TikTok Shop怎么开店运营？同步库存配置达人佣金
「TikTok Shop 开店」是「龙虾部署大师」技能市场中的店铺搭建技能：作用是提供从店铺配置到运营承接的执行指南，覆盖商品目录同步、库存安全垫、自发货与代发货选择、创作者联盟佣金、直播购物编排和发货 SLA 合规，帮助品牌建立站内闭环交易流程，降低爆单超卖、审核失败和履约违规风险。 技能效果 要在TikTok Shop上架二十个SKU前，它列出了图片、价格、类目映射到批量导入排查的整套检查清单，连去重和导入报告核对都写成了可打勾的步骤。 内容带来了流量，店却接不住单 TikTok Shop 的难点不在流量，而在承接。商品目录同步不规范、类目属性或合规图片不达标，上架就卡审核；一条爆款短视频带来订单峰值，没预留库存安全垫，瞬间就超卖；达人联盟佣金随手定，没按毛利算，GMV 上去了利润却没了；直播间主推品、优惠券和发货节奏各管各的，48 小时发货 SLA 一旦踩线，就面临履约违规。流量是一阵子的，店铺的承接能力才决定能不能把它变成稳定成交。 订单峰值来临，没有安全垫就超卖 库存安全垫 爆单 超出 = 超卖 日常 爆款视频 这个技能能帮你搭好什么 它把开店到承接拆成可执行的几步。目录层面，同步商品目录、类目属性、合规图片规范和 SKU 的实时库存；履约层面，评估商家自发货与 TikTok 代发货各自的库存和履约边界，配上库存安全垫，防止爆单超卖；达人层面，配置创作者联盟的开放计划、定向邀约、样品寄送和佣金分层，并按毛利算出安全比例和阶梯奖励；直播层面，编排商品置顶、专属优惠券和 48 小时发货 SLA。整体目标是建立站内闭环交易流程，让内容爆发、达人带货和直播促销之间保持利润与服务稳定。 目录同步 类目 · 图片 · SKU › 履约 + 安全垫 自发货 / 代发货 › 联盟佣金 分层 · 样品 · 毛利 › 直播编排 置顶 · 券 · SLA 用前须知 该技能需要你具备 TikTok Seller Center 店铺权限。后台连接可走 Shopify 或 WooCommerce；若要做自定义集成，则需 Open API、HMAC 签名、仓库 ID 和订单系统对接。技能输出的是配置与运营方案，落地仍需对应的店铺与仓配能力。 怎么用它 用法是把销售平台、SKU、库存、仓配能力、佣金策略和直播计划用自然语言交给它，它会给出配置方案和承接节奏。例如可以这样对它说： 可以这样对它说 "TikTok Shop 准备上架二十个 SKU，检查目录同步和类目映射。" "联盟达人佣金别乱设，按毛利算出安全比例、阶梯奖励和样品规则，价格写清。" "直播间要挂三款主推品，排好置顶、限时券和 48 小时履约 SLA。" 它适合这些场景：Shopify 或 WooCommerce 店铺准备接入 TikTok Shop 闭环销售；爆款短视频可能带来峰值订单，要预先设计库存缓冲；想通过达人联盟、佣金激励和样品寄送扩大站内 GMV；直播间转化不稳定，要统一置顶商品、优惠和履约节奏。 大家常问 为什么 TikTok Shop 跨境卖家和本土卖家（Local Seller）要分成两类店铺，不能合在一起开？ 因为两套体系在法律管辖、仓配链路、合规审查、佣金费率、资金通道和风控阈值上完全不同：跨境店受中国出口与目的国进口双重合规约束，本土店只走当地法规、本地仓发货 2–5 天。账号、后台和数据彼此隔离，同一主体可分别注册，但不能合并成一家店。 是什么决定了 TikTok Shop 一个商品的类目抽点比例和能不能成功上架？ 抽点比例由一级类目基础费率、子类目细分（受退货率与饱和度调节）、店铺主营类目匹配度，加上站点与大促期政策共同决定，通常落在 1%–8% 区间。能否上架取决于卖家资质、类目映射到叶子节点是否精准、标题图片描述合规、是否在禁售/限售清单内、店铺健康分与风控五道关。 为什么 TikTok Shop 要求 48 小时发货 SLA，自发货和代发货在违规风险上有什么区别？ 