程序化 SEO 怎么做？按模板和数据批量产可排名页并监控
「程序化 SEO」是「龙虾部署大师」技能市场中的规模化建页技能：它基于模板和数据批量创建可排名页面，适合模板页、目录页、地点页、对比页、集成页等增长模式；从关键词模式、数据来源和竞争格局入手，设计 URL、标题、页面结构和 Schema 模板，规划内链架构与索引策略，同时守住"每页要有独特价值"的底线，避免门页和薄内容惩罚。 技能效果 为简历模板站规划程序化SEO时，它用多套页面类型叠加，避免薄内容，每类都有独立搜索意图。 想批量铺页面，风险在哪 程序化 SEO 的诱惑很直接：用一套模板乘以一批数据，一次性生成几百到几千个落地页，覆盖海量长尾词。但规模化本身就是风险来源。如果每个页面只是把变量套进同一个壳子、内容彼此雷同，就会被判定为薄内容或门页（doorway page），不仅排不上，还可能拖累整站。真正的难点不是"能不能批量生成"，而是"批量生成的同时，怎么让每一页都站得住"。 模板 × 数据 → 批量页面 模板 × 数据 每页有独特价值 → 可排名 内容雷同 → 薄内容/门页惩罚 同一种乘法，两种结局 这个技能能帮你规划什么 它把程序化 SEO 从"机会验证"一路推进到"技术落地"。机会层面，它评估关键词模式、变量组合、搜索需求分布和竞争可行性，判断哪些组合值得做；选型层面，它从模板、目录、对比、地点、集成等十二类 playbook 中选合适的规模化模式；模板层面，它设计 URL、标题、元描述、页面结构和 Schema 模板；架构层面，它规划 Hub-Spoke 内链、站点地图、索引优先级和质量监控。它始终强调每页必须有独特价值、匹配真实搜索意图、使用子目录结构，并提供上线后的质量检查与监控框架。 机会验证关键词模式/竞争 选 playbook12 类模式 页面模板URL/标题/Schema 内链与索引Hub-Spoke/监控 用前须知 该技能无需 API Key 或特定依赖，但规划要靠你提供业务数据、关键词调研和网站技术栈信息。要把规划变成上线页面，还需要 CMS、前端框架或静态生成能力的配合。它解决的是"页面体系怎么设计"，真正的页面构建依赖你的技术栈落地。 怎么用它 用法是把业务目标、可用数据和页面规模用自然语言交给它。例如可以这样对它说： 可以这样对它说 "为简历模板站规划程序化 SEO 页面，别做薄内容，先定页面类型。" "用城市和服务组合生成落地页，先看关键词模式和内链结构。" "这个工具目录页要扩到几百页，设计 URL 和模板，避免重复内容。" 它适合这些场景：产品拥有大量模板、工具、资料、地点或行业组合页机会；计划上线数百到数千个页面、但要避开重复和薄内容风险；拥有专有数据或用户数据、希望转化为搜索可见的页面资产；需要设计目录页、竞品对比页、集成页或本地服务页架构。它适合 SEO 负责人、增长团队、内容负责人、SaaS 创业者和技术市场团队。 大家常问 程序化 SEO 和普通 SEO 在做法上为什么不一样？ 普通 SEO 是逐篇创作、人工审核，靠单页投入抢头部词；程序化 SEO 改用「模板 + 数据」批量生产，覆盖海量长尾。规模一上来，质量控制就得在模板层做：差异化变量、独立的搜索意图分支、内链网络在模板阶段就规划好，否则页面只会变成关键词替换的复制品。 程序化 SEO 为什么容易踩到薄内容和重复内容惩罚？ 薄内容来自只换关键词的模板、数据量不足撑不起一页，以及全是公开数据拼凑没有信息增量；重复内容则是大量页面正文 60–80% 相似，搜索引擎归入近似重复，索引被选择性忽略。规避的核心不是「藏住模板」，而是让每页都有独立存在理由：差异化数据、意图精确匹配、元数据各自有信息增量。 同样是批量生成页面，为什么有的会被判为门页（doorway pages），有的不会？ 判定门页不看「批量」，看页面是否是用户的信息终点。