默认配图

如何用 AI 发飞书加急消息

「飞书紧急消息」是「龙虾部署大师」技能市场中的消息加急触达技能:作用是对已发送的飞书消息触发应用内、短信或电话紧急提醒。输入 message_id、接收人 open_id 列表、提醒类型和付费确认后,它校验格式、权限和批量上限,自动分批发送,并返回无效接收人列表、错误码和处理建议。它区分免费的应用内提醒与可能收费的短信、电话提醒,并强制付费确认。 技能效果 想给已发出的群消息做应用内加急,它写出面向小白的操作教程,说明前置的权限配置,以及加急后对方会收到强提醒的实际效果。 关键消息发出去了,却没人看,怎么办 飞书消息发到群里,常因被刷屏、对方未在线或没注意而被漏看。对于系统告警、紧急审批、事故通知这类时效性强的消息,漏看的代价很高。直接重发一条新消息既显得混乱,也未必更醒目;而要按不同紧急程度选择应用内提醒、短信还是电话,又涉及权限、批量上限和费用确认,手工操作容易出错——发错人、超量发送,或在没确认费用的情况下触发了收费的电话提醒。 已发送消息(message_id) 应用内提醒 免费 短信提醒 需付费确认 电话提醒 需付费确认 按紧急程度逐级升级,不重发新消息 这个技能能帮你做什么 它在不重发新消息的前提下,对已有消息做"加急触达"。核心能力有四块:一是对已存在的 message_id 发送应用内、短信或电话三档紧急提醒;二是校验 open_id、消息归属和付费提醒确认参数,避免发错人、对不属于自己的消息加急、或未确认就触发收费提醒;三是按平台限制自动拆分大批量接收人并顺序发送,不必手工分组;四是返回 invalid_user_list、配额错误和权限缺失等诊断信息,发送失败时能快速定位是 message_id、权限还是配额的问题。它明确区分免费的应用内提醒与可能产生费用的短信、电话提醒,并对后者强制付费确认。 加急前自动校验四道关 归属校验 付费确认 自动分批 诊断回执 用前须知 该技能需要 Python 3 标准库、飞书 App ID / Secret,以及 im:message.urgent 和短信、电话提醒相关权限;触发前必须已有 om_ 开头的 message_id 和 ou_ 开头的 open_id。短信、电话属于可能收费的提醒,会要求先确认费用再发送。 怎么用它 用法是把要加急的那条消息、提醒谁、用哪一档提醒用自然语言说清楚,无需记参数和批量规则。例如可以这样对它说: 可以这样对它说 "这条飞书消息已经发出,用应用内加急提醒那两位同事,不用短信电话。" "这条消息太急了,给这份名单发电话提醒前先确认费用,确认后再发。" "刚才那条群通知没人回,对原消息做短信加急提醒负责人,别重发新消息。" 它适合这些场景:关键系统告警已发到群里,需要对负责人追加应用内急促提醒;重要审批或事故通知迟迟没响应,要升级为短信或电话提醒;大群中部分人员必须被单独精确触达;发送紧急提醒失败时,需要判断是 message_id、权限还是配额的问题。 大家常问 飞书加急消息到底是什么?跟普通飞书消息有什么不一样? 飞书加急消息不是新发一条,而是对已发出的消息附加"紧急标识",触发接收方的全屏弹窗强提醒,并提供阅读回执;普通消息只是静默落在聊天列表里,没有强弹窗、没有强制送达。加急还可以从应用内升级到短信或电话通道,普通消息只能走应用内推送。 飞书加急的应用内提醒、短信提醒、电话提醒,这三档有什么区别? 三档对应"在线未读 / 离线未读 / 必须立即接听"。应用内加急是免费的强弹窗,接收方必须登录飞书;短信加急按条扣企业配额,把消息摘要短信发到绑定手机号;电话加急按次扣配额,直接外呼并用 TTS 播报摘要。短信与电话单次上限 100 人,应用内 200 人。 为什么飞书发短信加急和电话加急前要做付费确认? 短信和电话走的是第三方电信通道,每次调用都会扣减企业的加急配额,成本由企业承担而不是发送者个人。付费确认是把"这次会产生费用"前置告知,防止误触浪费配额或骚扰接收方。应用内加急走推送通道、没有外部成本,所以不需要这道确认。 飞书加急返回的 invalid_user_list 和配额错误是什么意思? invalid_user_list 是接口对无效接收人的回执:open_id 格式错、不在原消息群里、账号离职或停用都会被挑出来,剩下有效用户仍正常加急。配额错误(错误码 230024)是租户加急额度用完,需要去管理后台费用中心扩容或等下个周期重置;短信/电话还会因为对方没绑手机号报 230009。 想用上这个技能? 「飞书紧急消息」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。