48 小时 SLA 是平台对消费者的履约承诺，以"首条物流扫描时间"为判定基准，超阈值的迟发率（LSR）触发警告到限流、冻结资金、暂停店铺的阶梯处罚。自发货风险点在库存同步和揽收节奏，全链路自己可控；代发货多一层供应商不可见性，但平台只追责商家，供应商延迟、错发都计入 LSR。 为什么联盟达人佣金要按毛利算阶梯，开放计划和定向邀约在风险上有什么不同？ 佣金按毛利算阶梯是为了把支出锚定在商家真实利润空间内，避免按售价计费导致"卖一单亏一单"，并引导达人优先推有溢价的商品。开放计划起量快但达人不可控，容易触发佣金失控、品牌调性稀释和违规连带；定向邀约可前置筛选达人、佣金可预期，但覆盖窄、依赖单点合作风险高。 想用上这个技能？ 「TikTok Shop 开店」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。
怎么用 AI 做宣传片视频
「IMA AI 知识库总览」是「龙虾部署大师」技能市场中的多模态生成入口技能：它为 IMA Studio 的文生图、图生图、文生视频、图生视频、首尾帧视频、参考图视频、音乐和语音合成提供统一调用入口和模型路由说明，强调必须使用准确的 model_id，通过脚本查询产品列表、创建任务并轮询完成，同时处理模型默认选择、用户偏好记忆、复杂工作流拆解、视觉一致性等问题，适合规范化的多模型调用。 技能效果 做一张夏季饮品促销海报时，它先解读品类、人群和卖点，再给出画面排版方案和文生图提示词。 多模态生成，难点不在生成而在"调对模型" 当一个平台同时提供图像、视频、音乐和语音生成，每类任务下又有多个模型时，真正的麻烦是路由：一个需求该走哪种 task_type、用哪个准确的 model_id，模型别名（Nano Banana、SeeDream、Wan、Kling、Suno 等）和实际 ID 对不上就调用失败；做宣传片这类复合需求，还要先生成参考图、再生成视频和配乐，多步之间的顺序、积分、参数和轮询都要照看；同一角色或产品要出多张图和视频，外观一致性也容易跑偏。 一个需求 文 / 图生图model_id? 文 / 图生视频model_id? 音乐合成model_id? 语音合成model_id? 别名对不上 ID → 调用失败 复合需求还要管顺序、积分、轮询、一致性 这个技能怎么统一调度多模态生成 它充当 IMA Studio 多模态能力的统一入口和路由层。面对一个需求，它先解析媒体类型与 task_type（图像、视频、音乐还是语音），再按产品列表匹配准确的 model_id 调用生成脚本创建任务，并处理轮询、积分、输入图片和视频参数；遇到模型别名，它负责把别名映射到正确的 ID。对宣传片、MV 这类多媒体工作流，它会拆解步骤、安排好"先参考图、后视频和音乐"的顺序，并维持同一角色或产品在多张图、多段视频间的视觉一致性，同时记录用户显式的模型偏好。 解析类型task_type 匹配 model_id别名 → 准确 ID 创建任务轮询 / 积分 产出 它的价值在于把"选对模型、串好流程、保持一致"这些容易出错的环节标准化，让多模型调用变得规范、可复用。 用前须知 该技能需要 IMA_API_KEY 和 Python 脚本。图像、视频任务会访问 api.imastudio.com、imapi.liveme.com 及相关存储域；建议先使用测试 Key 验证流程。生成质量与所选用的具体模型能力相关。 怎么用它 用法是把要生成的内容、风格和指定模型用自然语言交给它。例如可以这样对它说： 可以这样对它说 "用 SeeDream 4.5 生成白底产品海报，画面干净，模型能力要匹配。" "把这张参考图做成十秒竖屏视频，角色外观保持一致，别换衣服和脸。" "给宣传片配一段三十秒轻快 BGM，适合社媒开场，不要人声。" 它适合这些场景：需要用 IMA 生成图片、视频、配乐或语音并选择合适模型；用户指定 Nano Banana、SeeDream、Wan、Kling、Suno 等模型别名；制作宣传片或 MV、需要先生成参考图再生成视频和音乐；以及同一角色或产品要多张图和视频保持外观一致。 