电商财务看板怎么搭？做销售额到EBITDA利润瀑布
「电商财务看板」是「龙虾部署大师」技能市场中的财务仪表盘设计技能：它设计利润表、现金流和渠道盈利分析看板，强调平台数据与会计账簿的差异核对，用利润表瀑布从销售总额一路追踪到 EBITDA，并按渠道、品类、客户和区域下钻；明确不替代持牌财务意见和税务建议。 技能效果 对齐Shopify后台12.8万与账面11.6万的收入时，它把1.2万差额逐项拆给在途结算、退款、手续费、税费等口径，并给出一张差异调节表。 电商赚没赚钱，账常常算不清 电商财务最容易乱在两处：一是口径，平台后台的订单流水和会计账簿的收入对不上，差额来自哪里说不清；二是结构，多渠道销售后，Shopify、Amazon、批发各自的真实盈利能力混在一起，给管理层、投资人或董事会做报表时，毛利率、现金跑道、单位经济这些指标拿不出可靠的口径。 这个技能能帮你建什么 它帮你把经营数据整理成可靠的财务视图。核心是一条利润表瀑布：从销售总额出发，依次扣减退款、折扣、COGS、履约物流、营销费用，一路追踪到 EBITDA，让利润是怎么一层层被吃掉的看得清清楚楚。它还会区分平台订单数据与 GAAP 账簿数据、建立两者的核对桥接；按渠道、品类、客户类型和区域下钻真实盈利；并定义毛利率压缩、广告支出节奏、物流漏损等预警规则。 利润表瀑布：销售总额 → EBITDA 销售总额 退款 折扣 COGS 履约物流 营销 EBITDA 口径上它强调"对账先行"：把平台跑出来的订单数和会计账簿的收入做桥接核对，避免两套数字各说各话： 平台订单数据Shopify/Amazon 核对桥接 会计账簿 (GAAP)解释差额来源 用前须知 该技能无需 API Key，但需要会计系统或电商平台数据；QuickBooks、Xero、BI 工具和表格可作为数据来源与展示载体。它给的是看板与口径设计，不替代持牌会计师的财务意见或税务建议。 怎么用它 用法是把你要做的财务视图和数据来源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 "把 Shopify 收入和账簿收入对齐，解释差额来源，别混口径。" "做电商利润表瀑布，退货、折扣、履约和广告都拆开看到净利润。" "月度财务看板要按渠道下钻，区分平台数和会计数，董事会要看。" 它适合这些场景：管理层要月度财务复盘、看净收入毛利率和现金余额；多渠道销售后比较 Shopify、Amazon 和批发渠道的盈利性；财务团队要把 Stripe 或 PayPal 收款与订单收入核对；董事会材料要解释预算偏差、现金跑道和单位经济变化。 大家常问 电商平台后台的销售数据和会计账簿的收入，为什么经常对不上，差额一般来自哪里？ 因为平台数据是"流水"逻辑、会计是"权责发生+合规"逻辑，两套口径天然不一致。差额最常见来自：平台扣除的佣金/推广费/退款手续费/罚款（最大隐性差）；确认时间差（平台下单即计 GMV，会计要到确认收货+结算才记，跨月订单尤甚）；退款售后是否逐笔冲红；满减优惠券补贴按原价还是实付记账；多平台含税不含税与字段口径不同；以及提现到账与结算金额不等。能随时对平反而可能说明账有问题——差异可解释、可冲回就属正常，建议日清周核。 电商利润表的瀑布结构是什么，从销售总额到 EBITDA 中间要扣哪些项？ 它是一个逐层扣减的多层利润模型：销售总额（GMV）减退货退款得净销售；减 COGS（采购+包装+部分仓储）得毛利；减履约成本（平台佣金+物流+仓储操作费）得履约后利润；减营销费用（站内外广告+优惠券补贴）得边际贡献；减平台固定费用（店租+软件订阅）得店铺运营利润；减管理费用 SG&A（工资+办公+法务会计）得 EBIT；再加回折旧摊销 D&A 得 EBITDA。EBITDA 剔除了资本结构、税收和折旧方式的影响，最能反映经营本身的盈利能力，各平台佣金物流不同但结构一致。 为什么说毛利率高不代表真赚钱，电商财务里哪些隐性成本最容易侵蚀利润？ 因为毛利率只算"进销差价"（售价减商品成本），高毛利只是给了犯错空间，后面的隐性成本才决定到手多少。