2026/05/29
默认配图

京东违禁词怎么检查?批量扫全文风险词出违规清单

「京东违禁词检查」是「龙虾部署大师」技能市场中的文案合规检测技能:它批量检测京东商品详情页文本是否包含广告法风险词,输入商品链接和可选自定义违禁词后,检查标题、卖点、促销、参数和页面全文,合并内置 500+ 违禁词与用户补充词,返回违规商品数、命中词、命中区域和错误列表。 技能效果 审三条京东文案时,它逐条标出国家级、史上最强、包治百病、永不褪色等违禁词的位置和违规类型,并附上合规替换写法和广告法条款。 广告法极限词,罚款重又难自查 "最""第一""国家级"这类广告法极限词,一旦出现在商品文案里,轻则下架整改、重则面临处罚。但人工自查很容易漏:风险词可能藏在标题、卖点、促销文案或参数表的任何角落,多个商品页逐字核对既慢又难免看走眼,新品上架前临时检查更容易出纰漏。 这个技能能帮你查什么 它把上架前的合规自查自动化。它先校验京东商品链接和自定义违禁词参数是否合法;再批量检查标题、卖点、促销和页面全文中的风险词;检测时会把内置的 500+ 违禁词库与你补充的品牌内部禁用词合并;最后返回检查了几个商品、几个违规、命中了哪些词、出现在哪个区域,以及处理过程中的错误信息。它还会区分未登录、风控、验证码、页面加载失败等情况,让结果可信。 逐个文本区域扫一遍 标题 卖点 促销文案 参数 页面全文 · 内置 500+ 词 + 自定义词 检查跑完,它把命中点定位到具体商品和区域,让整改有的放矢: 输入商品链接 批量扫描全文 输出命中词 / 区域 / 违规数 用前须知 该技能需要 Python、AI agent gateway、skillcore 服务和 Chrome,京东账号需在浏览器中登录;图片中的文字 OCR 检测尚待对接,暂以文本区域检测为主;无需独立 API Key。 怎么用它 用法是把要检查的京东商品链接和补充词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 "检查这三个京东商品页,标题和详情有没有广告法违禁词,按位置列。" "把这些京东链接批量跑一遍,尤其看最字和夸大宣传,结果分商品列。" "新品上架前先查文案,额外把限时秒杀和促销区也算进去。" 它适合这些场景:商品上架前检查广告法极限词和敏感营销表述;多个京东商品页批量排查标题和详情风险;品牌方新增内部禁用词、要与默认词库合并检测;运营遇到页面违规整改、需要定位具体命中位置。 大家常问 广告法里的极限词到底指什么?京东商品文案里常见的有哪几类? 极限词又称绝对化用语,指「最」「第一」「唯一」「国家级」这类无法客观验证、依《广告法》第九条禁用的表述。京东文案里常见有六类:绝对化用语、虚假功效承诺、国家级/行政认定、贬低同行的排他、虚构时限数量、违禁敏感词。「京东违禁词检查」内置 500+ 词库可合并自定义词,自动标出标题、卖点、促销、详情里的命中词与位置。 京东商品标题、卖点里用了极限词,可能面临什么后果? 法律层面,依《广告法》第五十七条可处 20 万至 100 万元罚款,情节严重吊销执照,还可能被职业索赔人专门盯上发起索赔。平台层面,京东按违规等级处理:一般违规商品下架扣分,严重违规限制发布甚至关店清退。上架前用「京东违禁词检查」逐项自查、整改后复检,是把风险拦在前面的低成本做法。 把最好改成拼音、谐音或英文,还算不算广告法违禁词? 算,依然违规。市场监管按「实质性认定」原则,看你实际表达的含义而非字面形式;只要受众能理解成「最好」,写成 zuihao、醉好、Best 一样会被认定为变相使用违禁词,已有大量处罚案例,平台检测系统也能识别拼音、谐音、英文变体。与其打擦边,不如用「值得推荐」「品质之选」等合规表达,配合「京东违禁词检查」逐条核对替换。 为什么违禁词检查要同时看标题、卖点、促销和详情全文,而不只看标题? 违规词遍布各文本区域,标题只占整页一两成内容;卖点常写「销量第一」、促销爱用「仅此一天」、详情参数易出现「国家级」「顶级面料」。处罚不分出现位置,只要页面任意处命中就属违规,且平台巡查与职业打假都是整页扫描。所以「京东违禁词检查」一次覆盖标题、卖点、促销、详情全文并定位命中区域,图片 OCR 检测尚待对接。 想用上这个技能? 「京东违禁词检查」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。

