如何用 AI 算清广告投放回报率
「营销 ROAS 分析」是「龙虾部署大师」技能市场中的投放效率分析技能：它跨 Meta、Google、TikTok、Amazon Ads 等渠道，结合支出、平台收入、第一方归因收入、毛利率和成本，计算平台 ROAS、1P ROAS、MER、真实 ROAS、CAC 和盈亏平衡点，并给出渠道目标与预算再分配建议。 技能效果 Meta和Google的ROAS对不上时，它分别按平台口径和GA4口径算出两套ROAS，列出差异并解释归因窗口、去重等误差来源。 平台都说 ROAS 很高，利润却对不上 多渠道投放最常见的困惑是：每个平台后台自报的 ROAS 都很漂亮，加起来却和实际利润、现金流对不上。原因往往藏在归因里——再营销 ROAS 虚高，可能是广告抢走了本就会发生的自然购买；各平台各自归因，重复计算同一笔成交；而平台收入没有扣掉毛利率和可变成本，离"真正赚到的钱"还有距离。靠平台自报的数字分预算，很容易把钱加在看起来好、实则不增量的渠道上。「营销 ROAS 分析」要解决的，是用利润口径而非平台归因来衡量投放。 从"平台自报"到"真实利润"的层层折扣 平台 ROAS（自报） 1P ROAS（第一方归因） 真实 ROAS（扣增量） 扣毛利后的利润 这个技能能帮你算清什么 它把"投放赚不赚钱"拆成一组可计算的指标。口径层面，它定义并区分平台 ROAS、1P ROAS、MER、真实 ROAS 和 CAC；阈值层面，它按毛利率和可变成本算出盈亏平衡 ROAS，让你知道每个渠道至少要做到多少才不亏；监控层面，它建立每周渠道记分卡和预算节奏规则，避免月底集中花钱或超支；决策层面，它给出扩量、缩量、暂停的判断，并设计增量 Holdout 测试来检验某个渠道是不是真的带来了增量。整个流程强调用 GA4 与整体 MER 交叉验证平台数据。 每周记分卡：四个动作信号 扩量高于阈值且增量 缩量效率走低 暂停低于盈亏平衡 Holdout 测试验证是否增量 渠道分开看，再决定预算怎么挪 用前须知 该技能无需 API Key 或固定依赖，分析依赖你提供的广告平台、GA4、订单、毛利和成本数据；若要自动拉取数据，需另行配置各平台权限。它是分析与决策辅助工具，结论的可靠性取决于你提供数据的准确度，不构成投资建议，也不承诺投放收益。 怎么用它 用法是把各渠道的支出、收入和成本数据，连同你要做的决策用自然语言交给它。例如可以这样对它说： 可以这样对它说 "Meta、Google 的 ROAS 对不上，按 GA4 算一下真实值和误差来源。" "本月广告花太快，按剩余天数算每天还能投多少，别月底超支，消耗一起看。" "先看各渠道的 MER 和真实 ROAS，再决定下周预算怎么挪动，渠道分开看。" 它适合这些场景：多个广告平台自报 ROAS 很高、但实际利润和现金流不匹配；需要判断下一笔预算该加给 Meta、Google、TikTok 还是邮件渠道；怀疑再营销 ROAS 过高、抢夺了自然购买归因；以及月度预算消耗节奏异常、需要避免超支。适用于 DTC 电商、增长团队、投放负责人和需要以利润而非平台归因来管理预算的企业。 大家常问 为什么各广告渠道后台自报的 ROAS 加起来，和实际利润经常对不上？ 主要不是有水分，而是口径不同：渠道后台看的是广告带进来的流水（ROAS），财务看的是扣完商品、物流、退款等所有成本后还剩多少（ROI）。加上各渠道各自归因、互相重复计算同一笔成交，加总自然会高于实际收入。 平台 ROAS、真实 ROAS 和 MER 有什么区别？ 平台 ROAS 是单渠道封闭归因下的账面效率，有系统性高估倾向；真实 ROAS 要跨渠道去重、剔除自然转化后才得出，通常靠增量测试推算；MER 不做归因，直接用总营收除以总营销支出，粗但能反映整体效率，适合做保底气压计。 盈亏平衡 ROAS 是什么，怎么判断一个渠道值不值得继续投？ 盈亏平衡 ROAS 约等于 1÷毛利率，是恰好不亏本的临界值，低于它每投一笔都在亏。判断渠道时不能只看这个数，还要做增量测试看是否带来真增量、结合回收周期和 LTV，并观察加预算后效率会不会跌破平衡线。 为什么再营销的 ROAS 很高，反而要警惕？ 因为再营销出价低、又常被末次点击归因截走上层渠道的功劳，分母小、分子虚，ROAS 容易虚高。这些人很多本来就会买，做 Ghost A/B 测出的增量 ROAS 可能极低——它只是提前收割了自然成交，掩盖了拉新缺口。 想用上这个技能？ 「营销 ROAS 分析」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。
