如何用 AI 整理飞书妙记会议纪要
「飞书妙记报告」是「龙虾部署大师」技能市场中的会议纪要整理技能：作用是读取飞书妙记、会议纪要文档或 Wiki 链接，自动提取转写、参会人、时长、AI 摘要和待办，再按摘要、行动项、关键决策、技术风险或按人汇总等目标，生成可保存的结构化报告。输入妙记 URL 和报告需求后，它自动识别飞书与国际 Lark 域名并完成整理。 技能效果 把一场产品评审会的要点交给它，它整理成正式会议纪要，把上线时间、UI出稿、埋点归属等关键决议列清，待办再按负责人分组。 开完会再整理纪要，慢在哪 会议结束后整理纪要是高频且耗神的事：一场会几十分钟甚至几小时的转写，人工通读、归纳决策和待办，往往要花掉与开会差不多的时间；不同人整理的口径还不一致，有人记成流水账，有人漏掉责任人，导致纪要难以复用；技术讨论里方案分歧、未解问题散落在长文本中，靠人眼很难快速聚焦。结果是纪要要么不及时，要么不可靠。 长篇转写 关键决策 行动项 + 责任人 风险与未解问题 这个技能能帮你整理出什么 它把一条妙记链接变成一份团队能直接读的纪要。核心能力有四块：一是解析妙记、docx、Wiki 和国际 Lark 链接中的会议 token，定位到正确的会议；二是获取转写、元数据、AI 摘要、行动项和原始统计字段；三是按你的需求生成会议摘要、待办清单、关键决策或按人汇总等不同形态的报告；四是在转写为空时按优先级使用 AI 摘要或原始字段兜底，不至于无内容可输出。把"散落在长转写里、且口径不一的信息"转成结构稳定、可保存复用的报告。 妙记 URL + 报告需求 飞书妙记报告 提取 + 兜底 结构化纪要 摘要 / 待办 / 决策 按人汇总 可保存报告 用前须知 该技能运行时只用 Python 3 标准库，无需手动配置 API Key 文件，但需要 AI agent 已建立飞书连接，并具备 minutes、vc、docx、wiki 相关的只读或导出权限。流程会先确认 URL 和报告用途，权限或来源有问题时会按脚本诊断给出可追踪的提示。 怎么用它 用法是把妙记链接和你想要的报告形态用自然语言交给它，无需自己读转写、记字段。例如可以这样对它说： 可以这样对它说 "这条飞书妙记链接整理成会议纪要，重点写决定和待办，按负责人分组。" "从这个妙记里按发言人汇总，每个人说了什么要清楚，不要混在一起。" "老板只看一页，把这场会的转写压成结论和风险，控制在一页内。" 它适合这些场景：会议结束后要快速生成团队可读的纪要；管理者想提取关键决策、开放问题和责任人后续动作；技术讨论较长、需要聚焦风险和方案分歧；多人发言要按人汇总各自的主要观点和立场。 大家常问 为什么飞书妙记的转写不等于一份会议纪要？ 转写只是把每段音频通过 ASR 转成带时间戳的逐句文字流，里面有语气词、重复和修正，按时间轴平铺，没有决策、责任人、风险这些维度。会议纪要要在转写之上再做语义结构化与报告骨架组装，转写本身只是原料。 飞书妙记报告里的"按人汇总"是什么意思？ 按人汇总是以发言人为主线重新组织内容：把同一个人在会议不同时间段的发言合并到一起，给出每个人的几条要点和待办，而不是按时间顺序罗列对话。它依赖说话人分离的 Speaker ID 与按人归集结果，方便快速看清谁说了什么、谁负责什么。 飞书妙记里的"行动项"和"关键决策"指的是什么？ 行动项是会议中明确分配或认领的待办，结构上含负责人、具体内容和截止时间。关键决策是会议达成的最终结论或选定方案，比如多个选项中确定一条路、就争议达成一致。两者在报告骨架里各自独立成块，由结构化提取从转写里抽取。 飞书妙记的 AI 摘要和结构化会议报告有什么区别？ AI 摘要走轻量管线，做完语义分段后直接取段落级摘要拼成要点列表，定位是快速浏览。结构化会议报告在此基础上再走一步报告骨架组装，把内容归到会议概览、核心讨论、待办、关联资源等模块，并锚定到转写时间戳，便于归档与跟进。 想用上这个技能？ 「飞书妙记报告」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查天气