2026/05/29
默认配图

故事写作怎么从创意到成稿?规划世界观大纲伏笔并生成正文

「故事写作」是「龙虾部署大师」技能市场中的小说与短篇创作技能:作用是提供从创意发散到正文输出的完整流程,支持 1000-1200 字爆款短篇和长篇连载规划,能搭建世界观、生成创意方向、模拟特定作家风格,并输出人物设定、情节骨架、伏笔清单、正文、金句和续写方向,兼顾节奏、冲突与传播点。 技能效果 围绕“结尾反转、开头抓人”的要求,它直接写出了完整的悬疑短篇,并把封面标题做成更有传播感的钩子句。 想写故事,卡在开头和结构上 很多创作的难点不在文笔,而在结构。短篇常见的卡点是:开头不抓人、中段拖沓、结尾反转不够意外,传播力打了折扣;长篇的卡点则是世界观、主线冲突和伏笔没搭清楚,写到一半线索散乱、难以为继。从一个模糊的创意到一篇结构完整、节奏可控的成稿,中间隔着大量需要反复推敲的取舍,这正是动笔最耗精力的地方。 一篇短篇的张力曲线,由结构决定 开头钩子 冲突升级 高潮反转 余韵收尾 这个技能能帮你写出什么 它先确认创作类型、字数预期、风格偏好、发布平台和目标读者,再按不同路径推进。短篇路径会先给出 3 到 5 个创意方向,用六维评分挑出最佳方案,再产出人物设定、情节骨架、伏笔清单和正文;长篇路径则先搭世界观、主线冲突、人物档案和伏笔线,再展开大纲与章节。叙事结构上,它可选用七拍、九拍、情绪流、快节奏或多重反转等不同框架,并能模拟说书人、猫腻、金庸、古龙等风格的语言特色。成稿之外,它还会附上金句、传播亮点、配套视觉提示和续写方向。 创意方向 › 六维评分 选最佳方案 › 骨架 + 伏笔 + 正文 按叙事结构展开 › 金句 + 传播亮点 + 续写方向 用前须知 该技能无需 API Key 或系统依赖,正文创作可直接运行。若需要配套插画、人物画像或封面图,则要启用可用的图像生成能力,技能本身只产出文字与视觉提示。 怎么用它 用法是把创作意图——类型、字数、风格、平台和特殊要求用自然语言说清楚,它会选择合适的叙事结构推进。例如可以这样对它说: 可以这样对它说 "写一篇一千字悬疑短篇,结尾反转,开头抓人,封面标题更有小红书传播感。" "修仙长篇先搭世界观、主线冲突、人物档案和伏笔线,再开大纲,口吻放松些。" "用古龙式冷峻笔法写一段江湖雨夜,人物对白短一点,留白感保留,别照搬原句。" 它适合这些场景:创作适合小红书或公众号传播的悬疑反转短篇;规划长篇修仙、科幻或奇幻小说,先搭世界观与大纲;想用特定作家风格完成片段创作,同时保留自然表达;已有故事需要续写、回收伏笔或提升冲突层次与节奏。 大家常问 伏笔和铺垫的区别是什么? 伏笔讲的是"藏",植入时不推动当前情节、读者无感,要在后期兑现时才被回溯,重在制造顿悟感;铺垫讲的是"蓄",每一步当下就有清晰功能,渐进积累情感与逻辑势能,让高潮水到渠成。两者并不互斥,常常在同一段叙事里并存。 人物弧光是指什么? 人物弧光指角色在故事进程中内在状态——信念、价值观、心理特质——的变化轨迹,关注的不是他做了什么,而是变成了什么人。常见有成长弧、堕落弧、扁平弧三类,由谎言、欲望、需求与一连串选择点串联,是情节背后的深层骨架。 三幕结构为什么是叙事最常见的框架? 三幕结构对应人类因果推理的"原因—中介—结果"三段式,也契合认知负荷由低到高的自然分布与"建立张力—放大张力—释放张力"的情感周期。它足够复杂以容纳反转,又足够简洁能被直觉理解,所以在不同文化和叙事媒介里反复出现。 情节反转的作用是什么? 反转的核心不是制造惊讶,而是触发认知重构——读者用新信息回头重读所有铺陈,发现先前细节都另有深意。它对应亚里士多德所说的突转与发现,能延迟叙事闭合、放大主题张力,让结局显得"从一开始就至关重要"。 想用上这个技能? 「故事写作」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。