若内容差异只是关键词替换、句法骨架完全一致、多个页面针对同一意图重复入口，就被算法聚类为门页。安全的程序化 SEO 让差异来自底层数据组合而非文本模板，每页提供完整可消费的信息，并按真实搜索需求量控制生成粒度。 程序化 SEO 里说的 Hub-Spoke 内链结构是什么意思？ Hub 是聚合主题的中心页，Spoke 是辐射出去的细分长尾页；Spoke 全部回链 Hub，相关 Spoke 之间再互链，形成网状结构。它解决程序化 SEO 三个核心问题：权重在主题集群内集中再分发、主题相关性向搜索引擎讲清楚、爬虫能高效发现所有页面而不留下孤儿页。 想用上这个技能？ 「程序化 SEO」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加购增购策略，按场景规划升级套装提客单价
「Shopify 加购增购策略」是「龙虾部署大师」技能市场中的追加销售策略技能：它在产品页、购物车和购后感谢页设计 Upsell 升级与 Cross-sell 互补推荐，按主商品价格、毛利、使用场景和功能互补判断该推什么、推在哪里，目标是提高客单价和每访客收入。 技能效果 为买了瑜伽垫的订单设计购后增购时，它把推荐位放在订单完成的Thank-you页，搭配瑜伽砖和拉伸带的限时组合价，解释了为什么这样不打断主商品下单。 转化稳定了，客单价却抬不动 很多 Shopify 店铺把主商品转化做稳之后，会卡在另一个瓶颈：客单价上不去，每个访客带来的收入有限。问题通常不是没做加购，而是加购做得没章法——升级款和互补品分不清，配件推荐塞在错误的环节打断了下单，购物车里硬塞高价商品反而劝退，购后感谢页这个本该顺手追加的位置又空着。推荐位放几个、推荐什么价位、用什么文案引导，全凭感觉摆，自然带不动订单价值。 两种推荐，对应不同时机 Upsell 升级 同类换更好/更大包装 适合在产品页比对 Cross-sell 互补 配件/搭配品 适合购物车/购后追加 这个技能帮你设计什么 它把加购增购拆成"推什么、推在哪、用什么规则"来系统设计。在类型判断上，它区分 Upsell 升级与 Cross-sell 互补，为每种匹配最合适的展示时机；在关联规则上，它依据功能互补、场景绑定、耗材续购和礼品化组合来设计搭配关系；在推荐位规划上，它覆盖产品页、购物车和购后一键加购三个位置的展示方案；在落地支持上，它给出 Metafields、Recommendations API 和自动折扣的实现思路，并通过推荐位的位置、数量、标题和价格做实验持续优化。它还会守住分寸，比如购后追加的推荐品价格不宜超过主商品的一半，避免决策成本过高。 同一笔订单，三个位置接力提价 产品页 升级款 / 套装 购物车 低价互补配件 购后感谢页 一键追加 用前须知 该技能做的是策略设计，无需密钥即可直接使用。若要把推荐方案落地到 Shopify 原生能力上，需要店铺后台权限，以及 Metafields、Recommendations API 或 Checkout 扩展的配置。它给出的是组合规则与落地思路，实际配置在你的店铺中完成。 怎么用它 用法是把主商品、想提升的目标和约束用自然语言交给它，由它产出推荐组合与展示方案。例如可以这样对它说： 可以这样对它说 "瑜伽垫下单后推荐瑜伽砖和辅助带，出现在加购之后、别打断购买流程。" "购物车里加一个搭配购模块，规则按互补产品、价格和库存一起配。" "购后一键加购想提高客单价，推荐品价格别超过主商品的一半。" 它适合这些场景：主商品转化稳定但客单价偏低，需要设计大包装或升级款推荐；购物车阶段适合补充低价配件、提高订单附加收入；支付成功后想展示低决策成本的商品、实现一键追加购买；以及需要比较 2 个、3 个或 4 个推荐位对点击和收入的影响。 大家常问 电商里说的 Upsell（增购）和 Cross-sell（交叉销售/搭配购）有什么区别？