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。
怎么回复crush的消息
「聊天关系助手」是「龙虾部署大师」技能市场中的关系沟通技能：作用是在约会、暧昧和亲密关系的聊天里帮你优化消息回复、分析对话信号、还原截图内容并给出约会建议——它先识别请求属于回复教练、关系分析、约会方案还是截图提取，再结合本地的用户与对象档案给出推荐回复、备选语气、风险提示和后续分支。 技能效果 面对对方一句“哈哈”，它给出三种不同语气的接话版本，并说明各自适用的聊天氛围。 聊天卡壳时，到底难在哪 难点不在于不会打字，而在于拿不准分寸。和 crush 的聊天里常见三种卡点：一是回复时机和语气难拿捏，crush 一句"哈哈"该怎么接才不显得太急、又不冷场，往往要在对话框里删删改改；二是看不清关系信号，最近聊天是变冷了还是只是忙，对方主动性的变化意味着什么，凭感觉容易误判；三是上下文容易断片，跨越多天的对话和不同对象的偏好混在一起，建议前后不一致就显得不真诚。 同一句消息，三种语气分支 对方："哈哈" 轻松接梗 温和延续 试探推进 每种都附：风险提示 + 下一步分支 尊重、低风险、不越界 这个技能能帮你做什么 它把"该怎么回、关系到哪一步了"拆成可参考的判断。它维护本地的用户档案、目标对象档案和长期记忆，从而在多轮对话里复用关系上下文，让建议保持连贯。具体能力分四块：为回复、开场白、私信和改写提供多种可直接复制的方案，并标好不同语气；从聊天截图里提取出可确认的文本，先帮你还原对话、再基于确认的内容给建议；输出关系信号分析，判断升温降温和健康的推进节奏；给出低风险的下一步动作和约会邀请文案。每次会话的摘要会写入本地日志，以保持后续建议一致。它在设计上强调尊重对方、避免操控、骚扰或越界，推进节奏保持低风险。 识别请求类型 回复/分析/约会/截图 读本地档案 复用长期上下文 多语气方案 + 风险与分支 写入 日志 用前须知 该技能无需外部 API Key，依赖 Python 辅助脚本维护本地 Markdown 状态，截图分析需要运行环境支持图像读取，所有记忆默认写入本地目录。它给出的是沟通参考与表达建议，最终怎么回、是否推进由你自己决定；它不会替你做出操控或越界的行为，也建议把尊重对方放在第一位。 怎么用它 用法是把对方的消息、聊天截图或你的目标用自然语言交给它，它会给出可复制的回复和判断。例如可以这样对它说： 可以这样对它说 "crush 刚回了一个'哈哈'，我该怎么接才不显得太急？给三种语气版本。" "这几张聊天截图先帮我整理成对话，再判断 crush 是不是在降温，然后写一句回复。" "把周末约 crush 吃饭的消息写得自然点，别像模板，带点轻松的试探和分寸。" 它适合这些场景：收到 crush 的消息后，想快速挑一个合适语气的回复；想判断近期聊天变冷、对方主动性变化或关系推进是否健康；上传聊天截图、希望先还原对话再分析下一步；以及计划约会却缺地点、预算和邀请话术的时候。 大家常问 暧昧期对方回复变冷的常见信号有哪些？ 常见三类信号：一是参与度下降，对方连续多轮不发起新话题、不反问、回复变短；二是节奏改变，间隔拉长且内容质量同步下滑（单纯忙碌通常只是间隔变长）；三是情感标记减少，"哈哈""好呀"等语气词密度持续下降。聊天关系助手把这些维度做成纵向基线对比，再结合依恋模式给出回应建议。 焦虑型依恋和回避型依恋在回消息节奏上有什么核心区别？ 焦虑型偏快且密集，对已读不回高度敏感，未回时容易补发追问、圆场或自责；回避型偏慢且波动大，无关话题可能秒回，涉及情感亲密就显著延迟，且很少为连接本身主动发起。