2026/05/29
默认配图

如何用 AI 润色简历

「简历润色」是「龙虾部署大师」技能市场中的简历优化技能:作用是针对一份已有简历,先从完整性、量化、结构、语言和岗位匹配度五个维度打分诊断,再用 STAR 法则把模糊经历重写成有说服力的量化表达,把目标 JD 的关键词自然融入,并做 ATS 兼容检查,最终输出可逐条落地的修改建议、改写对比和多岗位定制版本。 技能效果 拿到一份简历,它逐项点出结构缺失、空泛措辞和 ATS 不友好的关键词问题,并指出该补什么。 简历投出去没回音,问题出在哪? 投了很多份却少有回应,问题往往不在经历本身,而在表达。常见的几类毛病:经历写得笼统,"负责运营工作"这类描述既看不出具体做了什么,也没有结果数据支撑;结构松散,重点信息埋在大段文字里,招聘方几秒钟扫不到亮点;语言不够专业,动词平淡、缺乏行业术语。 还有一道隐形门槛是 ATS——简历筛选系统。很多公司用它先做一轮关键词匹配,如果简历里缺少 JD 中的硬技能和术语,或排版让系统解析出错,材料可能在到达招聘人员之前就被过滤掉。这些问题靠自己反复看很难发现,因为写的人对内容太熟悉了。 改写前 "负责活动运营, 效果不错" 无情境 · 无结果 · 无数据 STAR 改写后 在预算下统筹 6 场活动 参与人数环比提升 40% 情境 · 任务 · 行动 · 结果 这个技能能帮你做什么? 这个技能聚焦在"已有简历的提升",不从零写起。它先读取你的简历和可选的目标 JD,从模块完整性、数据量化程度、结构可读性、语言专业度和岗位匹配度五个维度评分,定位短板在哪。诊断之后,它用 STAR 法则(情境、任务、行动、结果)把模糊经历重构成清晰、可验证、带量化成果的表述;同时提取 JD 中的硬技能、软技能和行业术语,检查关键词覆盖率并自然补齐。 它还会做 ATS 兼容性检查,提示可能导致系统解析出错或关键词漏匹配的风险点;对于一人投多岗的情况,它能基于同一份经历生成差异化的定制版本,让不同岗位各自突出对应的能力。 五维诊断,定位短板 完整性 量化 结构 语言 岗位匹配度 → STAR 重构经历 · 融入 JD 关键词 · ATS 兼容检查 用前须知 该技能无需 API Key 或额外依赖,主要通过自然语言处理完成。使用前需提供简历文本或文档;若要做岗位匹配,建议同时提供目标 JD,关键词覆盖和定制建议会更贴合。 怎么用它? 用法是把简历交给它,再说明你想解决的问题——是整体诊断、改某段经历,还是按岗位定制。例如可以这样对它说: 可以这样对它说 "这份简历投了很多次没回音,先查结构、关键词和 ATS 兼容问题。" "把这段项目经历按 STAR 重写,结果要量化,也更能打动招聘方。" "同一份经历改两版,分别投产品岗和用户运营岗,突出不同能力。" 它适合这些场景:投递后反馈较少,需要判断结构、语言或 ATS 是否有问题;某段经历过于笼统,想改成更有说服力的量化表达;准备投递特定岗位,需要根据 JD 调整关键词和经历优先级;同一候选人面向产品、运营、技术等不同岗位,要生成差异化版本。 大家常问 为什么简历里过度使用形容词反而会削弱专业感 "优秀""卓越""高度负责"这类形容词信息熵极低,几乎每份简历都在用,HR 和 ATS 都无法据此区分候选人。专业感来自动词加事实——具体行为、明确范围、可验证结果——而不是修饰语堆叠。 动词主导句式与名词堆砌的简历在表达上有什么核心区别 名词堆砌("项目负责人 · 多部门协调者")告诉别人你是什么,是静态标签;动词主导("主导设计微服务架构 · 协调 4 个部门数据流")说明你做了什么、产生了什么影响。前者难验证,后者带行为序列和量化结果,可读性也更强。 简历量化表达里最容易被夸大的指标有哪些 百分比类(基数和对比周期被模糊)、数字规模类("管理 X 人""覆盖 X 万用户"把配合算成主导)、时间周期类(截取最有利的起止点)、直接归因类(把团队成果和市场红利都算到个人)最容易被夸大。HR 看多了一眼就识破。 JD 关键词融入简历时为什么直接复制粘贴效果不好 直接粘贴"具备项目管理能力"这类短语会被识别为陈述而非证据,缺乏上下文锚点;语义模型还会检测出风格突变,降低整段权重。正确做法是把关键词融进具体行为和量化结果里,让 ATS 在同义识别和实体识别层都能命中。 想用上这个技能? 「简历润色」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。