大家常问 IMA AI 知识库总览这个技能里说的"多模态生成统一入口"到底是什么意思？ 指图像、视频、音乐、语音四类生成走同一套 API：先 GET product/list 查产品、（按需）上传图片、POST tasks/create 建任务、POST tasks/detail 轮询结果，鉴权、请求结构与错误码体系完全一致，task_type 字段区分模态，由 Gateway 自动路由到对应后端。 为什么用 IMA 做多模态生成时一定要写准确的 model_id，写模型别名不行吗？ 因为 IMA Open API 只做精确匹配、不做别名解析，model_id 是 tasks/create、product/list、attribute_id 计费校验贯通的唯一路由键。别名与真实 ID 之间没有可推测的命名规律（如 Nano Banana Pro 实际是 gemini-3-pro-image），写错就匹配不到产品，任务直接失败。 IMA 里的文生视频、图生视频和首尾帧视频是同一回事吗？怎么区分？ 不是。三者是独立的 task_type：文生视频只吃文本 prompt、无中生有；图生视频要 1 张图作为首帧、让画面动起来；首尾帧视频要 2 张图、模型补全中间过渡。各自有独立的模型路由表和参数规则，同一模型在不同 task_type 下 model_id 也可能不同。 为什么用 IMA 生成宣传片这类复合任务时，要先出参考图再生成视频和音乐？ 因为 IMA 一次 tasks/create 只产出一种模态，宣传片要靠依赖链编排：先生成主参考图，再用 image_to_video 以它为首帧出各段视频，保证角色与风格一致；视频生成后才拿得到实际时长，把时长传给音乐生成才能让 BGM 节奏匹配画面。 想用上这个技能？ 「IMA AI 知识库总览」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。
数据图表怎么生成图片？无需浏览器即可服务端出图
「图表图片生成」是「龙虾部署大师」技能市场中的可视化技能：它从结构化数据生成出版级的 PNG 或 SVG 图表图片，基于 Node.js、Vega-Lite 与 Sharp，不依赖浏览器、Puppeteer 或外部 API，支持折线、柱状、面积、K 线、饼环图、热力图、双轴与堆叠等图型，并可配置坐标轴、暗色主题、数值格式、注释、参考线和社交媒体尺寸，输出即用型图像文件。 技能效果 生成营收折线图时，它用示例数据画了深色主题图，并标出最高点、最低点和最近涨幅。 把数据变成一张能用的图，为什么这么折磨 难点在于"出图"这一步的环境与一致性。报告、监控告警、消息渠道里要插一张图，常见做法要么是手动在表格软件里画完截图，样式难统一；要么用依赖浏览器的渲染方案，在 Fly.io、VPS、Docker 这类无头服务器上跑起来格外麻烦。结果是同一套数据，今天画出来是一种样式，明天换个人又是另一种，图表风格散乱、还难以自动化。 { "month": "1月", "rev": 120 } … 结构化数据 无头渲染 PNG / SVG 这个技能能生成什么图 它把一组 JSON 数据直接渲染成出版级图片。图型覆盖折线、柱状、面积、点图、K 线、饼图、环图、热力图，以及多序列、堆叠、双轴和迷你图；样式上可以设置坐标轴、颜色、暗色主题、数值格式、注释、参考线，并直接输出社交媒体常用尺寸。关键在于它跑在 Node.js + Vega-Lite + Sharp 上，全程不需要浏览器或 Puppeteer，因此能稳定地在服务端批量出图。 折线 / 面积 柱状 / 堆叠 K 线 · 暗色 饼 / 环图 用前须知 该技能需要 Node.js 环境，并在 scripts 目录执行一次 npm install 安装依赖；无需浏览器、Puppeteer 或外部 API Key，默认使用 Vega-Lite 与 Sharp。图片质量取决于你提供的数据是否完整、口径是否一致。 