营销转化文案怎么写？用经典框架组织标题、CTA 和描述
「营销文案写作」是「龙虾部署大师」技能市场中的转化文案技能：它面向落地页、邮件、广告、销售页、产品描述和 CTA 等转化型文本，用 AIDA、PAS、FAB 等框架组织文案，从产品特性推导出明确、可信、可执行的购买理由，并处理异议、补足信任证明、规划 A/B 测试，提升页面说服链条的完整度。 技能效果 拿到一页课程落地页，它把标题、卖点和行动按钮按“语气别太硬”重写了一版，还给出更软的按钮备选。 文案写了很多，为什么不转化 转化型文案的难，不在文笔，而在说服链条。常见问题有三种：一是堆了一大段功能描述，却没把"特性"翻译成用户能感知的"收益"，读者看完不知道这对自己有什么用；二是只顾着夸产品，没回应用户心里的疑虑——价格贵不贵、有没有效果、会不会有风险；三是页面上行动指引混乱，几个按钮抢注意力，反而没人点。说服的每一环都可能断在这些地方。 说服链条：一环断，转化就漏 注意 兴趣 欲望 降疑虑 行动 特性没转成收益 / 疑虑没回应 / CTA 不单一 → 链条断裂 这个技能能帮你写出什么 它把转化文案当成一条完整的说服链来构建：吸引注意、制造兴趣、形成欲望、降低疑虑、推动行动。框架上，它用 AIDA、PAS、FAB 组织落地页和邮件的转化结构；写作上，它产出结果导向的标题、低摩擦的 CTA 和利益清晰的产品描述；异议上，它针对价格、时间、效果、风险等常见顾虑设计回应；验证上，它规划标题、CTA、价值顺序、篇幅等变量的 A/B 测试。它的关键能力是把松散的产品功能转化为用户可感知的收益语言。 产品特性 "有什么功能" AIDA / PAS / FAB 用户能感知的收益 "这对我有什么用" 它在产出时有两条约束：避免空泛术语，也避免页面上出现多个相互干扰的行动指引，让每个页面只朝一个转化动作收口。这正是它能补全说服链条的关键。 用前须知 该技能无需 API Key、脚本或系统依赖。文案质量主要取决于你提供的业务信息：产品、受众、页面目标、可用的证明材料和期望的转化动作。信息越具体，写出的购买理由越可信、越可执行。 怎么用它 用法是把要写的文案类型、产品和目标用自然语言交给它。例如可以这样对它说： 可以这样对它说 "这页课程落地页先重写标题、卖点和行动按钮，语气别太硬。" "把新品首发邮件写成三封转化序列，先痛点，再提醒优惠和转化。" "这条广告只卖试用名额，文案要短、有力，带可信证明，适合信息流。" 它适合这些场景：为 SaaS、课程、咨询、工具或电商产品撰写完整落地页文案；广告或邮件打开率偏低、需要重写标题、价值主张和行动按钮；产品功能多但价值表达松散、需要转成用户可感知的收益语言；上线前检查文案是否缺少证明、异议处理或单一 CTA。它适合创业者、增长团队、市场人员、广告投手、产品经理和独立创作者。 大家常问 AIDA 和 PAS 这两个文案框架到底有什么区别？什么场景该用哪个？ AIDA 走正向驱动（注意→兴趣→欲望→行动），适合读者对产品陌生、需要逐步教育的长落地页；PAS 走负向驱动（痛点→放大→方案），适合读者已知痛点、要直奔出口的功能性短文案。区分关键看读者是否清楚自己的问题：清楚选 PAS，不清楚选 AIDA。 落地页文案里说的「特性」和「收益」为什么不能混着写？ 特性回答「这是什么」（参数、功能），收益回答「这对我有什么用」（价值、感受）。混写会让读者在两种思维模式之间反复切换，认知负荷上升、信息组块被打乱，筛选与说服两个决策阶段都被拖慢。