广点通投放成本怎么用 AI 优化
「广点通投放分析」是「龙虾部署大师」技能市场中的广告数据分析技能：它查询腾讯 ADQ 账户的余额、预算、账户信息、广告组、创意、日报、小时报和实时数据，按账户、广告组、创意三个层级输出消耗、CTR、CPC、转化、转化成本、ROI 等指标，并能生成综合汇总报告与多层监控巡检，识别余额预警、预算耗尽、成本骤升、CTR 下滑和创意异常。它只做查询，不写入、不修改任何投放设置。 技能效果 分析广点通投放时，它按素材算出各自的转化成本，把转化成本高达230元的素材丙标红，并说明异常原因。 每天盯广点通数据，问题出在哪 投放优化的日常是被数据牵着走：早晨要看账户余额够不够、昨天整体消耗与转化如何；创意出问题时要翻创意列表和近期报表找原因；广告组的 ROI、转化成本一波动，又得按层级拆开看。腾讯 ADQ 的后台数据分散在账户、广告组、创意、日报、小时报、实时等多个维度，人工逐个页面翻查既慢又容易漏掉关键异常——余额快耗尽、某个广告组成本突然飙升、转化归零，往往等到影响放大了才被发现。 人工逐页翻 ADQ 后台 账户余额 广告组报表 创意列表 日报 小时报 实时数据 异常常常被翻漏：成本骤升 · 转化归零 · 余额见底 这个技能能帮你看清什么 它把分散在 ADQ 后台的数据整合成可读的分析结果。查询层面，它能取账户信息、余额、预算、广告组列表和创意列表，并获取账户、广告组、创意、日级、小时级和实时六种报表；汇总层面，它生成 summary 综合报告，把账户、报表、广告组和创意表现汇成一份；巡检层面，它执行 monitor 多层巡检，自动识别余额不足、预算耗尽、转化归零、成本突增和 CTR 下滑等异常。所有指标——消耗、CTR、CPC、转化、转化成本、ROI——按账户、广告组、创意三个层级拆得清清楚楚。 账户层 广告组层 创意层 实时/小时 消耗 · CTR · CPC · 转化 · 转化成本 · ROI 对例行巡检尤其有用：它会把余额预警、预算耗尽、成本骤升、CTR 下滑和创意异常逐项标出并排序，让需要优先处理的广告组和创意一眼可见，而不是淹没在大段报表里。 用前须知 该技能需要腾讯广点通的 Access Token 或 OAuth 授权信息，并提供 account_id；长期使用可保存 Token，本地自动刷新。运行依赖 Python 脚本和已构建模块。它只执行查询，不会写入或修改任何投放设置，输出的分析与异常提示仅供运营决策参考。 怎么用它 用法是把你关心的账户和时间范围用自然语言说清楚，无需记接口名和参数。例如可以这样对它说： 可以这样对它说 "看广点通账户昨天的消耗、转化成本和剩余余额，异常的标红说明，顺带按素材分组。" "巡检这个广告主账户，把预算不足和成本突增的广告组标出来并排序，记一下投放天数。" "拉近七天的创意报表，找出点击高但转化差的素材编号、花费和审核状态。" 它适合这些场景：投放人员早晨快速查账户余额和昨日整体消耗表现；创意审核或转化异常时查创意列表与近 7 天报表；广告组 ROI 或转化成本波动时按账户、广告组层级拆解；以及需要自动巡检预算不足、转化归零、成本骤升和 CTR 下滑的日常监控。 大家常问 在广点通投放数据分析里，oCPM 和 oCPC 这两种出价方式有什么区别？ 核心差异在扣费与优化重心：oCPM 按千次展示扣费、走"展示→转化"全链路，跑量更快、波动小，适合放量期；oCPC 按点击扣费、盯"点击→转化"漏斗，点击成本可控，适合测试或预算有限期。分析时 oCPM 重点看展示量与 CPM，oCPC 重点看 CTR×CVR。 广点通某个广告组的转化成本突然升高，通常说明什么问题？ 很少是单一原因，要逐层排查：先看转化回传是否延迟或骤降导致模型误判，再看是否处于学习期或近期改过出价、定向、素材，接着查自动扩量、人群包过期或排除包失效，最后看素材是否疲劳、某个版位成本异常。趋势比单值重要，断崖式跳升多半是回传故障或模型崩溃。 