV转化率统一口径
「电商销售看板」是「龙虾部署大师」技能市场中的销售分析看板技能：它构建面向日、周、月经营复盘的销售仪表盘，跟踪 GMV、净销售额、转化率、AOV、回购率和渠道表现；建立电商后台为主、GA4 为辅的唯一数据源口径，指导 Shopify、WooCommerce、Amazon 和 Looker Studio 的配置，并识别异常信号。 技能效果 搭运营早会销售看板时，它定义了营收、客单价、转化率等六项指标口径，给出三张核心表，还用模拟数据演示了异常分级和五分钟早会流程。 看板上的数字，常常自己打架 做销售复盘最怕数字对不上：电商后台的财务订单口径和 GA4 的行为数据口径天然不同，谁是准的没人说得清；跨境店铺还要处理多币种历史汇率和报表时区，一不留神同比环比就错位；某天转化率突然掉下来，到底是噪声、机器人流量，还是结账环节真出了故障，光看一个数字判断不了。 这个技能能帮你建什么 它帮你把销售看板建在一个统一、可信的基础上。指标上，它定义 GMV、净销售额、转化率、AOV、回购率等核心 KPI；口径上，它建立"电商后台为主、GA4 为辅"的唯一数据源，避免两套数字打架；配置上，它指导 Shopify、WooCommerce、Amazon Seller Central 和 Looker Studio 的看板搭建，并处理环比同比、多币种和时区一致性；判断上，它帮你识别转化率骤降、AOV 异常和机器人流量这类运营信号。 核心 KPI 一屏看 GMV净销售额 转化率下单效率 AOV客单价 回购率老客占比 渠道表现对比 口径上它先立"唯一事实源"：以电商后台的财务数为主、GA4 行为数为辅，先把口径、时区和归因统一，再谈分析： 电商后台（主）财务订单口径 统一口径 GA4（辅）行为/归因 用前须知 该技能无需专用 API Key，但实际使用需要访问 Shopify、WooCommerce、Amazon、GA4 或 Looker Studio 等平台数据。它给的是看板与口径设计，数据接入与权限由你的账号提供。 怎么用它 用法是把看板用途和当前困扰用自然语言说清楚即可。例如可以这样对它说： 可以这样对它说 "销售看板按日看营收、AOV、转化率和新老客占比，早会直接用。" "Shopify 和 GA4 数字不一致，先统一销售口径、时区和归因。" "给运营做周报看板，重点看渠道表现和异常波动，标出异常日期。" 它适合这些场景：团队每天要看销售速度、订单效率和转化趋势；运营想统一 Shopify、GA4 和 Stripe 之间的数据口径；跨境店铺要处理多币种历史汇率和报表时区一致性；站点突然转化下降、需要判断是噪声还是结账故障。 大家常问 电商销售看板里 GMV、净销售额、AOV 这几个指标到底有什么区别，分别反映什么？ GMV 是所有订单的成交流水（含税费运费、未扣折扣退款），反映交易规模；净销售额是扣除折扣、退款、取消后的实际营收，更贴近现金流，是运营决策主口径；AOV＝净销售额÷订单数，衡量客单价与销售效率。一句话：GMV 看流水、净销售额看真钱、AOV 看每单价值。 为什么 Shopify 后台的销售额和 GA4 报表里的数字总对不上？应该以哪个口径为准？ 两者采集方式不同：Shopify 是服务器端订单记录、不会漏；GA4 靠浏览器追踪代码，可能被拦截器或页面未触发而少记，通常比 Shopify 低 5%–15%。财务对账、利润、回款一律以 Shopify 为准，GA4 只用于渠道归因和趋势分析。差距超 15%–20% 才需排查追踪部署。 看板上转化率突然下降，怎么判断是正常波动还是结账故障这类异常信号？ 关键看漏斗哪一层断：各层同步微降多为流量或季节性的正常波动；若某一层（如结账页访问、提交率）单独骤降，多是按钮、表单或支付通道故障。再交叉看错误率是否同步飙升、是否集中在某设备或渠道，最后自己真机走一遍结账即可确认。 做跨境店铺的销售看板，为什么一定要统一币种和时区，不统一会带来什么问题？ 不统一币种，多站点金额带着不同货币符号无法相加，还会因实时汇率换算让历史趋势线天天变动、利润对不上；不统一时区，同一笔订单在不同平台被归到不同"天"，造成日销曲线虚假峰谷、同环比失真、ROAS 归因错位。统一后看板才是驾驶舱而非后视镜。 想用上这个技能？ 「电商销售看板」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。
提示