分开写让理性判断与感性共鸣各司其职，转化链条才走得通。 文案里的「信任状」到底是什么？为什么没它转化就上不去？ 信任状是文案里用来回答「我凭什么相信你」的证据，包括数据、权威认证、社会证明、案例证言、退款承诺等。读者从兴趣走到行动之间有一道信任鸿沟，转化率是「说服力 × 可信度」的乘积，可信度为零，说服力再强乘积也是零，所以信任状缺位转化就断在那一环。 价值主张（UVP）和卖点 slogan 有什么区别？为什么不能互相替代？ UVP 是完整陈述句，回答「为谁解决什么问题、凭什么比对手好」，负责说服决策，篇幅较长、战略级稳定；slogan 是短句记忆钩子，负责吸引注意与传播，战术级可灵活换。slogan 太短承担不了说服闭环，UVP 太长进不了广告位，两者是地基与建筑符号的关系，不可互换。 想用上这个技能？ 「营销文案写作」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。
如何用 AI 做数据分析
「数据分析」是「龙虾部署大师」技能市场中的分析与解释技能：它面向 SQL、表格、Notebook、Dashboard、导出数据等多种来源，强调先明确分析要支持的决策、可改变判断的问题、可用数据和时间范围，再锁定指标口径（实体、粒度、分子、分母、时区、过滤条件、数据源），分析时区分提取、转换与解释，并按问题类型选择合适方法与图表，最终以结论、证据、置信度、限制和下一步行动为核心输出，避免把算术误当决策。 技能效果 分析复购率下滑时，它先写清复购率口径，再按渠道拆出各自的同比变动，定位到拖累最重的那个渠道。 为什么很多分析跑完了还是没法做决策 分析交付物常见的失败，是只给了数字，没给判断。三类典型情况：一是目标不清，没说清这份分析要支持什么决策、什么差异才值得动作，跑出一堆图却落不到行动；二是口径不稳，同一个"复购率""转化率"在不同查询里实体、粒度、分母都不一样，数据无法横向对比；三是把算术当结论，看到 A 比 B 高就下判断，没区分这是统计噪声还是真实差异、置信度有多高、有哪些限制。 原始数据 表 / SQL / 导出 锁定口径 实体 / 粒度 分子 / 分母 决策简报 结论 · 证据 置信度 · 限制 下一步行动 这个技能怎么把数据变成决策依据 它的方法是一条从问题到行动的链路。开始前先明确要支持的决策、什么样的结果会改变判断、有哪些可用数据和相关时间窗口；然后定义指标口径，把实体、粒度、分子、分母、时区和过滤条件锁死，建立一份清晰的"指标契约"；分析过程中区分提取、转换和解释三步，并根据问题类型——趋势、比较、分布、关系、构成、漏斗还是留存——选用对应的方法（如假设检验、回归、分群）和图表；最后以决策简报形式输出洞察、证据、置信度、限制和行动建议。 按问题类型选方法与图表 趋势折线 比较柱状 分布直方 漏斗漏斗图 留存留存表 关系散点 核心区别在于"避免把算术误当决策"：同样的数字，配上置信度和限制说明，管理层拿到的是一页能直接拍板的结论，而不是一堆需要自己再解读的查询和图表。 用前须知 该技能无需固定本地依赖、API Key 或外部端点，分析质量取决于你提供的数据和口径说明。它可按需读取指标契约、图表选择、决策简报、常见陷阱、分析技法等参考文件，以套用更规范的方法。 怎么用它 用法是把要回答的业务问题和手上的数据用自然语言交给它。例如可以这样对它说： 可以这样对它说 "这份订单表看复购率下降是不是某个渠道拖累，别只看总数变化，口径写清楚。" "A/B 实验数据已经齐了，算效果区间和样本可信度，再判断能不能上线。" "把漏斗各步转化拆开，找注册到支付掉得最狠的位置，顺带看样本量，按组看。" 它适合这些场景：实验结果需要判断差异是否显著、是否具有业务意义；漏斗、留存或流失指标异常、要定位变化来自哪个环节；管理层需要一页式结论而非查询代码和图表堆叠；以及已有报表口径不清、需要重建指标契约并检查数据质量风险。 大家常问 什么是指标口径，为什么同一个指标不同人算出来不一样？ 