「天气查询」是「龙虾部署大师」技能市场中的天气获取技能：作用是按城市、机场代码或坐标查询当前天气和预报，返回天气状况、温度、湿度、风向风速、月相等信息，默认使用 wttr.in 输出简洁文本、紧凑格式、完整预报或 PNG 图片，必要时改用 Open-Meteo 的 JSON 接口作为备选，适合快速查询、出行准备和程序化天气展示。 技能效果 查杭州明天天气时，它把早晨与傍晚分开，分别给出降雨概率、湿度和风力。 查天气，为什么也值得做成一个技能？ 看一眼今天几度并不难，难的是把天气信息按需要的形式取出来。出行前想知道的不是一个温度数字，而是"早晚分别冷不冷、周末适不适合户外、风力湿度怎么样"；做报告或看板时，又希望天气以固定格式嵌进去，而不是每次手动复制粘贴；偶尔还需要一张天气图片用于分享或展示。 普通天气网站给的是给人看的页面，既不方便按字段取用，也不适合放进自动化流程。把查询、格式和数据源统一成一个技能，正是为了让"取天气"这件小事变得可控、可复用。 同一份天气，多种取用形式 简洁文本 ☀ 紧凑格式 嵌入看板 PNG 图片 报告 / 分享 JSON 程序处理 这个技能能帮你做什么？ 这个技能默认通过 wttr.in 查询，支持按城市名、机场代码（如 JFK）或经过编码的地点取天气；可以按格式返回温度、湿度、风速、地点、月相等指定字段，输出形式覆盖当前天气、今日预报、完整预报和 PNG 天气图。需要程序化处理时，它能改用 Open-Meteo 的坐标接口返回 JSON，结构清晰、便于嵌入脚本或看板；当 wttr.in 不稳定时，Open-Meteo 也充当备选数据源，保证查询不中断。 地点 + 单位 + 输出格式 天气查询 wttr.in 主源 Open-Meteo 备选 天气字段 温度 / 湿度 / 风速 月相 / 预报 输出 用前须知 该技能无需 API Key。但需要可访问 wttr.in 或 Open-Meteo 的网络环境，并具备 curl 或等效的 HTTP 请求工具；城市名含空格时需要进行 URL 编码。预报数据来自第三方服务，仅作出行和展示参考。 怎么用它？ 用法是把地点、关心的指标和想要的单位说清楚，要图片或要分时段也直接讲。例如可以这样对它说： 可以这样对它说 "查一下杭州明天会不会下雨，顺便看风力和湿度，早晚分开说清楚。" "纽约这周天气按华氏度说，周末适不适合徒步，白天夜里分别看。" "用机场代码 JFK 查当前天气，温度和风速都要有，按英制单位显示。" 它适合这些场景：想快速查看某城市当前温度、天气、湿度和风速；脚本或看板需要以固定格式嵌入天气摘要；需要生成天气 PNG 图片用于报告、分享或可视化；以及在主数据源不稳定时改用 JSON 接口获取数据。 大家常问 为什么不同来源的天气预报对同一天的结果会不一样？ 天气预报底层是数值模型，不同机构的初始观测、模型分辨率和物理参数化方案都不一样，加上大气本身的混沌特性，初始条件的微小差异会被放大，所以同一天的预报结果会出现差异。 体感温度和实际温度的差别是什么，怎么用来判断穿衣？ 实际温度只是空气温度计的读数，体感温度还叠加了湿度和风速对人体散热的影响。夏天高湿会让体感比实际更热，冬天大风会让体感更冷，穿衣建议要按体感来分层，而不是只看实际气温。 暴雨橙色预警和黄色预警在出行决策上有什么区别？ 黄色预警对应"谨慎出行"，降雨量较大但未到致灾临界，可规划备选路线后出门；橙色预警的小时雨强和内涝、山洪风险显著升高，建议非必要不出行，已在外的人优先就近避险而不是继续移动。 想用上这个技能？ 「天气查询」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 写学术论文