广点通投放里说的"跑量"是什么意思？素材衰退一般怎么从数据上看出来？ 跑量指广告在单位时间内消耗预算的规模与速度：跑得动说明系统能稳定拿到转化、预算花得出去；跑不动多是出价竞争力不足或竞争激烈。素材衰退的信号是 CTR 连续下滑、触达频次升高（≥3 占比偏大）、消耗趋缓而转化成本上升，通常出现在投放一周后。 广点通投放分析中看的转化成本和 ROI 是什么关系？ 两者是同一枚硬币的两面：转化成本=消耗÷转化数，ROI=转化收入÷消耗。转化成本决定 ROI 的盈亏线，但并非严格反比——一份转化可能带来多笔订单，成本低不一定 ROI 高。分析要同时看趋势：成本稳而 ROI 降，问题在客单价或复购；成本升且 ROI 降，多是人群偏移或素材疲劳。 想用上这个技能？ 「广点通投放分析」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 做全栈开发
「全栈开发」是「龙虾部署大师」技能市场中的应用骨架交付技能：作用是覆盖后端架构、前后端集成、API 脚手架、CRUD 应用和生产硬化。它要求写代码前先确认技术栈、服务类型、数据库、接口协议、实时能力和认证方式，再据此做项目结构、API 客户端、认证、错误处理和实时方案的决策，并按控制器-服务-仓储三层、配置校验、结构化日志、输入验证等模式落地，最后用构建与烟测验证。 技能效果 让它把待办应用做成前后端版本时，它搭出 Express+SQLite 后端、带注册登录的 JWT 鉴权和受保护的增删改查接口，前端三合一页面也一并给出。 搭一套能上线的应用，难在哪一层 从零搭一个带前端、后端、数据库和认证的应用，难点不在写出第一个接口，而在让各层之间的边界、约定和兜底都站得住。后端目录怎么按功能组织、控制器和服务怎么分层、配置如何校验、日志要不要结构化；前端调用 REST、GraphQL 还是 tRPC，返回格式是否统一，跨域和鉴权链路是否接稳；上线前还有健康检查、CORS、安全头、优雅关闭这一串生产硬化。这些环节横跨前后端，任意一层含糊都会让应用"能跑但不稳"。 前端 · 调用协议 / 鉴权 / 返回格式 API 层 · 控制器 / 输入验证 / 错误格式 服务 / 仓储 · 业务逻辑 / 数据访问 数据库 · 配置校验 / 日志 / 优雅关闭 这个技能怎么把应用骨架立稳 它的做法是"先决策、后落地"。开工前，它先收集技术栈、数据库、集成协议、实时和认证需求，把选型敲定；随后针对项目结构、API 客户端、错误处理和认证架构做出明确决策，而不是边写边改。落地阶段，它提供一套成体系的模式：按功能组织目录、控制器-服务-仓储三层、配置校验、结构化日志、输入验证、缓存、文件上传，以及 SSE、WebSocket 等实时通信。上线前再补齐健康检查、CORS、安全头和优雅关闭这类生产硬化项，并通过构建与烟测来验证整体可用。 ① 确认选型栈/库/协议/认证 ② 架构决策结构/错误/认证 ③ 模式落地三层/日志/校验 ④ 生产硬化构建 + 烟测验证 用前须知 该技能无需专用 API Key。具体依赖取决于选型，可能需要 Node.js、Python、Go、PostgreSQL、Docker、Redis 或相应前端框架。建议先把技术栈和数据库确定下来，再交给它做架构决策与落地。 怎么用它 用法是把要做的应用、技术栈和当前痛点用自然语言说清楚，由它先决策、再落地、最后验证。例如可以这样对它说： 可以这样对它说 "把这个待办应用做成前后端都有的版本，带登录、数据库和基础权限。" "现有后台接口太散，按订单模块重做服务层和错误处理，顺便补日志。" "前端调用接口老出跨域和鉴权问题，把链路接稳并理清返回格式，补上测试。" 它适合这些场景：从零搭建带前端、后端、数据库和认证的 CRUD 应用；已有后端服务需要梳理模块边界、错误格式和日志体系；前端要接入 REST、GraphQL、tRPC 或 OpenAPI 生成客户端；产品上线前补齐健康检查、CORS、安全头和优雅关闭。 