指标口径是一个指标的完整定义规则，包含计算对象、聚合方式、归因规则、剔除规则、时间窗口、对齐方式和参数设定。同名指标算出不同结果，多数不是算错，而是各人前提假设没书面化对齐。 漏斗分析法到底是分析现状还是分析原因？ 漏斗分析属于现状分析的定位型方法，回答"在哪一步流失"，不回答"为什么流失"。它把模糊的"效果不好"精确为"第 N 步流失严重"，再交给归因分析或 A/B 检验去验证假设。 A/B 测试显示"提升 8%"，为什么不能直接上线？ 8% 只是样本点估计，要先看置信区间下限是否跨零、p 值是否过显著性阈值、功效是否充足，再做分层归因排查辛普森悖论，并看 D30 留存和漏斗下游是否同步改善，单一指标提升不等于全局提升。 留存率多少算正常？怎么判断是产品问题还是渠道问题？ 留存率是相对比较指标，没有放之四海皆准的数值。判断产品还是渠道问题，构建"渠道×功能"交叉表：列内差异大偏产品，行内差异大偏渠道；再用时间序列对齐产品改版与渠道变更，看哪个时间点吻合得更紧。 想用上这个技能？ 「数据分析」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 操作 GitHub 命令行
「GitHub 命令行」是「龙虾部署大师」技能市场中的 GitHub 协作技能：作用是通过 gh CLI 操作 GitHub 的 Issue、Pull Request、CI 运行和高级 API 查询。它能查看 PR 检查结果、列出工作流运行、定位失败步骤日志、列出和创建 Issue，还能用 gh api 配合 --json 与 --jq 取出普通子命令无法直接返回的字段，并把结果整理成摘要、表格或分析。 技能效果 让它查 cli/cli 仓库的近期 issue 时，它联网拉回最新十个 open issue，按编号、标题和状态整理成一张表。 查 PR 和 CI 状态，为什么总要来回切网页 用 GitHub 协作时，很多排障动作被网页操作拖慢。一个 PR 的检查项哪些没过、卡在哪一步，要点进 Checks 页层层展开；想看最近一次 workflow run 为什么失败，得在一堆成功的绿勾里翻出那条红叉，再点进去找出错步骤的日志；要批量看近期 Issue 或按特定字段筛选，网页界面又给不了结构化结果。这些任务本可以在命令行一次拿到答案，却散落在多个页面里反复跳转。 网页来回点 Checks / Actions 逐层展开找日志 gh CLI $ gh pr checks $ gh run view --log $ gh issue list 摘要 / 表格 一次拿到答案 这个技能用 gh 能帮你做什么 它围绕 gh CLI 把 GitHub 上的查询和协作动作打包起来。CI 方面，用 gh pr checks、gh run list 和 gh run view 查看检查状态，定位某次 workflow run 的失败日志和出错步骤，只摘失败项、不展开成功项。Issue 方面，用 gh issue list、view、create 完成查询和创建结构化的 Bug 报告。高级查询方面，用 gh api 配合 --json 与 --jq 取出普通子命令拿不到的字段并做过滤。最后它会清理终端和 HTML 标记，按用户意图把结果整理成摘要、表格或解释。需要注意，在非 Git 目录中操作时，它会始终指定 --repo owner/repo 或直接用 URL，以保证定位到正确仓库。 CI / PRchecks/run view Issuelist/view/create 高级 APIgh api/--jq 整理输出摘要/表格 用前须知 该技能需要本机安装 GitHub CLI 并执行 gh auth login 完成登录。能否操作私有仓库和组织事务，取决于当前账号的权限与认证状态。在非 Git 仓库目录下操作时，需要显式指定 owner/repo 才能定位到目标仓库。 怎么用它 用法是把要查的 PR、CI 或 Issue 用自然语言说清楚，由它选用合适的 gh 命令并整理结果。