分别适合在什么时候推？ 一句话记：Upsell 是"往上走"、让用户买更好更贵的同类款（如 128G 换 256G），看客单价；Cross-sell 是"往旁边走"、推不同类但相关的搭配品（如手机配壳和充电器），看连带率。Upsell 适合在还在决策的详情页和加购时推，Cross-sell 各阶段都能用、重在购物车和购后。本技能据购买阶段帮你匹配最佳展示时机。 为什么很多店铺转化率稳定，但客单价（AOV）一直上不去？提升客单价一般从哪几个方向入手？ 常见原因是客户愿意买、但不愿一次多买或买更贵：品类本身低频单买、页面缺搭配和升级引导、优惠策略单一、流量偏低价捡便宜。提升客单价可从六个方向入手——搭配套餐与加价购、满减满赠阶梯、升级款大容量、会员储值订阅、详情页购物引导、调整流量结构。本技能据主商品价格毛利和场景设计关联规则。 为什么推荐加购的商品价格不宜超过主商品太多？购后一键加购为什么更适合推低价配件？ 主商品价格会形成心理锚点，加购品一旦比它还贵就触发防御性比价，用户跳出去单独比价、订单流失，转化率随价格比上升而断崖下跌。购后一键加购发生在已付款的瞬间，用户转为"拥有者心态"、只问配不配套不再比价，且无需重走支付、摩擦近零，低价配件决策成本最低、顺手就买，是纯增量。本技能按这些原则设计推荐。 在商品页、购物车、购后感谢页这三个位置做追加推荐，效果和侧重点有什么不同？ 三个位置分工不同：商品页处于浏览决策阶段，推搭配和升级、负责让用户买更多品类，当期转化中等；购物车即将付款，推凑单和强关联，当期转化和客单价拉动最强，但别挡住结算按钮；购后感谢页已付款，推复购钩子和下一场景，当期几乎不增收却对复购很强。本技能会按位置规划推荐方案与数量。 想用上这个技能？ 「Shopify 加购增购策略」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。
本体建模是什么 和知识图谱区别
「本体知识建模」是「龙虾部署大师」技能市场中的知识图谱技能：用实体、属性和关系表示人员、项目、任务、文档、事件等对象，变更以追加日志写入 graph.jsonl，并可通过 schema 约束必填字段、枚举、关系类型和无环依赖，帮助多个技能共享结构化状态并保留可追溯的历史。 技能效果 让它记住“Alice 负责官网改版、关联到三月发布”，它把人物和任务建成结构化本体，连 responsible_for、part_of 两条关系链和查询命令都生成好了。 让 AGENT 记住事情，为什么这么难 让代理"记住"某个人负责什么项目、某个任务被谁阻塞，听起来简单，做起来却容易散。把信息写成自由文本，时间一长就互相矛盾、查不回去；每个技能各自维护一份状态，就成了互不相通的数据孤岛；想表达"任务 A 阻塞任务 B"这类关系，纯文本既存不住结构，也无法做类型检查和合法性校验。结果是记录越积越多，可靠地查询、关联和复用却越来越难。 自由文本记忆 散落的笔记 互相矛盾 技能各存一份 · 孤岛 类型化知识图谱 人员 项目 任务 负责 包含 这个技能用什么方式管理知识 它提供一个类型化的知识图谱：把人员、组织、项目、任务、事件、文档、消息、笔记、账户、策略等都建成带类型的实体对象，再用 has_owner、blocks 这类关系把它们连起来，且关联是幂等的（重复建立不会产生脏数据）。所有变更以追加日志的形式写入技能目录内的 graph.jsonl，因此保留完整的可追溯历史；通过 schema.yaml 可以约束必填属性、枚举值、关系类型、基数以及无环依赖，对知识库结构施加类型检查。查询、遍历和过滤则用来获取任务、依赖、文档与上下文。 创建实体 / 关联 schema 校验必填 / 枚举 / 基数无环依赖 追加日志graph.jsonl可追溯历史 查询 / 遍历多技能共享 用前须知 该技能无需外部 API Key。