售价 100、成本 30 看似毛利 70%，扣完平台佣金、推广、退货损耗、物流、人工分摊，净利可能只剩约 12%。最易侵蚀利润的按杀伤力排：推广获客成本（ROI 高但毛利薄照样吃光利润）、退货售后（综合成本常是单品利润的 2—3 倍）、平台佣金及活动分摊、仓储物流隐性费、账期资金占用、人工场地固定成本。所以要算全链路净利润，毛利率低于 40% 的品很难做。 电商财务和传统财务相比，在收入确认和退货准备金上为什么处理得更复杂？ 收入确认上，传统零售在客户拿到商品时一次性确认即可；电商则控制权转移时点不统一（多以签收/平台确认收货为准）、还要按总额法或净额法拆分平台佣金费用、并应对多支付通道和分期的递延。退货准备金上，线下退货率低、发生时冲减即可；电商退货率高（服饰可达 20%—40%），按收入准则需在销售那一刻就预估可变对价、只确认预计不会被退回的部分并计提退货准备金，还要按品类设不同退货率模型、考虑大促波动和未过退货期的交易。本质是交易链条长、参与者多、不确定性高，需在大量不确定下提前合理估计。 想用上这个技能？ 「电商财务看板」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。
React性能优化有哪些手段
「React 最佳实践」是「龙虾部署大师」技能市场中的前端性能优化技能：作用是把 Vercel 工程团队沉淀的 62 条 React 与 Next.js 性能规则变成可查、可执行的清单，在写组件、做代码审查或重构时，帮你识别数据水瀑、过大 bundle、无效重渲染等反模式，并按影响优先级给出对应的修复方法。 技能效果 面对一个滚动卡顿的 React 列表时，它逐条点出 filter/map 无缓存、onClick 每次新建、缺少防抖和 memo 等问题，再给出优化后的完整代码。 React 应用变慢，通常慢在哪几处 React 项目的性能问题往往不是单点，而是几类反模式叠加：异步请求一个接一个串行执行，形成"数据水瀑"，首屏迟迟出不来；第三方库和大组件全量打进首屏 bundle，下载和解析都拖慢加载；组件因为对象引用变化反复重渲染，列表一滚就卡；还有布局抖动、热路径里反复读写存储等隐性开销。这些问题分散在数据请求、打包、渲染、JavaScript 热路径等多个层面，靠零散经验很难一次盘清。 数据水瀑 vs 并行请求 串行（水瀑） 请求 A 请求 B 请求 C 慢 并行（Promise.all / Suspense） 请求 A 请求 B 快 这个技能能帮你检查和修什么 它把 Vercel 团队的 62 条规则按八个维度组织起来：消除数据水瀑、减小 bundle、服务端性能、客户端数据请求、重渲染优化、渲染性能、JavaScript 热路径和高级模式。每条规则都按影响优先级排序，配有可定位的示例。实际使用时，它会针对你的代码或问题，指出命中的反模式，并给出对应做法——比如用 Promise.all 或 Suspense 把串行请求并行化；用直接导入、动态导入、延迟加载第三方库来压低 bundle；优化服务端缓存、RSC 序列化和 Server Action 认证；减少无效重渲染、布局抖动、存储读取和数组热路径开销；以及用 SWR、Map/Set、稳定订阅等高级模式收尾。 按维度查规则 → 命中反模式 → 给修法 数据请求水瀑/并行 bundle动态导入 服务端缓存/RSC 重渲染引用稳定 热路径Map/Set 高级SWR 62 条规则按影响优先级排序 · 形成可执行优化清单 把规则按影响优先级排序的意义在于：性能优化的投入产出差异很大，先改最影响首屏和交互的项，再处理次要项，比无序地逐条试效率高得多。 用前须知 该技能无需 API Key 或额外运行时，本质是一套可查询的规则文档与诊断指引。要把建议落到实处并验证效果，需要有对应的 React/Next.js 项目、Node.js、包管理器以及性能分析工具。 怎么用它 用法是把要写的组件、要审查的代码或遇到的性能现象用自然语言描述给它，由它对照规则定位问题、给出优化方向。