聊天关系助手会分析回复时间分布与消息链结构，区分两种依恋驱动，避免把"她的催"和"他的躲"误读成性格问题。 约会邀请话术听起来像模板会带来什么问题？ 模板话术会破坏沟通中的真实性信号：缺乏对双方互动历史的引用、努力痕迹缺失、还会触发对方的"脚本识别"防御，让邀请被归到客服或搭讪模板里。聊天关系助手在写邀请时会接住此前聊过的具体话题、保留低压力的开放结尾，让对方拒绝有退路、接受有理由。 聊天截图里要看哪些信息才能判断对话是在升温还是降温？ 主要看三层：一是回应深度，长句、引用对方旧话、共鸣式接话偏升温，"嗯""好""知道了"等闭合回应偏降温；二是自我表露层级，从日程话题向感受、脆弱话题渗透是升温，回退到表层是降温；三是修复尝试是否被接住，连续示弱无回应就明显降温。聊天关系助手做截图转写后会按这三层交叉判断。 想用上这个技能？ 「聊天关系助手」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。
怎么让 AI 代理不忘事
「主动式任务代理」是「龙虾部署大师」技能市场中的代理架构技能：作用是让 AI 代理具备主动性、持久性和自我改进能力。它通过 WAL 写前日志、SESSION-STATE、工作缓冲区、压缩恢复、统一搜索、Heartbeat、自主 cron、工具迁移检查和安全加固，解决上下文丢失、状态漂移、只响应不行动等问题，遵循"先记录关键事实再响应、先验证机制再报告完成、先穷尽方法再求助"的原则。 技能效果 让它以后所有稿子都改用蓝色主题，它把这条偏好写进本机的记忆文件并确认已记录，往后相关产出都会自动沿用蓝色。 代理为什么会忘事、跑偏、只等指令 长期跑一个 AI 代理，常会遇到三类问题：一是忘事——上下文一被压缩，之前定下的偏好、客户名、接口地址就丢了，下一轮又回到旧值；二是漂移——纠正过的事实没被持久记录，过几轮又被覆盖，状态慢慢偏离真实情况；三是被动——只在你提问时才动，不会主动巡检、自检或推进任务。这些都不是模型"不够聪明"，而是缺一套记录、恢复和主动检查的机制。 没有机制：上下文一截断，关键值就丢 记下：蓝色主题 上下文压缩丢失 又回到红色稿 有 WAL + 缓冲区：先落盘，再响应，可恢复 WAL 写前日志 → SESSION-STATE → 压缩后从工作缓冲区恢复 这个技能能帮你建立什么 它是一套给代理用的架构方法，把"会忘、会偏、太被动"逐个补上。核心能力有四块：一是通过 WAL 协议，在响应之前先把纠正、决策和关键值记录下来，做到"先落盘再开口"；二是用工作缓冲区和压缩恢复流程，应对上下文被截断的风险，压缩后还能恢复最近任务与关键细节；三是设计 Heartbeat、自主 cron 和反向提示等主动检查机制，让代理会定期自检、刷新记忆、后台巡检，而不是只提示不执行；四是提供安全加固、自我改进护栏和工具迁移核对清单，约束代理在演化时保持稳定、可解释、可复用。它强调先验证机制再报告完成、先穷尽多种方法再请求帮助。 先记录WAL 写前日志 可恢复工作缓冲区 主动巡检Heartbeat / cron 自我改进护栏先验证再完成 用前须知 该技能需要代理具备文件读写权限和 Python 3.8+；可选配 memory_search、session_status、cron/scheduler 等能力。它无需固定的 API Key，但依赖所在平台提供的相应能力。 怎么用它 用法是把要让代理长期记住的事实、偏好或巡检要求用自然语言交代清楚，它会先落盘再响应。