如何用AI填高考志愿
「升学志愿咨询」是「龙虾部署大师」技能市场中的志愿分析技能：它用就业倒推、家庭背景分流、城市优先、中位数原则和不可替代性检验等方法分析院校与专业选择，强调先查真实就业、薪资、录取分数和行业趋势数据，再结合普通家庭的风险承受能力给出明确判断、关键追问和取舍依据。 技能效果 判断“人工智能专业稳不稳”前，它先查最新的人才缺口、供需比和薪资数据，再给出会分化的结论。 填志愿，为什么容易被"感觉"带偏 填报志愿的决策周期短、信息却又多又杂。家长和考生常被几种倾向带偏：只看学校名气，忽略专业的真实就业去向；被某个专业的"情怀叙事"打动，却没核对薪资中位数和行业变化；用个别成功或失败案例代替整体趋势判断。更现实的是，同一个选择对不同家庭的风险并不相同——普通家庭能承受的试错空间，和有资源托底的家庭并不一样。缺了真实数据和与家庭条件匹配的框架，很容易做出经不起推敲的决定。 凭感觉填志愿的三个偏差 只看名气忽略就业去向 被情怀打动不核薪资中位数 个案代替趋势忽视行业变化 同一选择 · 不同家庭 · 风险承受能力不同 缺真实数据 + 匹配框架 → 决策经不起推敲 这个技能用什么框架帮你判断 它的原则是"先查真实数据，再给判断"。面对涉及具体专业、院校、政策或行业变化的问题，它会先获取最新的就业率、薪资中位数、录取分数、排名和招聘趋势，再用一套现实导向的方法分析：就业倒推（从毕业后能去哪反推该不该选）、家庭背景分流（按家庭资源校准可承受的风险）、城市优先（平台与机会往往集中在城市）、中位数原则（看普通毕业生的真实去向而非头部个例）、不可替代性检验（这个专业的壁垒是否够硬）。交付的是明确判断、关键追问和数据依据，而不是含糊的安慰。 先查数据就业/薪资/分数 就业倒推 家庭背景分流 城市 / 中位数原则 明确判断+ 关键追问 + 数据依据 用前须知 该技能无需本地依赖或 API Key。涉及具体院校、专业、政策、薪资和就业数据时，需要联网查证最新信息，因此使用时应保证网络可访问；纯框架性问题则可直接分析。它给出的是基于现实数据的判断框架，最终决策仍需结合考生本人的意愿与具体情况。 怎么用它 用法是把考生的分数、家庭情况和纠结的选项用自然语言说清楚，让它结合数据分析。例如可以这样对它说： 可以这样对它说 "看看孩子想报人工智能专业到底稳不稳，先查最新的就业数据再下判断。" "我家是普通家庭，分数够南京审计，帮我分析怎么选，别只看学校名气。" "分析一下新闻学这个专业，要结合就业率和薪资中位数，别只讲情怀。" 它适合这些场景：高考填报前比较专业和城市，需要结合分数、家庭和就业风险；家长想评估某个热门专业是否适合普通家庭长期投入；考研或转专业时，判断学校平台与专业壁垒哪个更重要；讨论教育选择与职业规划时，用现实就业数据校准预期。 大家常问 为什么填高考志愿不能只看分数线，而要按位次换算？ 每年试卷难度、考生人数、招生计划都在变，同样的分数对应的全省排名年年不同。位次（省排名）才是稳定参照系。做法是查一分一段表确认今年位次，再用这个位次到去年一分一段表换出等效分，拿等效分对比往年录取数据，比直接比分数可靠得多。 冲稳保是什么意思，高考志愿梯度怎么排才算合理？ 冲稳保是用梯度分散滑档风险的分层逻辑：冲是往年录取位次略高于你、争上限；稳是位次与你接近、作为录取主力；保是位次明显低于你、确保兜底。常见比例约 3:4:3 或 4:3:3，梯度之间保持间距，冲和保的志愿建议服从调剂，保底一定要真能保住。 服从专业调剂和不服从有什么区别，应该怎么权衡？ 