「学术论文写作」是「龙虾部署大师」技能市场中的论文写作技能：以目标确认、文献整合、大纲规划、内容撰写、质量评估五步推进，可导入文献、整理文献矩阵、生成章节大纲和论文初稿，并按 APA、MLA、Chicago、GB/T 7714 等格式处理引用，最终输出可提交的 DOCX 文档和质量评估报告。 技能效果 给它三篇英文文献，它补全了 GB/T 7714 引用格式，整理成中文综述并附上摘要框架。 从一堆文献到一篇初稿，难在哪 很多研究者卡在"文献都读完了，却迟迟动不了笔"。难点集中在三处：一是结构，章节怎么排、论证逻辑怎么串，不同学科和不同期刊的模板各不相同；二是引用，文内引用与参考文献列表要严格对应某种格式（APA、国标 GB/T 7714 等），一处格式不统一就要返工排查；三是规范，字数、分区、术语和语言风格都有硬性要求。写作本身已经费力，规范化和排版又额外消耗大量精力。 写作前的三道坎 结构 章节 / 论证逻辑 引用 格式 / 文内对应 规范 字数 / 分区 / 语言 三道坎叠加 → 读完文献仍迟迟动不了笔 规范化与排版额外消耗精力 这个技能能帮你做到什么 它把论文写作拆成五步可推进的流程，并在每一步给出可用的产物。先确认论文类型、学科领域、目标格式和字数等写作规范；再整理文献矩阵，把已有文献按主题和论点归位；接着按学科模板生成章节大纲、设计论证逻辑链；随后撰写各章节内容；最后生成 DOCX 文档，并按结构、内容、规范、语言四个维度评分。整套流程适配理工科、人文社科、医学和商科等不同学科结构。 目标确认 文献整合 大纲规划 内容撰写 质量评估 在引用环节，它支持把文献数据批量转换为指定格式并嵌入正文，常见格式覆盖如下： 引用格式常见适用场景 APA心理、教育、社会科学类期刊与学位论文 MLA / Chicago人文社科、文学与历史方向写作 GB/T 7714国内高校学位论文与中文期刊的国标引用 用前须知 该技能需要 Python 环境及本地脚本 citation_formatter.py、paper_template_filler.py，DOCX 输出依赖模板资产。无需外部 API Key，但需要你提供文献数据与明确的格式、字数等写作要求。它负责把材料整理成规范文本，论文的事实与观点仍应由作者把关核实。 怎么用它 用法是把已有文献、目标格式和写作任务用自然语言交给它。例如可以这样对它说： 可以这样对它说 "把这些文献整理成中文综述，引用格式按国标补完整，再写一份摘要框架。" "按医学期刊格式写影像诊断论文的引言，突出研究空白和创新点。" "论文第三章结构有点乱，帮我重排小节逻辑、引用和段落过渡，避免断层。" 它适合这些场景：已有文献检索结果，需要整合成期刊论文或学位论文初稿；目标会议或期刊格式明确，需要快速规划章节结构和引用规范；博士或硕士论文某一章节需要补充实验设计、讨论或结论；需要把文献数据批量转换为指定引用格式并嵌入正文。 大家常问 一篇规范的学术论文，IMRaD 结构通常包含哪几个部分，每个部分主要写什么？ IMRaD 指引言、方法、结果、讨论四部分：引言交代背景并引出研究空白与研究问题；方法详述设计、样本与分析，要保证可重复；结果只客观呈现发现、不作解释；讨论再把结果与文献对话、阐释意义并坦陈局限。 论文里的文献综述部分，基本结构是什么，应该写哪些内容？ 文献综述多采用漏斗式结构：先交代宏观背景与概念，再按主题或方法分类综述，遵循"观点—证据—评价"，接着点出现有研究的具体空白，最后说明本研究如何填补。关键是分类整合与批判评价，而非逐篇罗列流水账。 论文的摘要和引言有什么区别，各自应该写什么内容？ 摘要是全文的浓缩版、独立可读，按问题—方法—结果—结论四要素写，一般不引用文献；引言则是漏斗式的开场，从背景到文献空白再到研究问题，必须引用文献且不呈现结果。一句话：摘要让人决定是否读全文，引言让人明白为何要做这项研究。 想用上这个技能？ 「学术论文写作」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。