例如可以这样对它说： 可以这样对它说 "以后这个项目都用蓝色主题，别再沿用红色稿，后面所有稿子都记住，存到本地。" "客户名字是星河云，不是星海云，后面都按这个写，别再混淆。" "接口地址改成这个 URL，后续任务都按新值走，别用旧链接。" 它适合这些场景：希望代理在长期项目中持续记住决策、偏好、人物和任务状态；上下文压缩后需要从工作缓冲区恢复最近任务与关键细节；想配置定期自检、记忆刷新或后台巡检，避免代理只提示不执行；改造代理工作流时，要防止上下文泄漏、工具引用遗漏和未验证就报告完成。 大家常问 为什么 AI 代理跑久了会忘记前面说过的偏好和决定？ AI 代理本质是一段无状态推理循环，记忆只挂在"上下文窗口"和"外部存储"两处。每次触发器唤醒都是新一轮推理，自我规划会聚焦当下目标，先前提到的偏好如果没有显式反思和持久化，就会随着上下文推陈出新自然衰减。遗忘不是缺陷，而是机制本身的产物。 主动式任务代理和普通 AI 助手最本质的区别是什么？ 普通 AI 助手是被动响应，用户不开口就不动。主动式任务代理是目标驱动，它靠触发器（时间、事件、心跳）自主唤醒，按目标函数做优先级排序，自我规划行动路径，执行后跑反思循环和价值评估，关键节点再回到人在环确认，把"等指令"换成了"自己判断该做什么"。 AI 代理里说的 WAL 写前日志是什么意思，为什么要先记录再响应？ WAL 借自数据库的"写前日志"思路：代理在对外部世界产生任何动作之前，先把触发原因、目标得分、行动计划完整写入内部日志。这样规划可审查、过程可回滚、出错可追溯，避免规划没验证就执行、中途崩了找不到一致状态、目标被新信息带偏等问题。 AI 代理报告任务已完成之后，为什么还要先验证再上交？ 触发器只说"该动了"，目标函数只定义"什么算合格"，自我规划只画出"打算怎么走"——这三步都是声明，不是事实。代理实际执行时可能因环境变化偏离路径，反思循环和价值评估必须拿真实产出去对照目标函数，确认中间产出和路径都合规，才能上交，否则只是自报家门。 想用上这个技能？ 「主动式任务代理」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。
SEO 关键词怎么研究？分类搜索意图评估机会看竞对
「SEO 关键词研究」是「龙虾部署大师」技能市场中的关键词与内容机会技能：作用是根据种子词、目标域名或地区，识别搜索意图，结合搜索量、难度和商业价值评估关键词机会，分析竞对的排名词与内容缺口，并解读 SERP 格局，最终给出可执行的关键词优先级、内容缺口和入局或放弃建议。 技能效果 搭跑步鞋关键词体系时，它按搜索意图分类，标注了月搜索量、竞争难度和内容机会级别。 为什么内容做了不少，自然流量却不见涨 问题往往不在写得多不多，而在写之前选错了词。常见的三种偏差：一是凭感觉挑关键词，搜的人很少或难度极高，内容做出来也排不上去；二是只看搜索量，忽略了词背后的搜索意图，把信息型流量误当成能成交的交易型流量；三是不清楚竞品靠哪些词拿到流量，缺口在哪、差距有多大，盲目铺量。三种偏差叠加，内容投资就成了撞运气。 同样写一篇内容，词选得对不对决定结果 搜索量大 + 难度极高 投入大，排不上 有量 + 意图不对 来了人，不转化 适中难度 + 意图匹配 + 竞对缺口 值得投入的内容机会 这个技能能帮你研究出什么 它把关键词研究拆成可决策的几层。意图层面，它按信息型、商业调研型、交易型和导航型给关键词分类，让选词不再只看量；机会层面，它结合搜索量（MSV）、难度（KD）、点击成本（CPC）和意图权重综合评估每个词的价值；竞对层面，它抓取竞品域名的排名词、内容形式和内链策略，找出对方有排名而你缺失的词和页面；SERP 层面，它解读前十结果的规律和精选摘要、FAQ、视频等特性，提出能进入这些位置的机会。 