2026/05/29
默认配图

如何用 AI 一站查机票酒店行程

「FlyAI 模型助手」是「龙虾部署大师」技能市场中的旅行搜索整理技能:它通过 flyai-cli 调用基于飞猪 MCP 的旅行搜索与预订能力,支持自然语言综合搜索以及航班、酒店、景点和 POI 查询,把返回的单行 JSON 整理成结构化 Markdown——含推荐、选项表格、图片和预订链接,展示时优先使用数据中的图片和跳转链接,并保留日期、地点、价格、退改、签证或时间限制等实用备注。 技能效果 查上海到三亚下周五的机票,它联网取到真实航班,按出发时间排成一张表,标出航司航班号、机型、起降机场和折后价格。 查行程信息,为什么总是来回切换还理不清 规划一趟出行,信息往往散在各处:机票要比时间和价格,酒店要看位置和图片,景点演出要排进行程,最后还得逐个找预订入口。在多个页面之间来回切换,结果是候选方案记不全、关键约束容易漏——退改规则、签证要求、入住时间这些信息常常等到要下单了才发现遗漏。原始搜索结果本身是可用的,缺的是把它整理成一份能直接看、能直接订的清单。 散在各处的查询 机票 酒店 景点 / POI 问题:来回切换、方案记不全、约束漏看 退改 / 签证 / 时间限制 常被忽略 这个技能怎么把搜索结果整理成可订清单 它把"查"和"整理"合成一步。综合查询走 fliggy-fast-search,可一次跨酒店、航班、景点返回结果;需要单类时则分别调用 search-flight、search-hotels、search-poi 获取结构化数据。拿到结果后,它把单行 JSON 整理成 Markdown:先给推荐,再用选项表格列候选,配上数据里返回的图片,并优先使用 jumpUrl 或 detailUrl 作为预订入口。整理时它会把日期、地点、价格、退改、签证和时间限制等备注一并保留,避免规划到下单环节才发现遗漏。 自然语言提问目的地 / 日期 飞猪 MCP 搜索返回单行 JSON Markdown 推荐表格 · 图片 · 预订链接 它的价值在于把实时旅游资源转成可直接预订的推荐:图片、价格、约束、跳转入口一目了然,行程类查询还能按时间顺序呈现,从发现到下单的路径被缩短。 用前须知 该技能需要先安装 @fly-ai/flyai-cli,并依赖网络访问飞猪 MCP 服务。可在无 API Key 状态下试用;若需增强结果,可配置 FLYAI_API_KEY。 怎么用它 用法是把出行需求用自然语言交给它,包括目的地、日期和你关心的维度。例如可以这样对它说: 可以这样对它说 "查上海到三亚下周五的机票,按时间、价格和预订链接排,早班优先。" "找杭州的亲子酒店,图片、价格、位置和飞猪预订入口都要,先看亲子房。" "五一去成都两天,搜景点和演出,按行程顺序推荐,别排太满,航站信息写清楚。" 它适合这些场景:以自然语言询问目的地玩法、希望同时返回酒店票务和活动;出行规划中需要比较航班、酒店或景点的多个候选方案;希望基于飞猪实时结果生成带图片和预订链接的推荐列表;以及把旅行搜索结果整理成按时间顺序呈现的行程建议。 大家常问 自然语言订机票,为什么需要 MCP 而不是直接让 AI 上网搜? 普通 AI 上网搜只能读公开网页快照,拿不到实时余票,也无法把搜索结果接到下单链路。MCP 是 AI 与外部服务之间的协议层,能把自然语言翻译成 search-flight 等结构化调用,返回带航班号、价格、jumpUrl 的 JSON,构成「查→比→订」的完整闭环。 AI 旅行助手把搜索结果整理成 Markdown 推荐是什么意思? 意思是 AI 拿到飞猪 MCP 返回的单行 JSON 后,按固定排版规则把它转成人类可读的图文清单:用标题分层、加粗日期价格、按时间排行程、用表格做候选对比,附上图片和预订链接。本质是把机器可读的搜索数据,翻成可直接看、可直接订的旅行推荐。 综合旅行搜索和单独查航班、酒店、景点有什么区别? 综合搜索 fliggy-fast-search 只吃一句自然语言,靠意图识别跨品类混排,适合需求模糊的早期探索,例如「杭州三日游」。分类搜索用 search-flight / search-hotels / search-poi,吃结构化参数,能精确指定日期、舱位、星级、景点等级,适合行程已定后的深度比价。 AI 推荐机票为什么必须保留退改、签证和入住时限等备注? 价格、时间、航司是吸引因素,退改规则、签证要求、值机时限是限制因素,两者必须同时呈现用户才能做出知情决策。这些字段来自航司或平台的约束信息,AI 无权二次校验或概括,若擅自省略可能让用户错过登机、误下不可退改的票,直接造成损失。 想用上这个技能? 「FlyAI 模型助手」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。