例如可以这样对它说： 可以这样对它说 "查一下这个仓库最近十个 issue，按标题、编号和状态列出来。" "看 PR55 的检查为什么失败，只摘失败的步骤，别展开成功项。" "用 gh 查最新一次 workflow run，定位失败日志和出错步骤。" 它适合这些场景：查看某个 PR 的检查项是否通过并定位失败工作流日志；项目维护者要列出近期 Issue 或创建一条结构化 Bug 报告；不在 Git 仓库目录中操作 GitHub、需要显式指定 owner/repo；需要用 GitHub API 查询普通子命令无法直接返回的字段。 大家常问 GitHub 命令行 gh 是什么，跟在 GitHub 网页上点按钮操作有什么区别？ gh 是 GitHub 官方提供的命令行工具，让你在终端直接操作 GitHub。它和网页点按钮调用的其实是同一套 GitHub API，区别在于网页要加载页面、等待渲染、点开层级才能拿到一项信息，而 gh 在终端一行命令直接发 API 请求拿结果，还能用脚本批量执行，并和 jq、grep、管道组合使用。 为什么用 gh pr checks 命令查 PR 检查结果，会比在 GitHub 网页 Checks 页里层层展开看要快？ 因为网页 Checks 页是单页应用，要先加载几百 KB 到几 MB 的资源，再分多次 API 请求拉 Check Suite 和 Check Run，每展开一层就再发一次请求重渲染 DOM。gh pr checks 走的是已存在本地的认证 Token，省去 Cookie、Session、CSRF 那套验证链，直接一次 API 请求把 PR 关联的所有 check 平铺打印，省掉渲染和层层点击的开销。 gh run list 和 gh pr checks 都能看 CI 状态，怎么区分什么时候该用哪一个？ 两者数据层级不同。gh run list 拉的是仓库级 Workflow Run 列表，可按 workflow 文件、分支、事件类型筛选，适合追溯历史失败、查看不挂在 PR 上的定时或手动 run。gh pr checks 拉的是某个具体 PR 的 Check Suite 和 Status Check 聚合，能看到外部系统提交的 status，适合 Review PR 时判断能不能合并、要不要 watch CI 跑完。 为什么在不是 Git 仓库的目录里用 gh，必须加 --repo owner/repo 才能查到东西？ 因为 gh 默认靠当前目录的 .git/config 里 origin 远程 URL 推断 owner/repo，作为 gh pr、gh issue、gh workflow、gh release、gh secret 的目标。一旦目录里没有 .git 文件夹，这条推断就断了，gh 不会去扫账号下所有仓库猜你想操作哪个，所以会抛错，要求你用 --repo owner/repo 或设环境变量 GH_REPO 显式指定仓库。 想用上这个技能？ 「GitHub 命令行」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。
达人营销活动怎么管理？按层级选达人并衡量投放绩效
「达人营销活动管理」是「龙虾部署大师」技能市场中的效果营销技能：它把零散的网红合作升级为可规模化、可衡量 ROI 的效果型项目。它从达人层级选择、受众契合度、品牌适配度和评论质量评估开始，指导在 Shopify Collabs、Meta Partnership Ads、TikTok Spark Ads 等原生工具里配置唯一链接和折扣码，并覆盖活动 brief、内容标准、固定费用加佣金的付款结构、保留条款，以及 ROAS、CPA、互动率和归因冲突的处理。 技能效果 为二十个达人搭追踪方案时，它设计了唯一折扣码加UTM的归因体系，并分渠道给出加投决策。 达人合作做了一堆，却说不清赚没赚 很多品牌的达人合作停留在"零散赠品换内容"的状态：找谁靠感觉，谈什么口头约定，效果只看播放和点赞。