首次使用需运行 Python setup 脚本安装依赖；数据保存在技能的 memory/ontology 目录下，已有的日志和 schema 应以追加合并的方式处理，而不是覆盖。它支持后续扩展到 SQLite。该技能偏向开发者与自动化场景，用于构建可验证、可追溯的结构化状态。 怎么用它 用法是用自然语言告诉它要记住的对象、关系，或要查询的内容。例如可以这样对它说： 可以这样对它说 "记住 Alice 负责官网改版，并把它关联到三月的发布任务，别丢掉关系链。" "查一下 CRM 项目下面还有哪些处于阻塞中的任务，按负责人分组列出来。" "把这份会议纪要连到增长实验项目和参会人，保留文档路径和来源。" 它适合这些场景：需要让代理记住某个人、项目、任务或文档，并能在后续查询；多步骤计划需要表示为可验证的图变更、依赖关系和回滚步骤；跨技能共享任务、承诺、事件等状态，避免各自维护孤岛数据；希望对知识库结构施加类型检查、关系基数和无环约束规则。 大家常问 本体知识建模到底是什么？用实体、属性、关系来表示知识是什么意思？ 本体是对一个领域的概念及其关系所做的形式化、明确的规格说明，它定义"知识应该长什么样"。建模时把世界里有身份的事物建成实体，用属性描述实体自身的特征，用关系连接实体之间的连线，于是知识不再是散乱词语，而是一张可计算、可共享、可校验的网。 本体和知识图谱有什么区别？ 本体是模式层，规定有哪些概念、属性、关系和约束，相当于一张带规则的蓝图；知识图谱是在这张蓝图上填充大量实例数据所形成的关系网络，是数据层。一句话：本体定义知识结构，知识图谱把真实数据装进去。知识图谱可以基于本体构建，也可以没有严格本体约束。 is-a（是一种）关系和 part-of（是一部分）关系有什么区别？ is-a 是分类归属，子类的每个实例也是父类实例，并自动继承父类属性，判断靠"替代性测试"——能不能用子类替换父类。part-of 是组成结构，部分不继承整体的属性，判断靠"删除测试"。常见错误是把方向盘建成"是一种汽车"，正确应是"汽车的一部分"。 为什么要给本体知识建模加 schema 一致性约束（必填、枚举、基数、无环依赖）？ 约束是本体区别于术语表和松散图谱的本质特征。必填属性保证实例的最低知识完整度，枚举值把取值限定在有界集合避免语义漂移，基数约束让关系网络有确定拓扑，无环依赖保证层次结构有效、推理能终止。没有约束，知识虽自由却无法被一致地计算。 想用上这个技能？ 「本体知识建模」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。
数据叙事方法，把原始指标整理成决策故事线，以关键洞察开头
「数据叙事」是「龙虾部署大师」技能市场中的汇报沟通技能：它面向分析汇报、经营复盘、投资人材料和高管沟通场景，把原始指标整理成有决策指向的故事线。它先确认数据、受众、目标和输出格式，再按"问题解决、趋势变化或方案比较"选择叙事框架，套用幻灯片、执行摘要或一页报告模板，输出强调先给关键洞察、再用数字与上下文支撑、最后落到行动项。 技能效果 把季度经营数据讲给老板听时，它先列原始指标，再翻译成不堆术语、突出关键变化的口语汇报。 数据都对，为什么老板还是没听懂 问题往往不在数据本身，而在表达顺序。常见的汇报是把图表和指标按统计逻辑一股脑铺开，留给听众自己去拼"所以呢、然后该怎么办"。对非技术的管理层、董事会或投资人来说，他们要的不是"发生了什么"的全量罗列，而是"关键变化是什么、为什么、接下来该做什么"。当结论被埋在第十页、术语盖过含义时，再扎实的分析也推不动决策。 堆指标 结论藏在最后 先讲洞察 关键变化 + 原因 下一步行动 这个技能怎么把数据讲成决策 它把"整理数据"换成"组织叙事"。