大家常问 什么是前后端分离？和不分离有什么区别？ 不分离架构里前端模板和后端业务混在一个工程，由服务端渲染整页 HTML；分离架构则把前端和后端拆成两个独立项目，通过 HTTP API 以 JSON 交换数据，前端只管 UI 渲染，后端只暴露接口和业务逻辑。两者最大区别在部署解耦、并行开发，以及前端必须自己管理状态。 搭一套带前端、后端、数据库和认证的应用，为什么难点在层与层的边界？ 每一层抽象模型不同：前端是事件驱动、后端是请求-响应、数据库是集合论与事务，边界处就是这些模型碰撞的地方。前后端契约、状态同步、鉴权令牌传递、ORM 阻抗失配、数据库迁移节奏等问题都不在单层内部，而是发生在层与层的连接处，靠跨层共识才能稳住。 控制器-服务-仓储三层架构是什么？为什么写后端要拆这三层？ 控制器只翻译 HTTP 输入输出、做参数校验和响应包装；服务层编排业务逻辑、控制事务边界；仓储层封装数据访问，屏蔽 ORM 和 SQL 细节。调用方向严格单向：Controller→Service→Repository。拆分之后每层可独立测试、并行开发、单独替换实现，业务一长也不会失控。 为什么 API 上线前要做配置校验、健康检查和优雅关闭这些生产硬化？ 这三项把"意外"变成"可控"：配置校验在启动时把 CORS、连接串、限流这类参数核对一遍，错了直接拒启；健康检查向负载均衡器汇报数据库、缓存等依赖是否真能用，连不上就摘除流量；优雅关闭收到 SIGTERM 后先注销、再等正在处理的请求结束，避免每次部署都甩出一批 502。 想用上这个技能？ 「全栈开发」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。
速卖通供应商怎么评估？五项评分卡加到岸成本核算
「速卖通供应商评估」是「龙虾部署大师」技能市场中的供应商可信度评估技能。它面向 AliExpress、DHgate、Temu 等海外 B2C 采购场景，不只看星级，而是从五项指标判断供应商的红旗、中性与绿旗，并计算到岸成本、识别常见骗局。它根据你提供的店铺信息、报价和评价材料给出结论，不替你联网抓取。 技能效果 评估三家速卖通女装店到美国的成本时，它逐项算出含运费、手续费、销售税的到岸价，再按刷评迹象和响应速度标出红旗风险并排了序。 海外采购选供应商，问题出在哪 跨境采购选供应商有两个容易踩的坑：一是星级高不等于可靠，好评可能是刷出来的，单看综合评分很难判断；二是商品标价不等于到手成本，加上国际运费、支付手续费和进口税之后，最便宜的标价常常不是最便宜的到手价。再叠加虚假物流、下单后加收运费、仿品等风险，仅凭感觉下单风险很高。 这个技能能帮你判断什么 它从三个方面给出结论。第一是可信度评分：用五项指标——店铺资历、粉丝数量、响应速度、好评率、评价质量——分别评估，再归为红旗、中性、绿旗，并按商品价值切换严格、标准、风险三种模式，价值越高判得越严。其中"评价质量"能识别措辞雷同、缺少真实带图反馈的刷评，这是星级掩盖不了的。 店铺资历 粉丝数量 响应速度 好评率 评价质量 综合判定 中性·谨慎 第二是到岸成本核算：它把一件商品落到门口的总成本拆成商品价、国际运费、支付手续费、按目标国家规则计算的关税与增值税，给出一个可复用的核算框架，换数量或目的国都能重算。税费按所给规则估算，真实清关可能有出入。 标价： 商品价 到岸： 商品价 运费 手续费 关税+增值税 真实成本 ≫ 标价 第三是风险识别：它会标出虚假物流（单号长期不更新、轨迹凑数）、下单后加收运费、仿品等风险，并说明万一要退款或平台介入时需要保留哪些纠纷证据；对拿不准的供应商，还会建议先小额下样品单实测再放量。 怎么用它 用法是把判断材料交给它——店铺页面信息、商品报价、国际运费、目标国家的税费规则，以及评价区截图，再用自然语言说清要它判断什么。材料越全，结论越准。