怎么用它 用法是把数据连同想要的图型、主题和标注用自然语言交给它。例如可以这样对它说： 可以这样对它说 "用这组月营收数据生成深色折线图，标出最近涨幅和最高最低点。" "把这组开高低收数据画成蜡烛图，叠加成交量，右轴单独显示。" "这张转化漏斗数据做成横向条形图，适合汇报展示并标上数值。" 它适合这些场景：监控指标触发后生成带变化标注的告警型趋势图；把表格数据转成报告可用的柱状、折线或双轴收入图；制作叠加成交量或事件注释的 K 线图；以及为 Slack、Discord、LinkedIn 等渠道输出指定尺寸的图表。 大家常问 柱状图和条形图有什么区别？什么时候应该用横的、什么时候用竖的？ 两者本质同一类图、都用矩形长度编码数值，区别只是朝向。竖向柱状图适合分类少（≤7）、标签短、强调时间序列；横向条形图适合分类多、标签长、需要按数值排序展示 Top N。判断标准：如果竖向标签必须倾斜 30°以上才能放下，就该换横向。 同一份数据，什么情况下适合用折线图、什么情况下应该用柱状图？ 折线图用斜率传达"变化趋势"，要求 X 轴是连续型（时间、温度），数据点之间有逻辑顺序；柱状图用长度传达"项目对比"，要求 X 轴是离散型（部门、产品、地区）。口诀：有顺序看趋势用折线、无顺序看对比用柱状。强行把无序类别画成折线会误导读者建立不存在的连续关系。 饼图（含环图）在什么情况下适合用？为什么类目多了就不该用饼图？ 饼图只适合"整体被分成几块、合计 100%"且类目 2–5 个、存在明显大头的情形。类目多了不该用，是因为人眼对角度/弧长的判断精度远低于对长度的判断，10% 以内的扇区差几乎看不出来；类目过 7~8 个时颜色也辨不过来。超过 5 类应换成条形图。环图同理，弧长没解决本质问题。 图表输出为 PNG 和 SVG 两种格式，本质上有什么区别？分别适合什么使用场景？ PNG 是栅格、存的是像素阵列，分辨率固定、放大会糊，适合连续色调图像、固定尺寸最终输出、像素级一致性场景；SVG 是矢量、存的是 XML 绘图指令，任意缩放清晰、文字保留可搜索、单个元素可再编辑，适合响应式多尺寸展示、数据驱动图表、需要交互或文档检索的图形。本技能两种格式均支持输出。 想用上这个技能？ 「图表图片生成」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 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。
退货流程设计方法，打通RMA门户到仓库验货退款
「退货流程设计」是「龙虾部署大师」技能市场中的退货执行链路设计技能：它聚焦退货怎么走，而非政策条款本身，覆盖自助 RMA 门户、预付费退货面单、物流追踪、仓库隔离验货、退款换货积分等处置逻辑，并强调实物验货前不得自动重新上架。 技能效果 把全靠邮件的退货改成自助流程时，它设计了从申请到退款的九状态流转，定好自动通过与人工复核的判定规则，还排了面单生成、质检和卡点提醒。 退货执行卡在哪里 退货流程和退货政策是两回事：政策决定"能不能退"，流程决定"退起来顺不顺、会不会出乱子"。很多店铺的退货执行还停留在客服邮件来回的阶段——客户发邮件申请、客服手动核对订单、再人工开面单，效率低且容易漏。更隐蔽的风险在仓库一端：如果退回的货在实物验货前就自动回流库存，问题商品会被重新卖给下一个买家；而高频退货用户、重量对不上、序列号被掉包等欺诈信号，若没有节点去拦截，损失只能事后追。客户体验、仓库操作和财务退款这三段如果衔接不上，整条链路就会处处掉链子。 现状：靠客服邮件串起来，节点全靠人 邮件申请 人工核对 手动开单 货直接回流 未验先上架 风险：响应慢、易漏单、问题商品被二次卖出、欺诈无人拦 这个技能帮你把流程设计成什么样 它把退货执行拆成一条端到端的链路来设计。入口环节，它规划自助 RMA 门户、订单校验和退货申请的状态同步，让客户自己发起退货或换货；物流环节，它设计承运商 API 生成的预付费退货面单和追踪链接；仓库环节，它规划隔离区、验货清单，以及退款、换货、店铺积分和无需退货保留商品等处置触发点；风控环节，它通过重量差异、序列号核验、退货频率和照片证据识别欺诈风险。