第一步，它确认数据、受众、目标和交付格式，让内容始终对着决策场景而非泛泛分析；第二步，按场景在"问题解决、趋势变化、方案比较"三类框架中选一个合适的叙事骨架；第三步，套用执行摘要、数据故事流或一页仪表盘模板来组织内容；第四步，生成以关键洞察开头的标题、段落过渡语和行动建议。它的核心取向很明确：先给结论，再用数字、上下文和可视化建议支撑，最后把"发生了什么"转成"接下来该做什么"。 确认数据 / 受众 选框架问题/趋势/比较 套模板摘要/一页报告 洞察 + 行动先结论后支撑 用前须知 该技能无需 API Key。使用时需要你提供可分析的数据、受众和目标；如需套用具体框架或模板，会依赖技能目录内的 references 文件。它负责把数据组织成叙事，结论是否成立仍取决于你给的数据本身。 怎么用它 用法是把数据、对象和这次汇报要达成的目的用自然语言交给它。例如可以这样对它说： 可以这样对它说 "把这份季度数据改成老板能听懂的汇报，先讲关键变化，别堆术语。" "这组留存曲线做成一页故事，说明为什么要改定价，让管理层能拍板。" "投资人会前需要一版数据叙事，突出增长和风险，也解释现金压力。" 它适合这些场景：为季度经营复盘提炼指标变化原因并形成高管可读的结论页；把产品、增长或财务数据整理成董事会或投资人材料；将复杂分析报告改写成非技术团队能看懂的一页摘要；以及基于多个方案的指标差异，输出可支撑业务决策的推荐理由。 大家常问 数据叙事是什么意思 数据叙事是把数据、图表与上下文按逻辑线串起来，先抛关键洞察、再用证据支撑、最后落到行动建议，让受众听懂"发生了什么、为什么重要、接下来该做什么"。 数据可视化和数据叙事的区别是什么 可视化是把数据画成图表的表达手段，受众自行解读；叙事是在可视化之上加入上下文、逻辑线和行动指向，结论由叙事者预先明示。可视化是"画图"，叙事是"用图讲道理"。 为什么数据汇报要先讲关键变化、再讲数字 人脑先收"框架"再填"细节"。先讲变化等于告诉听众该关注什么，数字只作佐证；反过来要让听众自己拼结论，既慢又易错。倒金字塔结构能在前30秒锁定关键信息。 经营复盘汇报怎么让管理层听懂数据背后的业务含义 把数据当论据而非论点：先抛核心判断、再用数字支撑。每个关键变化做"发生什么—哪块导致—为何这样"三层归因，配同比环比等对比维度，结尾给出需决策事项与建议。 想用上这个技能？ 「数据叙事」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 优化分阶段执行，检查页面要素并规划关键词分层
「SEO 优化」是「龙虾部署大师」技能市场中的综合性 SEO 执行技能：它提供自然搜索增长的分阶段指南，按技术基础、内容与关键词、外链建设、数据监控四个阶段推进，输出技术检查清单、关键词分层表、内容日历、外链资源清单和监控指标，把整站的自然搜索优化拆成有先后、可分工的执行计划。 技能效果 排查新站不收录时，它按robots.txt、站点地图、标题配置的顺序，逐项讲清该查什么。 整站 SEO，难在没有章法 和优化单篇文章不同，整站 SEO 是个系统工程，最容易出问题的是缺乏阶段和章法。常见状况有三种：新站上线后迟迟不收录，却不知该先查 sitemap、robots 还是基础标签；老站自然流量停滞，技术和内容两边都有欠账，不清楚先补哪头；想围绕关键词系统布局，却没有一份能让开发、内容、运营各自认领任务的执行清单。结果是动作零散，长期看不到自然流量的稳定增长。 四阶段：从地基到持续监控 技术基础收录/标签 内容关键词分层/集群 外链建设资源清单 数据监控看板 明确排除 SEM 和社媒运营 这个技能能帮你规划什么 它给整站 SEO 一套分阶段的执行框架。开始前，它先收集目标站点、搜索市场、当前状态、核心目标、操作权限和既有关键词或流量数据，再按四个阶段推进：技术基础阶段，检查 Title、Description、H1-H3、canonical、robots 和 sitemap；内容与关键词阶段，规划核心词、长尾词、品牌词与内容集群的建设路径；外链阶段，建立外链资源清单；监控阶段，建立索引率监控和持续优化看板。