例如可以这样对它说： 可以这样对它说 "评估这三家速卖通店铺发到美国的真实到岸成本和风险，含运费、税费，价格写清楚。" "这个耳机供应商评分很高，帮我检查刷评和假货风险，再看看图片评价，类目标清。" "Temu 上这批灯具想小单测试，先查店铺的红旗项和退款窗口，字段都留好。" 它适合这些场景：从速卖通采购转售或代发，需要判断卖家是否可靠；多个供应商卖同款，需要比较价格、评价和样品质量；高价值商品下单前，要在严格模式下排查红旗风险；到货异常或物流疑似欺诈时，要确定平台纠纷的证据和时机。 大家常问 速卖通上同一款产品有好几家供应商，怎么判断哪家更可靠、风险更低？ 别只看星级。用一张评分卡对比五项指标——店铺资历、粉丝数、消息响应速度、好评率、评价质量，逐项判红旗/中性/绿旗，再按商品价值选严格、标准或风险模式。多家供货时还要做反向图片搜索、对比差评，最后从 3 家达标供应商各买 1 件样品验证做工。 速卖通供应商页面上的好评率和评价，为什么不能只看星级评分？ 好评率只是一个综合数字，可被诱导好评、刷单、低客单价刷量拉高，且只反映"满意度"，不告诉你质量是否稳定、是否常发错货。差评看内容比看数量更重要，若多人集中反映同一类问题（掉色、拉链坏、尺寸不对），即使好评率 95% 以上也不宜深合作；带图带视频的评价才是真实质量的锚点。 从速卖通采购转售，到岸成本除了商品价和运费还包含什么？为什么常被低估？ 到岸成本还含关税、增值税/GST、清关代理费、保险、汇兑与支付手续费、退货瑕疵分摊，转售时再叠加平台扣点。常被低估是因为页面只显示商品价和运费，关税/VAT 是到货后才产生的"延迟支付"；低客单价商品里固定清关费占比尤其被放大，一条几美元的商品清关费可能就超过货值本身。 速卖通采购时，哪些信号说明这家店铺可能是骗子或卖仿品？ 高风险信号集中在：开店不足 6 个月、粉丝过少、店名蹭大牌、品类杂乱；品牌商品折扣超零售价 60%、图片全是盗用渲染图、标题写 Original 实为 Compatible；评价全是无文字五星、差评集中在"没收到货/发错货"；以及要求你先关闭纠纷、付款后加收运费、物流单号签收地址对不上。记住"太便宜、太新、太完美"同时出现就跳过。 想用上这个技能？ 「速卖通供应商评估」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。
Shopify商品页转化怎么优化？给移动优先改版和实验
「Shopify 商品页转化优化」是「龙虾部署大师」技能市场中的商品详情页转化技能：它基于你提供的商品页链接、截图和转化数据，检查首屏视觉、信任信号、卖点结构、CTA 和页面速度，输出移动优先的改版建议和 A/B 测试清单，目标是提升加购率与购买率。 技能效果 给一个加购率偏低的蓝牙耳机商品页做转化优化时，它在保留图片的前提下重写了首屏主卖点、信任标识和加购按钮文案，并给出改前改后的对比。 商品页有流量，加购率却上不去 商品详情页是成交前的最后一公里，但很多店铺的页面"有流量、没转化"。问题往往不在引流，而在页面本身：首屏信息层级乱，标题、价格、评价、运费、加购按钮挤在一起，访客一眼找不到重点；缺评价、缺支付保障、缺退货承诺，新访客没有下单的信任理由；产品描述写得又长又满，没人愿意往下扫读；到了移动端，桌面端那套布局直接照搬过来，全宽 CTA 缺位，转化进一步落后。这些都是肉眼能感觉到不对、却说不清该先改哪里的典型情况。 改前：首屏杂乱 → 改后：层级清晰 标题 + 价格 评价 + 信任标识 可扫读卖点 全宽 CTA 加购 这个技能帮你检查和改进什么 它围绕商品详情页的转化要素做一次结构化诊断。首屏层面，它审查首屏视觉、标题关键词、价格透明度、评价展示、卖点表达和 CTA 的完整性；信任层面，它检查安全支付、退货政策、真实评价和专业背书，帮你搭起新访客愿意下单的信任体系；紧迫感层面，它按合规原则设计真实库存提示、促销倒计时和折扣展示，强调不伪造稀缺性；实验层面，它把主图数量、CTA、评价位置、价格格式等做成可执行的 A/B 测试清单。