整条链路始终守住一条原则：实物验货通过前，库存不得自动回流上架。 ① 自助 RMA 门户发起 ② 预付费面单 + 追踪 ③ 仓库隔离区 · 实物验货 重量 / 序列号 / 频次 / 照片核验 退款 换货 店铺积分 无需退货保留 用前须知 该技能做的是流程方案设计，本身无需 API Key。若要把自助 RMA、预付费面单或退款换货真正自动化落地，需要 Shopify/WooCommerce、WMS 和承运商 API 的凭证及后台权限。它区分流程设计与政策规则的边界，不直接执行平台操作。 怎么用它 用法是把当前的退货执行现状和要解决的问题用自然语言交给它，由它产出流程方案。例如可以这样对它说： 可以这样对它说 "现在退货全靠客服邮件，帮我设计一个自助 RMA 申请、面单和审核的流程。" "退回的商品要分退款、换货和店铺积分，验货节点也加上完整的判定标准。" "高频退货用户怎么风控，流程里要能拦住异常订单和退货欺诈。" 它适合这些场景：想减少客服邮件往来、让客户自助发起退货或换货；需要按商品价值和退货原因选择退款、换货、积分还是无需退货；仓库验货前必须阻止库存自动回流、避免问题商品重新销售；以及高价值电子、跨境订单或礼品退货需要更细的风控与处置路径。 大家常问 设计退货流程时，为什么实物验货之前绝对不能让库存自动重新上架？ 因为退回的可能是空箱、错货、损坏或已使用商品。验货前就置为"可售"会污染库存：前台显示有货、客户下单、仓库却无货可发，造成超卖客诉；还可能把问题商品直接发给下一位买家，并放过空箱、序列号调包、借穿式等退货欺诈。正确做法是先入"隔离区"（不计可售库存），逐项验货通过后再移入良品区上架。 退货、换货、店铺积分和"无需退货"这几种处置方式，分别适合什么情况？ 退货退款是非质量或质量问题的标准方案；换货适合尺码、色差、瑕疵换新等客户仍想要该款的情况，能把客户和营收留在店内；店铺积分是"做让步又控风险"的折中，适合超退货期仍想让步、想锁定复购或高退货率客户；无需退货（退款不退货）适合低于退货运费的低价值、易腐、大件或卫生不可二次销售的商品，成本最优。 什么是 RMA，自助 RMA 门户和传统客服邮件退货比好在哪？ RMA 即退货授权，每笔退货生成唯一编号用于全程追踪。传统邮件退货靠客服来回沟通，响应要 24–72 小时、进度不透明、人工易错、难规模化。自助门户让客户在线提交、系统按规则自动审核并生成 RMA、出退货标签与物流追踪、退款自动触发，实时、零录入错误、边际成本趋近于零，可覆盖八成常规退货，异常案例再转人工。 退货流程里怎么识别退货欺诈，通常看哪些信号？ 常见欺诈有空箱退货、穿用后掉包、假货掉包、自损谎称收到即坏。识别信号主要看：客户退货频次与退货率是否远超店铺均值、退回包裹重量与发货重量偏差（>10% 高风险）、条码序列号与发货记录是否一致、包装配件是否齐全、多账号是否关联同一地址。按低/中/高风险分级自动退款、要凭证或寄回质检，并按品类设阈值、留好证据链。 想用上这个技能？ 「退货流程设计」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 整理零散笔记
「笔记整理」是「龙虾部署大师」技能市场中的笔记沉淀与检索技能：作用是对接 Get 笔记，完成文本、链接、图片笔记的保存、搜索、列表管理、知识库和标签操作。通过自然语言或 /note 指令，它能把聊天、网页、图片里的资料存进个人笔记系统，并用全局召回和知识库召回执行跨笔记的语义搜索，构建可复用的知识沉淀。 技能效果 整理一段杂乱的会议速记时，它把零散内容归到议题下、分点重写，并提炼出待办和要点。 资料越存越多，却越来越找不到 看到有用的链接、截图、想法，随手存下来不难，难的是事后还能找到、还能复用。常见的困境有三个：来源散——有的在聊天里，有的在浏览器收藏，有的拍了张图就忘了；检索弱——只能靠关键词逐个翻，记不清当初用了什么标题；缺组织——存归存，从没按主题归过类，时间一长就成了一堆躺着吃灰的素材。