针对不同需求，它提供三种模式： 关键词研究 种子词 → 主题集群 竞对分析 域名 → 关键词差距 SERP 分析 查询 → 入局判断 输出不止是一张词表，而是带优先级的关键词机会、长尾词拓展、主题集群规划，以及"这个词值不值得继续投入内容资源"的明确结论，直接支撑内容投资决策。 用前须知 该技能依赖 web search 与 web fetch 能力，无需 API Key，本地也无需额外运行环境。若需要第三方工具给出的精确搜索量或难度值，可另接 SEO 工具补充数据；技能本身侧重意图判断、机会排序和策略建议。 怎么用它 用法是把研究目标用自然语言说清楚——种子词、目标地区、竞品域名或某个具体查询，它会自动选择合适的模式。例如可以这样对它说： 可以这样对它说 "从零做跑步鞋的关键词体系，按搜索意图、难度和搜索量排出内容机会，关键项标出来。" "分析这三个竞品域名，找出他们有排名、而我们缺失的关键词和页面，重点标注差距。" "看看 best crm software 这个词的 SERP 格局，判断值不值得入局。" 它适合这些场景：从零规划博客或落地页，需要先搭起关键词与内容集群；竞品持续拿到自然流量，要弄清关键词差距和页面策略；某个核心词排名困难，要判断是否继续投入；希望内容进入 AI 摘要或精选摘要，需要优化问答与结构化表达。 大家常问 为什么关键词难度（KD）数字很低，但实际上还是排不上去？ KD 只衡量排名靠前页面的域名权威与外链强度，是单维度估算。它反映"入口有没有强敌把守"，并不告诉你 SERP 的搜索意图匹配、页面级相关性、内容质量阈值这些更决定排名的信号。 关键词聚类和单独围绕一个关键词做优化有什么区别？ 单关键词优化是"一篇页面追一个词"，覆盖窄、易语义孤立。聚类是把一组语义相近的词组织成"支柱页+子话题页"的中心-辐射结构，向搜索引擎传递领域系统性覆盖信号，更契合语义搜索。 搜索意图里的商业调研型和交易型怎么区分？ 核心看用户处在哪个决策阶段。商业调研型带比较逻辑——"对比 / vs / 哪个好 / 评测"，还在选哪个；交易型不带比较——"买 / 购买 / 官网 / 价格"，已决定买谁、只剩去哪买。 看一个关键词的 SERP 格局判断要不要入局，主要从哪几件事看？ 看前十的内容类型一致性、域名集中度、内容格式与时效分布，再看精选摘要、其他人还问、视频轮播等特型区块占位；综合搜索意图匹配、内容差距、权威度门槛与差异化空间决定是否入局。 想用上这个技能？ 「SEO 关键词研究」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。
Vibe营销怎么策划？用高密度提示词批量生成变体做测试
「Vibe 营销策划」是「龙虾部署大师」技能市场中的营销内容策划技能：作用是把 Vibe Coding 的高层意图描述和快速迭代方法引入营销执行——用高密度提示词定义受众、品牌语气、目标和格式，批量生成文案变体，再基于真实反馈调整，并通过注入真实故事和内部数据，降低 AI 内容趋同的风险。 技能效果 给一款AI记账App做首发时，它一次给出五个方向的钩子文案，逐条说明各自打的用户心理，还配了渠道与48小时反馈周期的投放建议表。 AI 批量出文案，为什么越写越像、越投越平 用 AI 量产营销内容，常陷入两个困境。一是品牌语气说不清：只丢一句"语气活泼专业"，AI 无从把握，产出飘忽不定，每条都像模板；二是内容趋同、缺乏记忆点：一批文案读下来腔调雷同，没有真实故事、观点和数据支撑，投出去转化平平。