输出是移动优先的改版建议和实验方案，最终指向加购率、购买率和长期信任的提升。 首屏五项查清，逐项给改进与实验 主图数量/角度 标题价格关键词 评价信任背书 卖点可扫读 CTA全宽按钮 移动优先改版 + A/B 测试清单 用前须知 该技能无需 API Key 或代码依赖，分析基于你提供的商品页截图、文案、评价、价格、库存、配送承诺、转化数据和页面速度指标。它给出的是改版建议与实验方案，真正改动页面需要 Shopify 主题或后台的编辑权限。提供的资料越完整，建议越贴合实际。 怎么用它 用法是把商品页的链接或截图，连同当前的转化表现一起用自然语言交给它，由它诊断并给出改版建议。例如可以这样对它说： 可以这样对它说 "这个商品页加购率低，先帮我改首屏卖点、信任标识和 CTA 按钮文案。" "移动端首屏太乱，重新排一下标题、价格、评价、运费和加购按钮的顺序。" "产品描述太长没人看，压成可扫读的卖点，并设计一套首屏 A/B 测试方案。" 它适合这些场景：商品页流量充足但加购率偏低、需要重构首屏信息层级；移动端转化落后桌面端、要压缩文案并强化全宽 CTA；页面缺少评价、支付保障或退货承诺、影响新访客信任；以及促销期间想在不伪造稀缺性的前提下提升购买紧迫感。 大家常问 Shopify 商品页流量不少，但加购率和转化率一直很低，通常是哪些环节出了问题？ 这是典型的漏斗中部断裂，按优先级排查七处：主图太少缺场景说服力、首屏没建立信任（缺评分/支付/退货标识）、CTA 按钮不突出、产品描述只讲功能没讲解决什么痛点、缺真实的紧迫感、运费等隐性成本到结账才暴露、页面加载慢。本技能据商品页链接或截图逐项体检，给移动优先的改版建议和实验清单。 为什么同一个 Shopify 商品页，手机端的转化率往往比电脑端差？移动端首屏要注意什么？ 手机屏幕小、首屏信息密度低，关键信息要滚动两三屏才看到，加上加载更慢、点击成本高、信任信号被折叠，转化常低于电脑端。移动端首屏应在不滚动时就放齐：高质量主图、清晰标题、星级评价、价格、3 条卖点、全宽 CTA 按钮、配送与保障承诺。本技能按移动优先重排首屏层级并压缩文案。 商品页上的库存紧张、促销倒计时这类稀缺性提示，怎么做才算合规、不算虚假营销？ 合规底线只有一条：页面写的都要有后台真实数据支撑，且不同时间看到的逻辑一致、不矛盾。库存提示要对接实时库存、不虚构数字；倒计时终点要等于活动真实截止、归零后不自动重置循环；销量要来自真实订单、不能拿浏览或加购冒充。本技能按合规原则设计真实库存与促销紧迫感，不造假稀缺。 商品详情页的首屏（首屏可见区）一般指什么？为什么大家都强调要把卖点和 CTA 放在首屏？ 首屏指打开商品页无需向下滚动、第一眼就能看到的区域，移动端通常含主图、标题、价格、评分。强调把卖点和 CTA 放首屏，是因为用户注意力在首屏只停留三五秒、能滚到第二屏的约一半，再往后骤降；卖点决定是否感兴趣、CTA 决定是否行动，缺一不可。本技能会审查首屏层级并建议悬浮固定 CTA。 想用上这个技能？ 「Shopify 商品页转化优化」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 拆创业点子做 MVP
「婚礼策划」是「龙虾部署大师」技能市场中的商业想法执行计划技能：尽管名字叫婚礼策划，它实际定义的是一套用第一性原理拆解任意项目构想、并压缩成快速验证计划的流程，作用是把一个模糊的创业点子，输出成 10 倍愿景、48 小时 MVP 范围、内部备忘录和首周作战计划，用强约束推动想法在一周内落到可执行任务。 技能效果 把本地陪诊服务的点子交给它，它拆出48小时MVP的关键里程碑，明确MVP不做App只用微信和人工，并排好第一周工时。 有了想法，为什么迟迟落不了地？ 很多创业点子停在"想"的阶段，不是因为方向错，而是没被逼着收敛。一个 SaaS 或服务构想，常常一开始就背上一长串"应该有"的功能，范围越铺越大，迟迟定不下来先做什么；缺少明确的截止日期和工时约束，验证就被无限期推后。