当合作扩到十个、二十个以上时，问题集中爆发——交付物和 brief 不统一，链接和折扣码各管各的，到了月底想算这笔投入到底带来多少销售，归因对不上、折扣码还可能外流，最后只能含糊地说"应该有效果"。 零散合作 口径乱 · 算不清 ROI 效果型项目 统一 brief / 交付 唯一链接 / 折扣码 ROAS / CPA 可衡量 这个技能能管哪几件事 它把达人合作当成一条完整的效果链路来管理。选人阶段，它按 Nano、Micro、Macro、Mega 层级选择符合目标的达人，并评估受众契合度、品牌适配度和评论质量；配置阶段，它指导在 Shopify Collabs、Meta 合作广告、TikTok Spark Ads 等原生工具里建立唯一 UTM 链接、折扣码、内容 brief 和交付物追踪；衡量阶段，它用 ROAS、CPA、互动率和微转化率评估活动绩效。它还覆盖固定费用加佣金的付款结构、内容质量标准和保留条款，以及归因冲突的处理。 选达人Nano→Mega 配置追踪UTM/折扣码 付款结构费用+佣金 衡量绩效ROAS/CPA 用前须知 该技能无需专用 API Key。但实际执行落地需要相应平台的账号权限，例如 Shopify Collabs、Meta Ads、TikTok Spark Ads 或第三方达人平台——技能负责出方案与口径，配置和投放仍在你的账号里完成。 怎么用它 用法是把你当前的合作规模和要解决的问题用自然语言交给它。例如可以这样对它说： 可以这样对它说 "我们有二十个达人合作，按佣金和折扣码搭一套追踪方案，再看加投谁。" "为新品找一批微型达人，顺便写清交付物和 brief 要点，别漏披露。" "这批达人 ROAS 不清楚，按链接、优惠码和内容成本一起重算。" 它适合这些场景：品牌同时管理十个以上达人合作、需要统一 brief 和交付追踪；投放团队想把自然表现好的达人内容加推为付费广告；电商品牌要从赠品合作转向固定费用加佣金的绩效结构；以及归因偏低或折扣码外流时，排查链接、贴纸和优惠码规则。 大家常问 达人营销和传统广告投放最本质的区别是什么 底层逻辑不同：传统广告靠买媒体位曝光、单向触达，本质是"我说我好"；达人营销借达人的内容信任背书、双向互动，本质是"他说我好"。前者拼曝光频次和转化率，后者拼信任度与内容共鸣，两者互补而非替代。 头部达人、腰部达人和尾部达人的区别是什么，怎么判断该用哪一档 三档差的是内容资产规模、流量稳定性和商务成熟度：头部出背书与品牌声量，腰部转化效率与粉丝粘性最高，尾部成本低适合铺量测款。判断核心不是预算，而是品决定人——新品/非标品配腰部深讲，成熟大通货配头部收割，低客单冲动消费配尾部铺量。 达人投放里说的 ROAS 和 CPE 到底是什么意思，两个指标该怎么配合着看 ROAS=广告收入÷投入，衡量结果卖了多少钱；CPE=花费÷互动次数，衡量内容能不能激发点赞评论收藏。先看 CPE 判断内容质量，再看 ROAS 判断转化效率：CPE 是门槛、ROAS 是终点，两个都好才值得加投，一个差就要针对性优化脚本或选品。 为什么固定费用加佣金的达人合作结构，比单纯赠品或一次性买断更可控 它把风险从"签约那一刻集中"摊到合作全周期。纯赠品下达人没履约动力，一次性买断下内容发布完激励就结束；固定费用+佣金让达人有保底愿意投入创作，佣金又把达人收入和品牌实际转化绑定，激励对齐持续到推广周期结束，预算压力前轻后实。 想用上这个技能？ 「达人营销活动管理」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 画科研论文配图