它会根据你的目标——提升排名、增加收录、做关键词布局还是全面诊断——选择从哪个阶段切入。 收集站点现状 目标/权限/数据 选择执行阶段 提升排名/增加收录 / 全面诊断 可分工的交付物 技术清单/关键词分层 内容日历/外链清单 它的产出是一组能落到团队的清单：技术检查清单、关键词分层表、内容日历、外链资源清单和监控指标列表，方便把 SEO 修复任务按优先级拆给开发、内容和运营。它明确聚焦自然搜索，排除 SEM 和社媒运营。 用前须知 核心流程无需密钥。其中可选的页面检测脚本需要 Python 并安装 requests、beautifulsoup4、lxml；公开 URL 可自动检测，内网或登录后的页面需人工核对。 怎么用它 用法是把站点情况和 SEO 目标用自然语言交给它，由它来定阶段。例如可以这样对它说： 可以这样对它说 "新站一直不收录，排查 sitemap、robots 和标题配置问题。" "这个站自然流量跌了，先做一次技术 SEO 和内容布局诊断报告。" "我们有后台权限，按关键词分层规划专题页、内容日历和监控指标。" 它适合这些场景：新站上线后收录缓慢、需要排查 sitemap、robots 和基础标签；已有站点自然流量停滞、需要同时补齐技术与内容策略；团队希望围绕关键词布局制定专题页、FAQ 和内容日历；需要为开发、内容和运营团队拆分 SEO 修复任务与优先级。它适用于站长、SEO 负责人、增长团队、内容团队，以及想建立长期自然搜索机制的中小企业或产品团队。 大家常问 为什么有些新站做了 sitemap 也迟迟不被收录？ sitemap 只是把 URL 推荐给搜索引擎，并不等于收录通行证。新站没有外链、用户行为和历史信任，sitemap 链接在抓取队列里优先级最低；即便爬虫来过，质量评估和价值判断这一关仍要看内容是否原创、是否避免站内重复以及服务器和渲染是否正常。 技术 SEO 和内容 SEO 的边界是怎么划分的？ 技术 SEO 面向爬虫，解决"能不能找到、能不能读懂"，包括 robots、sitemap、canonical、结构化数据、Core Web Vitals 这些；内容 SEO 面向用户，解决"是不是想要的、值不值得排名"，落在搜索意图匹配、E-E-A-T 和信息质量。两者交叉在标题、内链和速度上，缺一不可。 canonical 标签是用来解决什么问题的？ canonical 解决的是同一份内容散落在多个 URL 时的重复问题：URL 参数、http/https、www 与非 www、分页、打印版、跨域转载都会产生分身。它把分散的外链信号和索引优先级集中到一个权威版本，避免权重稀释和搜索结果碎片化。它是建议而非强制指令，搜索引擎仍会自行判断。 怎么辨别一条外链是高质量还是低质量？ 看四件事：来源站本身有没有真实品牌和稳定收录、主题与你的网站是否相关、链接位置是不是嵌在正文（页脚侧栏评论区都偏弱）、锚文本是不是品牌词或自然短语（精确匹配关键词反而是负面信号）。一个简单判断：如果删掉这条链接对引用方内容毫无影响，它就是低质量外链。 想用上这个技能？ 「SEO 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。
中文 AI 痕迹怎么去除？识别套话和空泛升华改写保原意