微信小程序开发怎么优化性能
「微信小程序开发」是「龙虾部署大师」技能市场中的原生小程序开发技能：作用是按官方规范生成原生小程序的页面、组件、API 调用、生命周期和路由代码，用 Data Path 局部 setData、wx:key、rpx、分包等手段优化性能，并预防 iOS 日期、页面栈、原生组件覆盖、隐私协议等常见兼容性 Bug，输出符合规范的代码与处理方案。 技能效果 让它写原生小程序登录页时，它给出 wxml/wxss/js 整套代码，串起隐私授权弹窗、wx.login 取 code 和调后端换登录态三个环节。 原生小程序开发，坑都藏在哪 微信原生小程序有自己一套规则，照搬 Web 经验很容易踩坑。性能上，最典型的是把整个数据对象全量 setData，列表一长、页面一滑就卡；图片不做懒加载、不分包，首屏加载也被拖慢。兼容性上，iOS 的日期格式解析和安卓不一样、页面栈层级有上限、原生组件（如 video、map）会盖住普通视图、跳 tab 页用错跳转 API——这些问题往往要等真机上才暴露。还有审核环节，隐私协议、HTTPS、域名白名单、敏感接口配置没补齐，直接被打回。 全量 setData vs 局部 setData 全量更新（卡） 整对象重传 · 渲染开销大 局部更新（顺） Data Path 只更新变化项 这个技能能帮你写什么、避什么 它把原生小程序的工程规范落进具体代码。生成代码方面，它产出符合官方规范的页面、组件、WXML、WXSS 和 JS，使用 ES6+、Component 构造器，遵循 wx:key、rpx、BEM 等约定。API 封装方面，它把 wx 系列 API 封装成 Promise 或 async/await 风格，避免回调嵌套。性能优化方面，它用 Data Path 做局部 setData、优化列表渲染、图片懒加载和分包加载。Bug 预防方面，它针对性处理 iOS 日期解析、页面栈层级、原生组件覆盖、隐私协议配置等已知坑点。当路由跳转、下拉刷新、上拉加载或生命周期行为不符合预期时，它能定位是哪个 API 用法出了问题。 生成代码页面/组件/WXML 封装 APIPromise / async 性能优化局部 setData/分包 Bug 预防iOS/页面栈/隐私 把局部 setData、wx:key、分包这些规范固化进生成的代码，意义在于性能问题不是写完再优化，而是从第一行代码就避开反模式；同理，隐私协议和兼容性处理前置进开发阶段，能省掉审核被打回、真机才暴露问题的来回。 用前须知 该技能无需专用 API Key。实际开发通常需要微信开发者工具、小程序 AppID 和已配置好的请求域名白名单。代码中不得暴露 appid、secret 等敏感凭据。它面向的是原生小程序框架，不适用于 Taro、Uni-app、Vue 或 React 等跨端方案。 怎么用它 用法是把要实现的页面、组件需求或遇到的问题用自然语言交给它，由它产出符合规范的代码或定位 Bug。例如可以这样对它说： 可以这样对它说 "写一个原生小程序登录页，用 wx.login 并处理隐私授权弹窗。" "这个列表页滚动很卡，改成局部 setData 和图片懒加载写法。" "小程序跳转到 tab 页失败，检查 navigateTo 用法哪里错了。" 