调剂只在同一所学校内部进行：服从调剂可能被分到不喜欢的专业但能被录取，不服从一旦填报专业都没录上就会被退档，直接滑到下一批次而非同批下一所学校。原则上冲和保的志愿建议服从，特别在意专业且能接受退档风险的稳志愿才考虑不服从。 选专业时，专业、院校和城市该怎么权衡谁优先？ 没有统一答案，要按情况排权重。理工科或普通家庭多为专业优先，技术壁垒决定就业；文科多为院校优先，品牌和实习资源依赖城市；分数极高时院校优先，名校平台价值大；分数跨批次时城市优先，信息差和就业机会强于低层次院校。可对各选项分维度打分加权择优。 想用上这个技能？ 「升学志愿咨询」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 制定减脂计划
「健康减脂顾问」是「龙虾部署大师」技能市场中的减重规划技能：作用是根据你的身体数据、健康限制、运动基础和饮食条件，算出科学的减重方案——它会计算 BMI、BMR、TDEE 和建议的热量缺口与周期，生成 4 周渐进的运动计划、每日食谱框架和执行检查清单，并提示医学边界和危险信号识别标准。 技能效果 给出身高体重让它做减脂计划，它先估算了BMI和每日消耗，再排出四周递进的方案，把每周的摄入热量和运动频率列成表。 减重总是反复，问题常常出在"凭感觉" 大多数减重失败，并不是不够努力，而是缺乏量化依据。常见三种误区：一是热量没算清，不知道自己每天该吃多少、缺口留多大，要么饿到坚持不了，要么明明在控制却毫无变化；二是运动饮食两张皮，只盯着运动或只盯着吃，没有把两者放进同一个能量账里；三是不会判断进度，两周没动就慌、下降太快又不知道是否伤身。减重本质是能量缺口的管理，把摄入、消耗和目标算清，方向才稳。 能量账：消耗 > 摄入 = 减脂 每日摄入 饮食
如何用 AI 查股票行情数据
「行情数据查询」是「龙虾部署大师」技能市场中的金融数据检索技能：它基于东方财富权威数据库，用自然语言查询行情、估值、资金流向、财务指标、企业信息、股东高管和关联关系等数据，并把结果整理成多 sheet Excel、文字说明和原始 JSON。 技能效果 查腾讯控股行情时，它返回最新价、当日涨跌幅和近五个交易日收盘价，还逐日标出放量与异常波动。 查一组金融数据，为什么总是绕远路 要查某只股票的最新价、市盈率、主力资金，或某家公司的财务和股东结构，传统做法是在不同页面之间来回切换、手动复制再拼到表格里；指标口径、单位、时间范围每次都要重新对齐，数据多了还容易漏抄错抄。更麻烦的是直接问大模型——它的记忆可能停留在旧数据，时效性金融问题答得并不可靠。「行情数据查询」要解决的，是让查询走权威数据库、用自然语言一次问清，并把结果落成可直接分析的结构化文件。 自然语言提问 → 权威数据 → 结构化输出 自然语言问句证券/指标/时间 东方财富官方 API权威数据库 多 sheet Excel结果说明原始 JSON 这个技能能帮你查到什么 它覆盖的范围比单纯的价格查询更广。行情维度，可按自然语言查股票、指数、基金、债券和板块行情；公司维度，可获取上市与非上市公司的财务、融资和经营信息；关系维度，能解析证券主体、指标元信息以及企业、股东、高管、证券之间的关联关系。每次查询会同时产出三种产物：多 sheet Excel、多表说明文本和 API 原始 JSON，三者分别对应直接分析、快速阅读和留档复核。 行情价/估值/资金 公司财务/经营 关系股东/高管 用前须知 该技能需要 Python 和环境变量 MX_APIKEY；查询文本会发送至东方财富官方 API 域名 mkapi2.dfcfs.com，默认输出到本地工作区目录。