例如可以这样对它说： 可以这样对它说 "这个 React 列表滚动卡顿，按 Vercel 规则帮我查一下重渲染和订阅写法。" "把这个大组件拆成动态加载，先压住首屏 bundle 和第三方脚本体积。" "检查这些 useEffect 依赖，别因为对象引用变化反复渲染卡住页面。" 它适合这些场景：新写 React 组件或 Next.js 页面时预防性能反模式；审查代码时发现首屏慢、交互延迟、请求串行或包体过大；重构客户端状态、Effect 依赖、回调订阅和派生状态逻辑；以及需要按规则文件定位具体示例、形成可执行的优化清单。适合 React/Next.js 开发者、前端性能工程师、技术负责人和代码审查者，用来建立统一的重构与性能评估标准。 大家常问 React 应用为什么会出现重渲染导致的卡顿，根因通常出在哪几处？ 多数卡顿来自不该变的东西变了：状态提升得太高、内联函数/对象每次渲染都生成新引用、Context 值变化牵连全体消费者、列表用 index 当 key、父组件渲染带着子组件无条件重渲。排查时从最小粒度组件向上追溯哪些 props 在做无效更新。 React 里的 useMemo 和 useCallback 有什么区别，分别在什么情况下才值得用？ useMemo 缓存计算结果（值），useCallback 缓存函数引用，后者其实是前者的特化。它们都有成本，不该默认就加。只有计算开销大（如上万条数据筛选排序）时用 useMemo；函数作为 props 传给被 memo 包裹的重渲染子组件、或作为 Effect 依赖时才用 useCallback。 React 里说的"数据水瀑"是什么意思，为什么它会拖慢页面首屏？ 数据水瀑指请求之间存在串行依赖：后一个请求要等前一个返回才发出，层层叠加。它让首屏耗时变成所有请求时间的累加和，而非最大值——三个各 200ms 的请求串起来要 600ms，并行只需 200ms。把彼此不依赖的请求并发化，或让后端一次返回，就能消除。 React 的 useEffect 依赖数组写不对会怎样，为什么对象引用变化会导致副作用反复触发？ 依赖写错可能读到旧值、做无效重跑，最棘手的是把对象/数组/函数当依赖引发死循环。React 用 Object.is 比引用而非比值，内容相同的两个新对象也判为"变了"。组件每渲染一次就新建一个对象，于是副作用反复触发。把用到的原始属性拆出来当依赖，或用 useMemo 稳定引用即可。 想用上这个技能？ 「React 最佳实践」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 设计自动化流程
「自动化流程设计」是「龙虾部署大师」技能市场中的顾问型技能：它不直接连接外部平台，而是通过引导式对话收集你的重复任务、耗时和频率，计算时间成本并排序优先级，再依据复杂度、预算和技术背景推荐 Zapier、Make、n8n 等工具，最终输出含触发器、条件、动作、错误处理的完整设计文档，以及实施清单、测试清单、维护计划和 ROI 计算，可直接用于无代码或低代码平台落地。 技能效果 提出每周手动发销售周报的痛点，它画出数据层到投递层的四段架构，把拉取、计算、生成、发送和失败重试告警都串成可落地的流程。 想做自动化，卡在哪一步 多数团队的卡点不在工具，而在动手之前。重复任务很多——手工复制数据、逐个发通知、每周拼报表，但哪一项最值得先自动化，往往说不清；想搭流程又缺一份清晰的设计文档，触发条件、异常分支全靠现场拍脑袋；面对 Zapier、Make、n8n 一堆工具，也判断不出哪个匹配自己的预算和复杂度。结果常常是要么迟迟不动手，要么搭了一半发现漏掉了错误处理。 一堆重复任务，先动哪个？ 手工发周报 表单录 CRM 发票核对 每件都说"该自动化"，但缺： · 优先级 — 哪件最省时 · 设计文档 — 触发 / 条件 / 异常 · 选型 — 用哪个平台 · 回本 — 值不值得做 这个技能能帮你产出什么 它把"想自动化"变成一份可落地的方案。第一步，通过对话收集你的重复任务、单次耗时和发生频率，按月度时间成本排序，告诉你先做哪一项最划算；第二步，结合预算、复杂度和你的技术背景，推荐 Zapier、Make、n8n 或区域替代工具；第三步，输出完整的工作流设计文档，把触发器、条件分支、动作、错误处理和备注都写清；最后，附上实施清单、测试清单、维护计划，并算出这套自动化的投资回报周期。 