它适合这些场景：需要开发登录页、列表页、详情页或自定义组件的原生实现；小程序页面滑动卡顿，要优化数据更新和资源加载；路由跳转、下拉刷新、上拉加载或生命周期行为不符合预期；审核前要补齐隐私协议、HTTPS、域名白名单和敏感接口配置。适合微信小程序原生开发者、前端工程师、技术负责人，以及需要在官方框架内实现页面、组件和性能优化的产品技术团队。 大家常问 为什么微信小程序列表一长、用 setData 更新就会卡？ 小程序是逻辑层与渲染层双线程隔离，setData 要把数据序列化后跨进程传到渲染层再做 diff。列表一长却全量 setData，数据体积大、通信和渲染开销都成倍上升，单次超过约 200KB 就会有可感知卡顿。改成 Data Path 局部更新、只传变化项才顺。 微信小程序为什么要做分包加载，主包 2M 限制是怎么回事？ 主包限制 2MB 是为了保证冷启动时下载、解压够快，给用户"秒开"体验。分包加载把按业务划分的页面拆成子包，启动时只下载主包，用户首次进入分包页面才动态下载对应子包。这样主包瘦身、首屏更快，整包还能放下更多功能（总和有上限）。 微信小程序的云开发是什么，和自己写后端服务有什么区别？ 云开发是小程序生态内的后端即服务套件，把云函数、云数据库、云存储打包好，不用自己买服务器、配域名和 HTTPS、做运维。区别在于：自写后端语言、数据库和网络可完全自定义、查询能力强；云开发省运维但受云函数冷启动、查询能力和网络控制的限制，两者也可混用。 微信小程序用 wx.login 授权登录后，登录态是怎么保持的？ wx.login 只返回临时 code，由后端拿去换 openid 和 session_key，再签发自定义 token 返回前端。前端把 token 存进本地 storage，每次请求带上，登录态就靠这个 token 维持。session_key 留在服务端不下发；token 过期时再静默走一次 wx.login 刷新，用户无感知。 想用上这个技能？ 「微信小程序开发」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。
亚马逊跟卖怎么防？识别信号加RAV投诉保护品牌
「亚马逊品牌防护」是「龙虾部署大师」技能市场中的品牌风险监控技能：它梳理品牌备案、Transparency、Project Zero、IP Alert 等保护工具，帮卖家识别跟卖信号、设计测试购买与侵权通知流程、应对虚假 IP 投诉，并建立卖家数量、购物车赢得率等品牌保护 KPI，输出可执行的防护流程、证据清单和风险处理优先级。 技能效果 面对被陌生卖家跟卖，它把测试购买取证拆成六步：下单前后该截哪几张图、怎么提取卖家ID、收货开箱拍什么，最后整理成一份可提交的投诉证据包。 品牌做起来了，麻烦也跟着来了 当一个 Listing 卖出量，跟卖、假冒和恶意投诉往往随之而来：陌生卖家挂上你的链接抢购物车，灰色渠道的仿品稀释品牌口碑，甚至竞争对手发起虚假侵权投诉让你的 Listing 被下架。亚马逊的保护工具不少，但它们各有准入门槛、流程分散，遇事临时去查，常常错过取证和申诉的最佳时机。 这个技能能帮你做什么 它把分散的品牌保护手段整理成一套可执行流程。工具层面，它梳理品牌备案、Transparency、Project Zero、A+ 内容等保护工具栈，说明各自的准入条件和权限；防跟卖层面，它帮你识别跟卖信号、设计测试购买取证、发送停止侵权通知并提交 RAV 投诉；遇到对手的虚假 IP 投诉时，它指导你准备权利证明和反通知材料；日常则帮你建立卖家数量、购物车赢得率、假货评价等 KPI 做持续监控。 品牌防护 备案 / 透明码 / 工具栈 识别跟卖取证 虚假投诉申诉与反通知 KPI 持续监控 它最终给你的，是一份带优先级的行动清单和证据清单——遇到跟卖或投诉时知道先做什么、需要留哪些材料，而不是临时手忙脚乱。