技能内部会提醒避免超大范围查询，以减少模型上下文膨胀、提升数据时效性。它提供的是数据检索与整理，不构成投资建议，也不承诺数据的完整或准确无误，重要决策请以官方原始数据为准。 怎么用它 用法是把要查的证券、指标和时间范围用自然语言说清楚，不必关心调用哪个接口、字段叫什么。例如可以这样对它说： 可以这样对它说 "查腾讯控股最新价、涨跌幅和最近五个交易日收盘价，一起看清楚，异常的标出来。" "东方财富这只股票当前的市盈率、主力资金和换手率是多少，按最新数据来。" "把贵州茅台近一周的成交量、收盘价整理成表格，并保留单位，把样本标明。" 它适合这些场景：查询某只股票的最新价、近几日收盘价或市盈率等指标；分析上市公司的财务、主营业务、股东结构或高管信息；研究企业、股东、高管和证券之间的关联关系；以及在金融问题需要及时数据支撑、不想依赖模型记忆或旧数据时。适用于投资研究、金融数据分析、财务顾问、量化研究和需要快速获取结构化数据的业务人员。 大家常问 股票行情里的前复权、后复权和不复权有什么区别？ 不复权保留每天真实成交价，除权除息日会留下跳空缺口；前复权以最新价为基准把历史价往下调，走势连续、适合看技术形态，但每次新除权都要重算；后复权以早期价为基准把后续价往上调，能反映长期累计涨幅。没有哪个最准，按分析目的选。 Level2 行情和 Level1 行情的区别是什么？ Level1 是聚合后的基础行情，一般五档盘口、只显示各价位委托总量，按固定间隔（约 3 至 6 秒）推送快照，没有逐笔成交。Level2 数据更细，通常十档及以上，能看到逐笔成交的时间、价格、方向，更新接近毫秒级，数据量也远大于 Level1。 行情数据为什么会有延时 15 分钟，实时行情和延时行情有什么不同？ 15 分钟延时是数据授权制度安排，不是技术瓶颈：实时行情多为付费授权，延时行情作为公共信息免费开放。实时行情用连续流水逐笔推送、延迟在毫秒到秒级；延时行情按快照延后推送。两者频率可以相同，区别只在延迟窗口；历史行情则是静态的日/分钟线数据。 股票行情里的成交量和成交额有什么区别？ 成交量看成交的股数（单位是手，多按单边计），反映交投活跃度；成交额看成交的金额（成交价乘以股数，单位是元），同时反映价格和资金规模。关系是成交额约等于成交量乘以区间加权均价。两者来自同一撮合系统、同样口径，只是数量与金额两个维度。 想用上这个技能？ 「行情数据查询」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。
苏格拉底式追问怎么帮你学得更深
「自适应苏格拉底追问」是「龙虾部署大师」技能市场中的思考训练技能：它不直接给答案，而是先分析回答的准确性、深度和盲点，再选择解释、证据、因果、反例或泛化类追问，构建一条逐步深入、每轮只问一题的提问链，帮助学习者发现假设、补足证据并形成独立判断。 技能效果 提交一个“短视频时长会降低专注力”的研究设计后，它先不给结论，而是反问专注力该怎么操作化、用什么工具测量，一步步逼出设计里的变量漏洞。 为什么"被直接喂答案"反而学不深 遇到难题时直接得到答案，看似高效，却跳过了最关键的思考过程。学习者没有经历"提出假设—检验—修正"的推理路径，就难以发现自己理解中的盲点和潜在误解。结果是当下听懂了，换个情境又不会用；论点说得出口，却补不出支撑它的证据和边界条件。研究设计、批判性思维、论文论证这类任务，恰恰需要的是推理能力本身，而不是一个现成结论。 