「科研绘图」是「龙虾部署大师」技能市场中的图表绘制技能：面向论文投稿和学术报告，把数据类型、目标期刊、图表类型和标注需求转化为出版级图表，覆盖期刊样式配置、色盲友好配色、线图/柱图/散点图/箱线图/热图生成、多面板布局与显著性标注，并导出 PDF、PNG、TIFF、EPS、SVG 等格式。 技能效果 把三个处理组、五个时间点的实验序列交给它画图，它生成了 Nature 单栏线图，用 Okabe-Ito 色盲友好调色板配上不同标记形状，附完整的 Matplotlib 代码。 论文配图，为什么总在投稿前返工 实验数据有了、图也画了，临到投稿却常常被打回重做。问题多半出在格式细节上：期刊对图的尺寸、字号、线宽各有硬性规范，默认画出来的图往往不达标；配色没考虑色盲友好，多组数据在审稿端难以区分；要带误差棒、显著性标注、面板编号的综合图，手动拼一遍既慢又容易不一致；最后还要同时交矢量图和高分辨率位图。这些调参工作琐碎又反复，常常吃掉投稿前最后的时间。 投稿前常见的图表问题 尺寸字号不达标不符期刊规范 配色难区分非色盲友好 标注手动拼误差棒/p值/编号 还要同时交矢量图 + 高分辨率位图 调参琐碎反复 → 投稿前返工 这个技能能帮你产出什么 它把"出版级图表"所需的格式工作打包成一套方案。样式上，按 Nature、Science、Cell 等期刊规范配置图表尺寸、字号与线宽；配色上，提供 Okabe-Ito、Wong、Paul Tol 等色盲友好调色板；图型上，支持线图、散点图、箱线图、热图以及多面板组合图，并能添加误差棒、显著性标注和面板编号；导出上，可同时生成矢量图（PDF、EPS、SVG）和 300dpi 位图（PNG、TIFF），满足投稿要求。整套流程让研究者少做手动调参，图表也更便于后续复现。 期刊样式尺寸/字号/线宽 色盲友好配色Okabe-Ito/Wong 绘图 + 标注误差棒/p值/面板 导出多格式PDF/PNG/TIFF/EPS/SVG 导出格式常见用途 PDF / EPS / SVG矢量图，缩放不失真，多用于正式投稿与排版 PNG预览、汇报演示和文档内嵌 TIFF（300dpi）满足期刊对位图分辨率的硬性要求 用前须知 该技能需要 Python 环境并安装 matplotlib、numpy、seaborn、Pillow，无需 API Key。若图表要用 Arial / Helvetica 等字体，应在系统中预先安装，否则需使用替代字体。出图依据你提供的数据，数据准确，图表才如实。 怎么用它 用法是把数据、目标期刊和图表要求用自然语言说清楚，让它直接出图。例如可以这样对它说： 可以这样对它说 "这组实验时间序列画成 Nature 单栏的线图，配色要色盲友好一点。" "把两组箱线图和误差棒合成双栏多面板，还要标上显著性 p 值。" "论文补图需要 PDF 和 TIFF 两版，字号和线宽按期刊规范统一设置。" 它适合这些场景：实验数据需要整理为符合 Nature 单栏或双栏要求的论文图表；多组结果需要在同一图中用色盲友好方案清晰区分；科研汇报需要带误差棒、显著性标注和面板编号的综合图；投稿前需要同时生成 PDF 矢量图和 PNG/TIFF 预览文件。 大家常问 论文配图为什么在投稿前容易被打回返工？ 返工多出在格式细节：图表类型与数据关系不匹配、配色非色盲友好、误差棒未标含义、分辨率或矢量格式不达标，以及没逐条核对目标期刊的尺寸、字号、线宽规范。投稿前按这几项自查，能大幅降低被退改的概率。 科研图的配色为什么要做成色盲友好？ 约8%的男性、0.5%的女性存在色觉缺陷，红绿色盲最常见，红绿对比在他们眼中几乎无法区分。科研图首要是准确传递信息，因此应避免只靠颜色区分，配合形状、线型或直接标注，并保证转灰度后仍可分辨。 科研图导出时，矢量格式和位图格式有什么区别？ 矢量格式用数学描述线条与文字，无限缩放都清晰，适合统计图表，是投稿首选；位图由像素构成，清晰度靠分辨率（一般≥300dpi），适合显微照片、电泳胶图等连续色调图像。线条文字图优先矢量。 图里的误差棒和显著性标注分别说明什么？ 误差棒反映数据的变异或估计的不确定性（标准差/标准误/置信区间），须在图注注明用的是哪种；显著性标注表示组间差异是否达到统计显著（如*、**、***）。两者互补不能互相替代，误差棒重叠也未必不显著。 想用上这个技能？ 「科研绘图」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