整个过程它会贯穿"取证—通知—投诉—监控"的闭环： 发现跟卖/投诉 测试购买取证 通知 / RAV 投诉 日常 KPI 监控 用前须知 该技能无需代码依赖或 API Key，但落地需要你具备有效商标、亚马逊卖家中心与品牌备案权限；Transparency、Project Zero 等工具本身还需满足亚马逊的准入条件。它提供的是流程、证据与申诉策略，具体提交仍在亚马逊后台完成。 怎么用它 用法是把你当前遇到的品牌问题或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 "我的 Listing 被陌生卖家跟卖，按流程准备测试购买证据和卖家 ID。" "竞品投诉我侵权，先判断是不是虚假 IP 投诉，再写申诉材料。" "新品牌要做备案，规划透明码、防跟卖和日常打假节奏。" 它适合这些场景：自有 Listing 被未知卖家跟卖、需要确认是否假冒并提交证据；准备注册品牌备案、想了解商标审批和后续工具权限；遭遇竞争对手虚假 IP 投诉、需要整理申诉和反通知资料；想为重点 ASIN 建立日常监控、预防假货和购物车流失。 大家常问 亚马逊的品牌备案、透明计划（Transparency）、Project Zero 有什么区别，分别防什么？ 三者是层层递进的保护体系。品牌备案是入门门槛，主防别人篡改你的 Listing（标题、图片、描述），并开放专属举报入口。透明计划给每件产品贴唯一防伪码，仓库收货扫码验证、无码不得入库，强力防假货入仓和恶意跟卖。Project Zero 用算法主动扫描并自动移除疑似侵权 Listing，品牌方还能一键自助移除，需备案且举报通过率达标。 自己的 Listing 被陌生卖家跟卖时，怎么判断对方是不是卖假货？ 先看跟卖者卖家资料：注册时间不足 3 个月、Feedback 低于 95% 或数量很少、近期突然大量差评都要警惕。最直接的是用买家号做测试购买（Test Buy），对比包装、Logo、序列号和配件。再算账：跟卖价若低于你的采购+头程+FBA+佣金成本，基本可断定是假货；FBM 自发货且价格明显偏低的风险尤其高。取证后通过 Report a Violation 或真实性投诉举报。 竞争对手发起的虚假 IP（知识产权）侵权投诉，怎么辨认、又该怎么应对？ 虚假投诉常有这些特征：投诉方不是权利人本人、用个人邮箱、文案模板化；不提供具体侵权证据，或所称商标/专利号可在官方数据库查到已失效、保护类别与你的产品无关；且多在大促前集中批量发起。应对要快但别情绪化：先 30 分钟内冷静自检是否真侵权，再收集在先使用、商标注册、原创底稿等反证，24 小时内提交事实陈述与反通知（Counter-Notice），必要时举报恶意投诉。 亚马逊为什么允许同一个 Listing 被多个卖家共享、形成跟卖，这种购物车机制是怎么设计的？ 这是亚马逊"产品归页面、订单归卖家"的设计：一个 ASIN 对应一个商品页，下面可挂多个卖家报价，由购物车（Buy Box）算法决定优先展示谁。允许跟卖是为了让买家一站式比价、避免成百上千个重复 Listing、促成卖家良性竞争，体现客户至上。Buy Box 归属是一套动态权重算法，综合价格（含运费）、配送方式（FBA 明显优于自发货）、卖家绩效（订单缺陷率、延迟发货率等）、库存可用性和账号健康度，评分相近时还会轮播分配。所以备案只能拿回部分控制权，结构上无法单靠它杜绝跟卖。 想用上这个技能？ 「亚马逊品牌防护」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。
库存需求怎么预测？算安全库存和再订货点定补货基线