2026/05/29
默认配图

如何用 AI 把经验沉淀成数字分身

「永续知识蒸馏」是「龙虾部署大师」技能市场中的数字分身构建技能:它从聊天记录、社交平台、文档和归档材料中提取某个人的技能包,按角色模板完成伦理确认、材料采集,提取程序性、互动性、记忆和性格四个维度,按证据等级合并冲突内容,再初始化目录、组装可加载的 SKILL.md 并登记版本。系统提供自己、同事、导师、亲人、伴侣、朋友和公众人物七类模板,强调授权、脱敏与后续增量演化。 技能效果 给它几句导师的口头禅,它把这种风格蒸馏成一个分身skill,归纳出先厘清边界、再拷问逻辑、最后追问失败场景的三层提问框架。 把一个人的经验"沉淀"下来,为什么这么难 一个人的工作方式、判断标准、沟通风格和长期经验,往往只存在于其本人和散落的记录里。想把它沉淀成可复用的资产,会遇到三重难题:素材跨越多个平台且良莠不齐,哪些可信、哪些只是一时的玩笑话,需要分级;不同来源相互矛盾时,该采信哪一条没有依据;而处理他人资料还涉及授权和脱敏的伦理边界,做不好就越界。结果是经验难以传承,导师一走、骨干一离职,方法论也跟着流失。 从多源材料提取四个维度 数字 分身 程序性 · 怎么做事 互动性 · 怎么协作 记忆 · 经历过什么 性格 · 是个怎样的人 这个技能怎么把经验蒸馏成可加载的技能包 它把"沉淀一个人"做成一条有伦理把关、有证据分级的流程。先按角色模板进行伦理确认和材料采集,再从材料中提取程序性(做事方法)、互动性(协作习惯)、记忆(经历)和性格四个维度;遇到不同来源的内容,按 verbatim(原话)、artifact(产出物)、impression(印象)三个证据等级排序并合并冲突,确保可信的内容压过道听途说;随后初始化技能目录、记录冲突、组装出可直接加载的 SKILL.md,并登记版本快照。它提供自己、同事、导师、亲人、伴侣、朋友和公众人物七类模板,覆盖不同关系下的整理需求。 证据分级:可信内容优先 verbatim 原话最高可信 artifact 产出物有据可查 impression 印象参考为主 它的价值在于"可追溯、可演化":每条内容都标了来源和等级,生成物还能随新增材料持续修订、处理纠正并保留快照,让分身越用越准、越来越像本人。 用前须知 该技能无需固定 API Key,本地归档或粘贴材料可直接处理,需要 Python3。若要自动采集飞书、Slack、邮箱等平台,需对应账号授权和平台凭证。处理他人资料时务必重视授权与脱敏,守住伦理边界。 