结果是"存过"却"用不上"。 散落的资料 链接 截图 想法 网页 归类 + 可语义检索 竞品调研 · 标签 直播电商 · 知识库 语义召回历史片段 这个技能能帮你管理什么 它把"随手存"和"找得到、用得上"接到一起。核心能力有四块：一是保存文本、链接和图片笔记，并对图片这类异步任务轮询进度直到完成；二是通过全局召回和知识库召回，执行跨笔记的语义搜索，不必记住原始标题也能找回内容；三是浏览、查看、更新、删除笔记，并按需生成分享链接；四是管理知识库、订阅内容、直播关注和笔记标签的增删。它按保存、搜索、列表、知识库、标签、配置等不同场景路由到对应能力，让个人资料从"散乱堆积"变成"有主题、可检索的知识库"。 保存文本/链接/图片 归类知识库/标签 语义召回跨笔记搜索 复用分享/引用 用前须知 该技能需要 Get 笔记的 API Key 和 Client ID，并具备 note.content.read/write、note.recall.read 等权限。它会注意 64 位笔记 ID 的精度安全（JavaScript 处理时按字符串保留），并守住私密笔记的隐私边界。 怎么用它 用法是用自然语言把要存什么、怎么归类、要找什么说清楚，无需手动调接口或记 ID。例如可以这样对它说： 可以这样对它说 "这个链接先存到 Get 笔记里，标签写产品调研和竞品来源，备注一下出处。" "找一下去年收藏的那篇投流复盘，按时间倒序打开最近三篇原文。" "新建一个竞品知识库，把这几条笔记一起放进去，标签写直播电商。" 它适合这些场景：把聊天、网页、图片里的资料快速存进个人笔记并保留来源；查找近期笔记、查看原文详情或按语义检索历史片段；整理主题知识库，把相关笔记批量加入或移出并维护标签；配置 Get 笔记授权，排查 401、403、限流和会员权限问题。 大家常问 为什么散乱的笔记越存越找不到？只讲 AI 笔记整理的原理（结构化分类、标签体系、卡片化、双链、Zettelkasten、PARA），不要提及任何第三方笔记/PKM 工具或本地知识库框架。 本质是缺骨架和缺连接：每条笔记没有固定归属，也没有跨条目的关系记录，下次回想时只能在平行条目里淹没。AI 笔记整理用结构化分类把笔记推到所属知识簇、用标签做多维标记、用卡片化拆出最小知识单元、用双链织出关系网，让"存过"真正变成"找得到"。 什么是笔记的语义召回？只讲 AI 笔记整理的原理（结构化分类、标签体系、卡片化、双链、Zettelkasten、PARA），不要提及任何第三方笔记/PKM 工具或本地知识库框架。 语义召回指 AI 按笔记含义而非字面关键词查找内容，搜"苹果"会按上下文区分"水果"还是"手机品牌"。它把分类下钻、标签交集、双链遍历、PARA 层级匹配等多路检索结果按相似度排序后合并，因此换个表达也能找回旧笔记，不必记得当初的原标题。 笔记的标签和知识库有什么区别？只讲 AI 笔记整理的原理（结构化分类、标签体系、卡片化、双链、Zettelkasten、PARA），不要提及任何第三方笔记/PKM 工具或本地知识库框架。 两者不是同一层级：标签是元数据层，多对多附在笔记上做筛选；知识库是成果层，承载卡片、链接、标签、分类的整体。一篇笔记只能进一个分类却可以挂多个标签，知识库则把这些维度合到一起做检索与推理，标签只是其中的一个索引面。 什么是卡片化笔记？只讲 AI 笔记整理的原理（结构化分类、标签体系、卡片化、双链、Zettelkasten、PARA），不要提及任何第三方笔记/PKM 工具或本地知识库框架。 卡片化笔记把知识拆成最小独立单元，一张卡只承载一个概念、观点或事实，并配一个可独立引用的标题。AI 会把长文按语义边界自动切分、为每张卡生成摘要、检测重复卡片建议合并，让同一张卡可在不同主题里被复用，避免笔记越写越粗、越难检索。 想用上这个技能？ 「笔记整理」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。
提示