直接给答案 问题 答案 跳过推理 → 换情境又不会 递进追问 假设 检验 修正 独立判断 这个技能用什么方式带你思考 它的核心做法是"先诊断，再提问"。每一轮，它先分析你回答的准确性、理解深度、盲点和潜在误解，再据此选择追问的类型——是让你解释机制、补充证据、追溯因果、设想反例，还是做泛化推广。它会围绕一个问题构建 3 到 5 个逐步深入的提问，并且每次只抛出一个，根据你的水平实时调整难度。当你出现挫败、偏题或在原地打转时，它会降低难度、给出思考支架，或先整理一段已达成的共识再继续。 分析你的回答准确性 / 深度 / 盲点 选择一种追问 解释性 证据性 因果性 反例性 泛化性 每轮只问一题 · 按水平调整难度 · 卡住给支架 用前须知 该技能无需 API Key、脚本或外部依赖，主要依靠对话流程与追问策略推进。它默认不直接给结论；若你明确要求直接答案，它会先给答案，再补充思路引导。它训练的是思考过程，最终的判断仍由学习者自己得出。 怎么用它 用法是把你想深入想清楚的问题、以及你目前的想法交给它，让它用提问推进。例如可以这样对它说： 可以这样对它说 "我做研究设计总是直接跳到答案，用问题一步步逼出我假设里的漏洞，先别讲结论。" "围绕因果推断这道题，只用问题引导我推到关键点，别直接揭晓答案。" "学生这个回答太浅，帮我设计几轮递进问题判断他是不是真懂，再换角度追问。" 它适合这些场景：指导学生设计研究方案，从模糊想法推进到可验证的问题；训练批判性思维，让学习者为结论补充证据和边界条件；讨论数据分析结果时，引导对方解释机制而不只是描述现象；论文写作中帮助作者梳理论点、论据和可能的反例。 大家常问 苏格拉底式追问到底是什么意思，它和老师直接讲答案有什么区别？ 苏格拉底式追问是一种以提问驱动思考的教学方法：不直接给结论，而是用一连串精心设计的开放式问题，引导学习者自己发现并修正认知。和直接讲答案最大的区别是知识流向——讲答案是单向传输、学生被动接收；追问是双向对话，学生自己建构理解，记得更牢、更能举一反三。 为什么用追问引导比直接告诉答案更能让人学得深、记得牢？ 直接给答案是信息单向灌输，大脑活跃度低、很快遗忘。开放式追问强制学习者主动检索和推理，留存率更高；而且当结论是自己推出来的，会被标记为"自己的成果"，记忆优先级更高。追问看似绕路，但每绕一个弯，大脑就多一次主动加工——学习的深度取决于加工次数，而不是接收的信息量。 苏格拉底式追问里说的递进追问，常见的有哪几种类型？ 常见类型包括：澄清型（逼你精确定义术语）、前提型（挖出隐含假设）、证据型（检验论据是否充分）、视角型（换立场重新审视）、后果型（推演结论会导向什么）、元认知型（把注意力转向思考过程本身）、反诘型（用归谬让你自己撞上逻辑矛盾）。这些不是随机用，而是按学习者当前状态动态切换。 追问时说的自适应难度调整是什么意思，为什么卡住了要降难度给支架而不是直接说答案？ 自适应难度调整指追问深度随学习者反应实时调整，始终把问题维持在"踮脚够得到"的最近发展区内。卡住时直接给答案，会跳过该经历的思考过程、制造"听懂了"的假象。降难度的本质是加认知支架（拆解、提示、类比、可视化），降低入口门槛但保留核心推理由学习者完成，这样才学得到可迁移的思维方法。 想用上这个技能？ 「自适应苏格拉底追问」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。
供应商绩效怎么管理？算准时率缺陷率识别供应风险