怎么用它 用法是说明要蒸馏谁、用哪些材料、希望保留什么。例如可以这样对它说: 可以这样对它说 "把我和导师的聊天记录蒸馏成教学风格分身,保留他的反馈方式,别联系他本人。" "用这些公开采访和文章做一个公众人物方法论技能包,只用可溯源的材料。" "把妈妈的语音文字整理成家族记忆型数字分身,留给亲戚查询,语气别跑偏。" 它适合这些场景:希望把个人工作方式、沟通风格和长期经验整理成数字分身;团队需要沉淀导师或同事的教学方法、判断标准和协作习惯;家人或朋友资料需要在伦理边界内整理为可追溯的记忆档案;以及已有分身技能包需要追加材料、处理纠正并保留版本快照。 大家常问 为什么把一个人的经验沉淀成数字分身这么难? 难点在表征鸿沟、因果缺失和时变不可逆三层:专家级判断里大量是隐性的直觉,文本只能拿到事实层和部分逻辑层,情境与情绪层信号本就稀疏;模型学到的是关联模式,不是「因为经历了 X 所以判断 Y」的因果链;而人的认知会自我否定、不断演化,静态快照天然跟不上。 数字分身和 AI 数字人是一回事吗? 不是一回事。数字分身是认知代理,目标是「想得像我」——延展个人的知识体系、决策逻辑和价值判断,可以代你分析问题、给出建议;AI 数字人是交互界面,目标是「看起来像人」——靠形象、语音、表情提供拟人化对话。一个解决「替我怎么想」,一个解决「看起来像谁在说」。 多源材料相互矛盾时,应该按什么标准决定信哪一条? 核心是按证据强度赋权、按语境合并差异。行为证据高于言语陈述、一手记录高于他人转述、跨场景反复出现的观点高于单次表态;遇到对立内容先找条件变量(对象、时间、场景)能不能解释,能就拆成「在 X 条件下成立」并存,不能就标注「未解决矛盾」保留双方,不要硬抹平。 整理他人的聊天记录、社交平台资料做成数字分身,伦理上的红线是什么? 红线有三条:授权要分数据来源、形象人格、使用场景三层书面同意,缺一层即越界;脱敏不是去掉名字,而是要让说话风格、时间线、社交关系组合起来都无法反向定位到具体个人;可追溯则要求每条输出能查回原始数据来源、保留使用日志,并且本人可以随时要求物理删除分身。 想用上这个技能? 「永续知识蒸馏」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。

2026/05/29

客服
扫描与客服沟通

回顶部
提示

正在拉起鸿蒙应用市场,如遇无法拉起/无法下载的情况,可使用鸿蒙设备,自行前往应用市场,搜索「Win解压缩」安装。

知道了