梳理任务 耗时 · 频率 排优先级 月度成本 推荐工具 Zapier/Make/n8n 设计文档 + ROI 触发/条件/动作/异常 它的价值在于"先想清再动手"：交付物本身就是平台搭建时的施工图，把容易遗漏的异常分支、测试边界和长期维护一并写进去。 用前须知 该技能无需 API Key 或本地依赖，主要输出设计文档，不直接连接或操作任何平台。要把方案落地，你需要自行拥有 Zapier、Make、n8n、飞书、钉钉或云函数等平台账号，再按设计文档实施。 怎么用它 用法是把你要自动化的场景和约束用自然语言交给它，它会通过追问补全细节。例如可以这样对它说： 可以这样对它说 "我每周手动发客户周报，帮我设计一套可落地的自动流程，含失败提醒，关键字段别漏。" "表单线索进 CRM 再自动发欢迎信，这套流程画清楚，条件分支和异常处理都写上。" "算一下发票自动化值不值得做，按月省时和成本估算回本周期，实施步骤写清楚。" 它适合这些场景：业务里存在大量手工复制、通知或报表任务，需要先确定自动化什么；准备在 Zapier、Make 或 n8n 上搭流程，但缺一份清晰的设计文档；需要比较不同工具、选出匹配预算和复杂度的方案；以及上线前要把测试边界、错误提醒和长期维护机制梳理清楚。 大家常问 为什么很多团队搭了一半的自动化流程会失败？ 常见原因有三：骨架还没跑通就一次性塞入条件分支和异常逻辑，导致中断时无法定位；条件分支只设计了"满足"的路径，"不满足"路径悬空；异常处理没有分层——缺了重试、降级、人工兜底任何一层都会让流程在第一次报错就卡死。建议先用线性骨架跑通主路径，再逐步补条件和异常。 触发器、条件、动作三者本质区别是什么？ 触发器是流程的起点，只负责"什么时候启动"，被动等待事件并携带初始数据；条件是决策点，只读判断、不改数据，决定下一步走哪条分支；动作才是真正"做事"的环节，会产生副作用、消耗资源，也是唯一可能失败的环节。三者各司其职：触发器不做判断、条件不做写入、动作不做分支决策。 怎么判断一个重复任务值不值得自动化？ 用三个维度筛一遍：一是频率×单次耗时算每周节省时间，少于 5 分钟不值得做；二是确定性评分，每一步都要人主观判断的（评 3 分以上）只适合做半自动；三是变化频率，规则或数据源每周都在变的，维护成本会吃掉所有收益。三项里任何一项亮红灯，就要重新考虑这件事该不该自动化。 自动化流程里的「异常处理」到底要写哪些东西？ 至少写清四类：可重试异常（网络抖动等，配指数退避和上限）、可降级异常（用缓存或默认值走"有损但不中断"的次优路径）、不可恢复异常（数据格式错、权限不足，直接终止并转人工）、失败上下文（事件 ID、节点路径、输入快照、错误类型、时间戳）。再加节点超时、全局超时、死信队列和补偿回滚顺序，异常处理才算完整。 想用上这个技能？ 「自动化流程设计」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。
数据图表怎么生成图片？无需浏览器即可服务端出图
「图表图片生成」是「龙虾部署大师」技能市场中的可视化技能：它从结构化数据生成出版级的 PNG 或 SVG 图表图片，基于 Node.js、Vega-Lite 与 Sharp，不依赖浏览器、Puppeteer 或外部 API，支持折线、柱状、面积、K 线、饼环图、热力图、双轴与堆叠等图型，并可配置坐标轴、暗色主题、数值格式、注释、参考线和社交媒体尺寸，输出即用型图像文件。 技能效果 生成营收折线图时，它用示例数据画了深色主题图，并标出最高点、最低点和最近涨幅。 把数据变成一张能用的图，为什么这么折磨 难点在于"出图"这一步的环境与一致性。报告、监控告警、消息渠道里要插一张图，常见做法要么是手动在表格软件里画完截图，样式难统一；要么用依赖浏览器的渲染方案，在 Fly.io、VPS、Docker 这类无头服务器上跑起来格外麻烦。结果是同一套数据，今天画出来是一种样式，明天换个人又是另一种，图表风格散乱、还难以自动化。 { "month": "1月", "rev": 120 } … 结构化数据 无头渲染 PNG / SVG 这个技能能生成什么图 它把一组 JSON 数据直接渲染成出版级图片。图型覆盖折线、柱状、面积、点图、K 线、饼图、环图、热力图，以及多序列、堆叠、双轴和迷你图；样式上可以设置坐标轴、颜色、暗色主题、数值格式、注释、参考线，并直接输出社交媒体常用尺寸。关键在于它跑在 Node.js + Vega-Lite + Sharp 上，全程不需要浏览器或 Puppeteer，因此能稳定地在服务端批量出图。 折线 / 面积 柱状 / 堆叠 K 线 · 暗色 饼 / 环图 用前须知 该技能需要 Node.js 环境，并在 scripts 目录执行一次 npm install 安装依赖；无需浏览器、Puppeteer 或外部 API Key，默认使用 Vega-Lite 与 Sharp。图片质量取决于你提供的数据是否完整、口径是否一致。 怎么用它 用法是把数据连同想要的图型、主题和标注用自然语言交给它。例如可以这样对它说： 可以这样对它说 "用这组月营收数据生成深色折线图，标出最近涨幅和最高最低点。" "把这组开高低收数据画成蜡烛图，叠加成交量，右轴单独显示。" "这张转化漏斗数据做成横向条形图，适合汇报展示并标上数值。" 它适合这些场景：监控指标触发后生成带变化标注的告警型趋势图；把表格数据转成报告可用的柱状、折线或双轴收入图；制作叠加成交量或事件注释的 K 线图；以及为 Slack、Discord、LinkedIn 等渠道输出指定尺寸的图表。 大家常问 柱状图和条形图有什么区别？什么时候应该用横的、什么时候用竖的？ 两者本质同一类图、都用矩形长度编码数值，区别只是朝向。竖向柱状图适合分类少（≤7）、标签短、强调时间序列；横向条形图适合分类多、标签长、需要按数值排序展示 Top N。判断标准：如果竖向标签必须倾斜 30°以上才能放下，就该换横向。 同一份数据，什么情况下适合用折线图、什么情况下应该用柱状图？ 折线图用斜率传达"变化趋势"，要求 X 轴是连续型（时间、温度），数据点之间有逻辑顺序；柱状图用长度传达"项目对比"，要求 X 轴是离散型（部门、产品、地区）。口诀：有顺序看趋势用折线、无顺序看对比用柱状。强行把无序类别画成折线会误导读者建立不存在的连续关系。 饼图（含环图）在什么情况下适合用？为什么类目多了就不该用饼图？ 饼图只适合"整体被分成几块、合计 100%"且类目 2–5 个、存在明显大头的情形。类目多了不该用，是因为人眼对角度/弧长的判断精度远低于对长度的判断，10% 以内的扇区差几乎看不出来；类目过 7~8 个时颜色也辨不过来。超过 5 类应换成条形图。环图同理，弧长没解决本质问题。 图表输出为 PNG 和 SVG 两种格式，本质上有什么区别？分别适合什么使用场景？ PNG 是栅格、存的是像素阵列，分辨率固定、放大会糊，适合连续色调图像、固定尺寸最终输出、像素级一致性场景；SVG 是矢量、存的是 XML 绘图指令，任意缩放清晰、文字保留可搜索、单个元素可再编辑，适合响应式多尺寸展示、数据驱动图表、需要交互或文档检索的图形。本技能两种格式均支持输出。 想用上这个技能？ 「图表图片生成」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 一站查机票酒店行程
「FlyAI 模型助手」是「龙虾部署大师」技能市场中的旅行搜索整理技能：它通过 flyai-cli 调用基于飞猪 MCP 的旅行搜索与预订能力，支持自然语言综合搜索以及航班、酒店、景点和 POI 查询，把返回的单行 JSON 整理成结构化 Markdown——含推荐、选项表格、图片和预订链接，展示时优先使用数据中的图片和跳转链接，并保留日期、地点、价格、退改、签证或时间限制等实用备注。 技能效果 查上海到三亚下周五的机票，它联网取到真实航班，按出发时间排成一张表，标出航司航班号、机型、起降机场和折后价格。 查行程信息，为什么总是来回切换还理不清 规划一趟出行，信息往往散在各处：机票要比时间和价格，酒店要看位置和图片，景点演出要排进行程，最后还得逐个找预订入口。