等到真要动手，又会卡在"先做哪个、不做哪个"的取舍上。 问题的根子是：没有人替这个想法做减法，也没有把它压成一个周末就能跑起来的最小版本。结果是热情很多，进度很少。 想法太大 → 强约束压缩 → 周末可跑 功能一大堆 范围发散 第一性原理 48 小时 MVP 最小可验证范围 这个技能能帮你做什么？ 这个技能用强约束的方式逼想法落地。它先解析模糊的构想，直接界定产品、服务、流程或商业模型的假设；再用第一性原理拆解行业惯例、物理边界和真实约束，剥掉那些"大家都这么做"的默认项；然后把范围压缩成 48 小时 MVP，明确限定要用的工具、要做的功能和坚决不做的事；最后输出 10 倍愿景、内部备忘录（Musk Memo）和一张七天任务工时表，把"想法"变成"这周每天干什么"。 界定假设模糊想法 → 明确 第一性原理拆解剥掉惯例 压缩 MVP定工具 / 不做项 首周作战计划每日任务 + 工时 它的特点是不绕弯：信息模糊时直接假设推进、不反复追问澄清，再用截止日期和工时上限倒逼范围收敛。 用前须知 该技能无需 API Key、运行环境或外部服务器。需要明确的是，它实际生成的是商业想法的执行计划，而不是传统意义上的婚礼流程安排——如果你需要的是真正的婚庆筹备，这个技能并不适用。它的工作方式是不追问澄清、直接基于假设输出行动计划。 怎么用它？ 用法是把你的点子或商业目标一句话抛给它，把工时上限和验证目标讲清楚就行。例如可以这样对它说： 可以这样对它说 "我有个本地陪诊服务点子，按 48 小时 MVP 拆执行计划和首周工时。" "这个 AI 简历产品想验证盈利，按第一性原理拆透，再定周末 MVP 范围。" "把宠物寄养平台做成首周作战计划，每周任务别超 70 小时。" 它适合这些场景：创业者想把模糊的 SaaS 点子转成首周可执行计划；团队需要判断一个项目是否具备快速验证和商业化路径；资源有限时要砍掉非必要功能、定义周末 MVP；业务负责人希望用强约束计划，推动七天内交付原型。 大家常问 第一性原理拆解创业点子和传统市场分析的核心区别是什么？ 传统市场分析是归纳法：看现有玩家的份额分布，找空白地带去填补；第一性原理是演绎法：从底层假设出发，推导哪些旧约束会消失。AI 在拆解时充当约束识别器，系统枚举一个底层假设波及的整张约束网络，而不是只看到最直观那一层。 为什么很多创业团队的 MVP 最终做成了完整产品而不是最小验证？ MVP 膨胀成完整产品的根子是范围界定缺乏结构约束：拆解颗粒被当成功能模块而非假设、验证目标被产品目标替换、工时与产出未量化。AI 在这里的作用是构建假设树、把功能裁剪判据从"用户是否喜欢"换成"没有它核心假设能否被验证"。 48 小时 MVP 和最小可爱产品（MLP）的本质差异是什么？ 48 小时 MVP 回答"这能做吗"，靠极短时间窗口验证核心商业假设；MLP 回答"这人会喜欢吗"，在核心交互路径上注入情感共鸣。两者是阶段递进关系：先用 MVP 判断方向，再用 MLP 提升体验。AI 在 MVP 阶段是约束引擎，在 MLP 阶段是创意放大器。 想用上这个技能？ 「婚礼策划」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。
如何用AI写专利申请文件
「专利撰写」是「龙虾部署大师」技能市场中的专利文本起草技能：作用是把一项发明披露，从可专利性预评估，到独立权利要求、从属权利要求与说明书框架的撰写，再到现有技术风险与司法辖区差异的标注，整理成一份可防守、可继续修改的专利草案。它重点覆盖 USPTO 实务，并兼顾 CNIPA、EPO 和 PCT 的规则差异。 技能效果 把一套AI视觉质检流程描述给它，它先从新颖性、创造性逐项评估可专利性风险，再起草权利要求，并提醒咨询专利代理师。 专利申请文件难在哪里？ 专利申请最难的不是有发明，而是把发明写成一份既站得住脚、又有保护范围的法律文本。