问题不在 AI 写得快不快，而在于有没有把品牌氛围讲到 AI 能执行的程度，以及有没有用真实反馈快速筛掉无效变体。 模糊提示词 "活泼专业" → 千篇一律 高密度提示词 ICP · 语气样本 禁用词 · 真实数据 → 可执行氛围 变体 测试 这个技能能帮你策划出什么 它的核心方法是用高信息密度的提示词，先把营销意图讲透。它会构建包含 ICP、品牌语气、核心目标和格式约束的提示词，并用参考样本、对比描述和禁用词清单，把"品牌氛围"这种模糊的东西转成 AI 可执行的指令。在此基础上批量生成平台适配的文案变体，并设计 48 小时反馈闭环、A/B 测试和变体淘汰规则，靠真实反应快速筛选。它还会识别 AI 腔表达、要求注入真实故事、观点和内部数据来拉开差异，并为战略级或高风险内容保留人工审核节点。 高密度 提示词 批量 变体 48h 反馈 淘汰 迭代 用前须知 该技能无需 API Key 或本地运行环境。使用效果依赖高质量的品牌简报、受众洞察、历史表现素材和人工审核——投入的真实信息越多，变体越有差异化。危机公关、法律合规、金融医疗建议等场景不宜仅依赖该方法。 怎么用它 用法是把 ICP、语气样本、目标动作、平台约束和历史表现用自然语言交给它，它会生成变体并给出测试思路。例如可以这样对它说： 可以这样对它说 "这款 AI 记账 App 要做首发文案，先跑五个不同钩子测 48 小时反馈。" "把这封冷启动邮件改得像真人闲聊，别有广告腔，只留一个清楚的 CTA。" "同一个卖点拆成 LinkedIn 和 X 两版，语气差异和 CTA 都要明显。" 它适合这些场景：初创团队要快速测试多个广告钩子、社媒开头或邮件主题行；品牌语气描述太模糊，要用样本和反例转成可执行提示词；同一活动要分别适配 LinkedIn、X、TikTok 和邮件；内容产出趋同，要注入真实故事、争议观点和内部数据。 大家常问 Vibe 营销和传统营销最本质的差别是什么？ 传统营销是"打磨一句完美文案"的事前判断，靠经验和审批定稿；Vibe 营销是"先描述要传递的感觉，再批量生成多个版本让市场反馈来选"的事后验证。前者交付作品，后者交付一个可迭代的氛围场——你只能控制方向，对不对要看真实反馈。 为什么把品牌语气写成"活泼专业"，AI 写出来的文案还是模板感？ "活泼专业"是品牌人格层级的结论标签，不是可执行规则。AI 拿到形容词只会去召回训练数据里被打过相同标签的范文，再做折中——产出就是"看起来像营销文案"的中庸版。要破模板感，得把语气拆成词汇、句法节奏、信息密度、距离感这些约束规则，AI 才有依据，不是靠贴标签。 AI 批量生成的营销文案越写越像，根因是什么？ 根因是输入信号坍缩——你只给了 AI 产品名、卖点、目标用户这几行结构化文字，丢掉了真实创作时的场景、节奏、情绪、文化语境等非显性信号。AI 没收到"氛围输入"，只能往训练数据里"最典型"的营销模板上收敛，所以所有产出都挤在同一条窄路上，写得越多越像。 Vibe 营销里说的情绪共振，和直白讲卖点到底是什么关系？ 不是二选一，而是互补两层：情绪共振是入口和氛围，决定受众愿不愿意花几秒看下去；直白卖点是落地和转化，回答"为什么是你"。情绪做钩子和筛选，卖点做证据和确认。只讲卖点没人记，只讲情绪没人买——Vibe 营销追求两者兼顾，把卖点嵌进场景，让它在氛围里被自然接收。 想用上这个技能？ 「Vibe 营销策划」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