在多个页面之间来回切换，结果是候选方案记不全、关键约束容易漏——退改规则、签证要求、入住时间这些信息常常等到要下单了才发现遗漏。原始搜索结果本身是可用的，缺的是把它整理成一份能直接看、能直接订的清单。 散在各处的查询 机票 酒店 景点 / POI 问题：来回切换、方案记不全、约束漏看 退改 / 签证 / 时间限制 常被忽略 这个技能怎么把搜索结果整理成可订清单 它把"查"和"整理"合成一步。综合查询走 fliggy-fast-search，可一次跨酒店、航班、景点返回结果；需要单类时则分别调用 search-flight、search-hotels、search-poi 获取结构化数据。拿到结果后，它把单行 JSON 整理成 Markdown：先给推荐，再用选项表格列候选，配上数据里返回的图片，并优先使用 jumpUrl 或 detailUrl 作为预订入口。整理时它会把日期、地点、价格、退改、签证和时间限制等备注一并保留，避免规划到下单环节才发现遗漏。 自然语言提问目的地 / 日期 飞猪 MCP 搜索返回单行 JSON Markdown 推荐表格 · 图片 · 预订链接 它的价值在于把实时旅游资源转成可直接预订的推荐：图片、价格、约束、跳转入口一目了然，行程类查询还能按时间顺序呈现，从发现到下单的路径被缩短。 用前须知 该技能需要先安装 @fly-ai/flyai-cli，并依赖网络访问飞猪 MCP 服务。可在无 API Key 状态下试用；若需增强结果，可配置 FLYAI_API_KEY。 怎么用它 用法是把出行需求用自然语言交给它，包括目的地、日期和你关心的维度。例如可以这样对它说： 可以这样对它说 "查上海到三亚下周五的机票，按时间、价格和预订链接排，早班优先。" "找杭州的亲子酒店，图片、价格、位置和飞猪预订入口都要，先看亲子房。" "五一去成都两天，搜景点和演出，按行程顺序推荐，别排太满，航站信息写清楚。" 它适合这些场景：以自然语言询问目的地玩法、希望同时返回酒店票务和活动；出行规划中需要比较航班、酒店或景点的多个候选方案；希望基于飞猪实时结果生成带图片和预订链接的推荐列表；以及把旅行搜索结果整理成按时间顺序呈现的行程建议。 大家常问 自然语言订机票，为什么需要 MCP 而不是直接让 AI 上网搜？ 普通 AI 上网搜只能读公开网页快照，拿不到实时余票，也无法把搜索结果接到下单链路。MCP 是 AI 与外部服务之间的协议层，能把自然语言翻译成 search-flight 等结构化调用，返回带航班号、价格、jumpUrl 的 JSON，构成「查→比→订」的完整闭环。 AI 旅行助手把搜索结果整理成 Markdown 推荐是什么意思？ 意思是 AI 拿到飞猪 MCP 返回的单行 JSON 后，按固定排版规则把它转成人类可读的图文清单：用标题分层、加粗日期价格、按时间排行程、用表格做候选对比，附上图片和预订链接。本质是把机器可读的搜索数据，翻成可直接看、可直接订的旅行推荐。 综合旅行搜索和单独查航班、酒店、景点有什么区别？ 综合搜索 fliggy-fast-search 只吃一句自然语言，靠意图识别跨品类混排，适合需求模糊的早期探索，例如「杭州三日游」。分类搜索用 search-flight / search-hotels / search-poi，吃结构化参数，能精确指定日期、舱位、星级、景点等级，适合行程已定后的深度比价。 AI 推荐机票为什么必须保留退改、签证和入住时限等备注？ 价格、时间、航司是吸引因素，退改规则、签证要求、值机时限是限制因素，两者必须同时呈现用户才能做出知情决策。这些字段来自航司或平台的约束信息，AI 无权二次校验或概括，若擅自省略可能让用户错过登机、误下不可退改的票，直接造成损失。 想用上这个技能？ 「FlyAI 模型助手」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。
苏格拉底式追问怎么帮你学得更深