「库存需求预测」是「龙虾部署大师」技能市场中的补货测算技能：它根据历史销售、季节性、供应商交期和安全库存要求计算补货基线，输出平均日需求、安全库存、再订货点、ABC 分级、新品估算和过量/缺货成本判断，让采购计划更贴近真实需求，减少断货、积压与资金占压。 技能效果 对三个季节性SKU做补货测算时，它按十二个月销量算出各自的安全库存和再订货点，还点出季节品安全库存为何远高于稳定品。 补货靠拍脑袋，要么断货要么压仓 多 SKU、跨平台经营时，补货很难凭感觉做准：核心 SKU 时而断货、时而积压；节假日和促销季的备货量不知道该放大多少；供应商交期忽长忽短，没纳入计划就容易算空；新品没有历史销量，第一批备多少全靠猜。结果不是断货丢单，就是库存压住现金。 这个技能能帮你算什么 它把补货从拍脑袋变成有依据的测算。它先清洗销售历史，剔除退款、促销和异常峰值的干扰；再算出平均日需求、安全库存和每个 SKU 的再订货点；并用季节指数和 ABC 分类制定不同的复盘频率；对没有历史的新品，用相似产品的代理数据和缺货/持有成本来估算第一批备货。它兼顾异常促销、退货、实际交期和服务水平，让数字更接近真实需求。 历史销量+交期剔除异常/促销 需求测算日需求+季节指数 补货基线安全库存 / 再订货点ABC 分级 / 新品估算 它还用 ABC 分级区别对待——把有限的关注度投到最该盯的那批 SKU 上： A 类 · 少数高贡献，盯最紧、勤复盘 B 类 · 中等，常规复盘 C 类 · 长尾，低频管理 用前须知 该技能无需 API Key 或特定运行时，依赖你提供的销售历史、库存、交期和成本数据。若结合 Shopify、WooCommerce 或 BigCommerce，仅需对应后台权限即可取数。 怎么用它 用法是把要测算的 SKU 和已知条件用自然语言交给它即可。例如可以这样对它说： 可以这样对它说 "根据过去十二个月销量，算这几个 SKU 的补货点和安全库存量。" "Q4 旺季前重新预测库存，供应商提前期也算进去，重点款别断货。" "这个新品没历史销量，用相似款估第一批备货量，上市先保守点。" 它适合这些场景：核心 SKU 经常断货或积压、要重新校准补货阈值；节假日、返校季或促销周期前预测季节性备货量；供应商交期波动大、要把真实到货周期纳入采购计划；新品缺历史销量、要用相似产品和小批量测试估算库存。 大家常问 安全库存和再订货点是什么关系，两者有什么区别？ 安全库存是为应对需求和供货波动而多备的缓冲存量，是一个"数量"；再订货点是触发补货的库存阈值，是一个"信号灯"。关系是 ROP＝前置期需求＋安全库存，即安全库存是再订货点的组成部分。一个负责兜底、一个决定何时下单，互不替代。 为什么算补货量时一定要把供应商交期算进去，不算会怎样？ 交期是下单到到库的时间，不算进去等于假设"下单就到货"。库存看着高于安全库存就不补，可货会在新货到达前卖完，形成断货空白期，导致销售损失、被迫加急运输、平台排名下滑。正确做法是按"日均销量×交期天数＋安全库存"设触发点，交期越长越不稳，安全库存要设得越高。 做销量预测前，为什么要先把促销爆单和退货这些数据剔除掉？ 预测要找的是商品自然状态下的稳定需求，促销爆单和退货都是噪声。促销销量可达日常的数倍，留着会让模型把一次性脉冲当成周期规律、严重高估基线；退货是反向流量且有滞后，会破坏序列的自相关结构。应先剔除得净需求做基线预测，再单独叠加促销增量模型。 全新的产品没有历史销量，备货量是怎么估出来的？ 没有历史数据就用替代数据反推：取同价格带竞品的日均销中位数、核心词搜索量×预估转化率、广告预算推算，三者取较小值再乘新品折损系数（约 0.5），得预估日销。首批量＝预估日销×试销周期＋安全库存，再用可用资金做上限约束。原则是宁可少备分批补，断货可补、滞销难救。 想用上这个技能？ 「库存需求预测」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