「中文文本润色」是「龙虾部署大师」技能市场中的去 AI 味技能：它识别并去除中文内容里的 AI 写作痕迹，把套话、堆砌形容词、空洞升华、模糊归因、三段式列举、过度破折号、谄媚开场和机械标题改写成更自然的表达。它先扫描内容、语法、风格和交流痕迹，再在保留原意的前提下重写问题片段，输出可包含人性化版本、改动说明和直接性、节奏、真实性等质量评分。 技能效果 润色一段AI味很重的公众号稿时，它先放出原文，再改写成去掉硬营销腔、更像真人说话的版本。 一眼就看出是 AI 写的，问题在哪 AI 生成的中文常带几种固定痕迹：开头先来一段谄媚铺垫，中间堆形容词、爱用三段式排比，结尾必然空洞升华一下；还有动不动甩破折号、机械加粗、归因含糊（"研究表明""众所周知"却不说是谁）。这些模式单独看都不致命，叠在一起就让文章透出一股模板腔，读者一眼识破，可信度随之打折。问题是，作者自己往往看不出这些痕迹，逐句去改又很难改得彻底。 AI 味文本 · 谄媚开场 · 三段式排比 · 破折号 / 机械加粗 · 空洞升华收尾 · 模糊归因 人性化文本 · 直接进入正题 · 句式有长短节奏 · 表达具体可核 · 保留原意与语气 这个技能改的是什么 它专盯中文里的 AI 痕迹做识别与重写。第一类是用词和表达：识别 AI 词汇、空泛升华、模糊归因和宣传式语言；第二类是结构：打破公式化结构、三段式列举、机械标题和过度的粗体强调；第三类是语气：保留原意，并根据正式、随意或技术等不同语境调整语气。它的工作方式是先扫描内容模式、语法模式、风格模式和交流痕迹，再有针对性地重写问题片段，而不是把整篇推倒重来，因此事实和核心意思能留住。输出除了人性化版本，还可附上必要的改动说明，以及直接性、节奏、真实性等多维质量评分。 扫描痕迹词/语法/风格 重写片段保留原意 按语境调语气正式/随意/技术 质量评分 用前须知 该技能无需 API Key、Python 或 Node 依赖，输入文本即可处理。它负责改"写法"，不负责改"事实"：若涉及事实更新或来源核查，需要你另行提供可靠资料。 怎么用它 用法是把要润色的文本贴给它，并说清想要的语气和场景。例如可以这样对它说： 可以这样对它说 "这段公众号稿子机器味太重，改得像真人口吻，少点硬营销腔。" "把这段开场白里的套话删掉，语气别那么端着，保留核心原意。" "这份说明文太像模板，保留意思但写得自然些，别再空泛升华收尾。" 它适合这些场景：文章、汇报或公众号草稿读起来机械、需要改得更像真人写作；营销或产品文案里有套话、夸张修饰和空洞结尾；学术、百科或说明文字要减少 AI 痕迹又保留事实准确性；以及团队在发布前检查文本的直接性、节奏和真实感。 大家常问 中文文本里的 AI 味到底是什么？为什么读者一眼就能看出来？ AI 味本质上是语言模型「平均化」生成的系统性偏差：用词集中在万能词（深入、赋能、显著、关键），句长均匀、主谓宾齐全、衔接词机械铺设，结尾固定走总结升华。读者识破靠的是这种「无缝感」——没有情绪裂缝、没有身份语气，所以一眼就看出来。 AI 写的中文和真人写的，在用词和句式上有什么本质区别？ 用词上 AI 偏「高频安全词」（非常、本质、核心、首先其次最后），搭配过于标准；真人会用低频词、口语词和「陌生化搭配」。句式上 AI 主谓宾齐全、长短交替过于规律；真人多无主句、独词句、连续同类句式爆发，语气词丰富。AI 的「过于合理」本身就是破绽。 为什么 AI 写的中文文章总爱用三段式排比和破折号？ 训练语料里排比常出现在高分范文（申论、宣传稿），AI 误把「排比 = 好文章」当信号高频激活；破折号则被当成「正式感」标记，替代了逗号冒号。判断要点：排比三句若只是同义重复（无递进），破折号后内容若是冗余转述，且 1000 字内破折号超过 3 次，基本是 AI 写的。 中文里的「套话」和「空洞升华」怎么区分？为什么 AI 特别容易写出来？ 套话是词语层面陈旧（"随着……的不断发展"），意思还在但可替换；空洞升华是逻辑层面跳空（"注入新动能、共创美好明天"），删掉信息量也不变。AI 容易写出来是因为它只追"最可能的下一个词"，没有真想说的意图——开头习惯套话起手，结尾习惯升华收尾。 想用上这个技能？ 「中文文本润色」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