「自适应苏格拉底追问」是「龙虾部署大师」技能市场中的思考训练技能：它不直接给答案，而是先分析回答的准确性、深度和盲点，再选择解释、证据、因果、反例或泛化类追问，构建一条逐步深入、每轮只问一题的提问链，帮助学习者发现假设、补足证据并形成独立判断。 技能效果 提交一个“短视频时长会降低专注力”的研究设计后，它先不给结论，而是反问专注力该怎么操作化、用什么工具测量，一步步逼出设计里的变量漏洞。 为什么"被直接喂答案"反而学不深 遇到难题时直接得到答案，看似高效，却跳过了最关键的思考过程。学习者没有经历"提出假设—检验—修正"的推理路径，就难以发现自己理解中的盲点和潜在误解。结果是当下听懂了，换个情境又不会用；论点说得出口，却补不出支撑它的证据和边界条件。研究设计、批判性思维、论文论证这类任务，恰恰需要的是推理能力本身，而不是一个现成结论。 直接给答案 问题 答案 跳过推理 → 换情境又不会 递进追问 假设 检验 修正 独立判断 这个技能用什么方式带你思考 它的核心做法是"先诊断，再提问"。每一轮，它先分析你回答的准确性、理解深度、盲点和潜在误解，再据此选择追问的类型——是让你解释机制、补充证据、追溯因果、设想反例，还是做泛化推广。它会围绕一个问题构建 3 到 5 个逐步深入的提问，并且每次只抛出一个，根据你的水平实时调整难度。当你出现挫败、偏题或在原地打转时，它会降低难度、给出思考支架，或先整理一段已达成的共识再继续。 分析你的回答准确性 / 深度 / 盲点 选择一种追问 解释性 证据性 因果性 反例性 泛化性 每轮只问一题 · 按水平调整难度 · 卡住给支架 用前须知 该技能无需 API Key、脚本或外部依赖，主要依靠对话流程与追问策略推进。它默认不直接给结论；若你明确要求直接答案，它会先给答案，再补充思路引导。它训练的是思考过程，最终的判断仍由学习者自己得出。 怎么用它 用法是把你想深入想清楚的问题、以及你目前的想法交给它，让它用提问推进。例如可以这样对它说： 可以这样对它说 "我做研究设计总是直接跳到答案，用问题一步步逼出我假设里的漏洞，先别讲结论。" "围绕因果推断这道题，只用问题引导我推到关键点，别直接揭晓答案。" "学生这个回答太浅，帮我设计几轮递进问题判断他是不是真懂，再换角度追问。" 它适合这些场景：指导学生设计研究方案，从模糊想法推进到可验证的问题；训练批判性思维，让学习者为结论补充证据和边界条件；讨论数据分析结果时，引导对方解释机制而不只是描述现象；论文写作中帮助作者梳理论点、论据和可能的反例。 大家常问 苏格拉底式追问到底是什么意思，它和老师直接讲答案有什么区别？ 苏格拉底式追问是一种以提问驱动思考的教学方法：不直接给结论，而是用一连串精心设计的开放式问题，引导学习者自己发现并修正认知。和直接讲答案最大的区别是知识流向——讲答案是单向传输、学生被动接收；追问是双向对话，学生自己建构理解，记得更牢、更能举一反三。 为什么用追问引导比直接告诉答案更能让人学得深、记得牢？ 直接给答案是信息单向灌输，大脑活跃度低、很快遗忘。开放式追问强制学习者主动检索和推理，留存率更高；而且当结论是自己推出来的，会被标记为"自己的成果"，记忆优先级更高。追问看似绕路，但每绕一个弯，大脑就多一次主动加工——学习的深度取决于加工次数，而不是接收的信息量。 苏格拉底式追问里说的递进追问，常见的有哪几种类型？ 常见类型包括：澄清型（逼你精确定义术语）、前提型（挖出隐含假设）、证据型（检验论据是否充分）、视角型（换立场重新审视）、后果型（推演结论会导向什么）、元认知型（把注意力转向思考过程本身）、反诘型（用归谬让你自己撞上逻辑矛盾）。这些不是随机用，而是按学习者当前状态动态切换。 追问时说的自适应难度调整是什么意思，为什么卡住了要降难度给支架而不是直接说答案？ 自适应难度调整指追问深度随学习者反应实时调整，始终把问题维持在"踮脚够得到"的最近发展区内。卡住时直接给答案，会跳过该经历的思考过程、制造"听懂了"的假象。降难度的本质是加认知支架（拆解、提示、类比、可视化），降低入口门槛但保留核心推理由学习者完成，这样才学得到可迁移的思维方法。 想用上这个技能？ 「自适应苏格拉底追问」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