一份草案要同时回答几个不在同一维度上的问题：这个方案到底新不新、相对现有技术有没有非显而易见的进步、属不属于可授权的客体、说明书有没有充分公开。任何一项没处理好，后续都可能在审查阶段被驳回。 更现实的难点在于权利要求的"范围取舍"。写得太宽，容易被现有技术覆盖而被驳回；写得太窄，又留下大量绕开空间，专利形同虚设。同一发明在美国、中国、欧洲和 PCT 体系下的撰写口径还不一样，发明人和研发团队往往缺少时间逐条比对这些规则。 权利要求范围怎么取舍 范围太宽 易被现有技术 覆盖、被驳回 范围太窄 易被绕开 保护形同虚设 这个技能能帮你做什么？ 这个技能把专利草案的撰写拆成"先评估、再起草、后标注风险"三个环节。预评估阶段，它从新颖性、非显而易见性、专利适格性和公开充分性四个维度,对发明披露做初步判断，把潜在风险先说清楚；起草阶段，它撰写可防守的独立权利要求、从属权利要求，以及方法、系统、装置和计算机可读介质（CRM）的权利要求组合，并搭起背景、摘要、详细描述和多实施例的说明书框架；收尾阶段，它标注现有技术差异、司法辖区差异和权利要求范围取舍，便于形成后续的检索和代理沟通材料。 它还能针对审查意见组织答复：分析现有技术差异、区分发明特征，辅助回应 102（新颖性）、103（非显而易见性）、101（适格性）和 112（公开充分性）类驳回。 发明披露 方案 + 目标市场 可专利性预评估 新颖 / 非显而易见 起草权利要求 独立 / 从属 / CRM + 说明书框架 风险标注 + 代理建议 用前须知 该技能无需 API Key 或本地依赖。但需要明确：它输出的是法律技术草案，不能替代注册专利律师或专利代理师的意见，更不构成正式法律建议。任何正式提交都应由目标法域的专业人员审核定稿，草案中标注的现有技术风险与范围取舍也仅供参考。 怎么用它？ 用法是把发明方案、目标提交体系，或收到的审查意见，用自然语言交给它，无需记忆权利要求的格式规范。例如可以这样对它说： 可以这样对它说 "按 USPTO 口径给这个方案写系统权利要求和三个从属项，别用 means for 的写法。" "这件申请被 103 驳回了，帮我整理区别点和答复思路，按审查意见逐条来写。" "这个软件方案打算走 PCT，先做可专利性预评估，再起草独立权利要求，把现有技术风险标出来。" 它适合这些场景：发明人需要把软件、硬件、机械或生物技术方案转成权利要求草案；提交前想判断最接近的现有技术和整体可专利性风险等级；收到 USPTO 审查意见后需要组织修改、区分特征和答复论证；计划在多个法域提交、需要先比较关键规则差异。它服务于草案准备和风险预评估，最终定稿仍交由专业代理人完成。 大家常问 独立权利要求和从属权利要求是什么关系？ 独立权利要求列出实现发明所必需的全部必要技术特征，从整体上限定保护范围；从属权利要求引用在先权利要求，在其基础上再补充附加技术特征。两者构成一棵权利要求树：根是独立项，分支是从属项，从属项的特征集合是独立项特征集合的超集，用来给出更具体的优选方案或实现方式。 专利说明书里的「充分公开」具体指什么？ 充分公开是中国《专利法》第二十六条第三款的核心要求：说明书要把发明写得清楚、完整，让所属技术领域的技术人员能够照着实现。本质是以公开换保护——披露技术方案换取排他权。每个权利要求特征都必须在说明书里有对应的技术手段、参数或实施例支撑，参数范围还要有中间和端点实施例，否则就构成公开不充分。 USPTO 的 103 驳回和 102 驳回有什么区别？ 102 是新颖性驳回，标准是一份对比文件就公开了权利要求的全部技术特征，看的是「别人已经做过」。103 是创造性驳回，允许多篇对比文件组合，要论证本领域普通技术人员存在组合的教导、启示或动机，并有合理的成功预期，看的是「别人稍微一想就能做」。前者偏事实比对，后者偏法律推理。 想用上这个技能？ 「专利撰写」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