「供应商绩效管理」是「龙虾部署大师」技能市场中的采购供应链技能：它系统化监控采购订单、收货、质检、交付周期和供应商健康度，计算准时交付率、填充率、缺陷率和综合健康分，并识别单一供应商依赖、交期波动和认证到期等供应风险，输出评分与行动建议。 技能效果 给三家供应商打绩效分时，它按准时率、到货率、质检退货率设权重算出综合得分和排名，把低于阈值的指标标红预警，并对每家给出合作建议。 供应商好不好，凭印象说不清 采购对供应商的评价常常停留在印象层面："这家发货还行""那家偶尔出次品"，但具体准时率是多少、缺陷率有没有恶化、交期波动有多大，往往拿不出数据。更要命的是几类隐患容易被忽视：库存系统只凭装箱单入账、不做实物清点，问题货混进了库存；供应商发票单价和 PO 对不上、却没有三单匹配的环节去拦；核心 SKU 过度依赖单一供应商，一旦对方掉链子，大促前就可能断货。没有统一的计分口径，这些问题只能等出事了才发现。 凭印象 vs 用数据评供应商 凭印象 "还行 / 偶尔出问题" 出事才发现 用数据 准时率/填充率/缺陷率 综合健康分排序 这个技能能帮你管清什么 它把供应商管理拆成从下单到评估的一条闭环。在订单环节，它标准化采购订单字段，明确 SKU 映射、约定单价、交期和贸易条款；在收货环节，它建立到货实物清点、短缺处理、质量对比和库存入账流程，让入账不再只凭装箱单；在评估环节，它计算准时交付率、填充率、缺陷率和供应商综合健康分，形成可排序的计分卡；在风控环节，它识别单一供应商依赖、交期波动和认证到期等风险。它还支持三单匹配——把采购单、收货单和发票对齐，发现发票单价与 PO 不一致的问题。输出可以是供应商得分、安全库存调整、认证到期提醒和行动建议。 三单匹配：对齐后才入账与付款 采购单 PO约定单价/数量 = 收货单实物清点 = 发票单价核对 入账付款 用前须知 该技能无需 API Key 或专用运行环境，可基于你提供的采购订单、收货、质检和供应商台账数据建模。它做的是评估与建模，把流程和计分卡真正系统化落地时，需要连接 ERP/WMS 或数据库。数据越完整，评分和风险提示越可靠。 怎么用它 用法是把供应商的历史表现数据或要处理的采购问题用自然语言交给它，由它评分、给建议。例如可以这样对它说： 可以这样对它说 "把这三家供应商近半年的准时率、到货率和质检退货评个分，差的标红。" "这个采购单拖了两个月没关，帮我核一下缺货和补款该怎么收。" "按交期波动和残次率重新算安全库存，别让爆款在大促前断货三天。" 它适合这些场景：把供应商的交期、缺货和质检问题纳入月度评估；库存系统不能只凭装箱单入账、需要增加实物清点和 QC 门槛；供应商发票与 PO 单价不一致、需要建立三单匹配流程；以及核心 SKU 过度依赖单一供应商、需要规划备选供应商和安全库存。 大家常问 供应商绩效一般从哪几个维度评？准时交付率、填充率、缺陷率分别是什么意思？ 常分五个维度：交付、质量、成本、服务响应、合规与风险。其中交付绩效最常用，含三个关键指标：准时交付率＝约定交期内交付订单数÷总订单数，看时间；填充率＝实收数量÷订购数量，看是否足量；缺陷率＝质检不合格数÷实收数，看质量。三者要合并看，本技能据此算出供应商综合健康分。 采购里说的三单匹配（PO、收货单、发票）是什么？为什么发票和采购单单价对不上要先卡住？ 三单匹配是付款前把采购订单、收货单、发票两两核对：PO 对收货单看数量、收货单对发票看开票量、PO 对发票看单价。单价对不上要先卡住，因为 PO 单价是经审批的书面约定，直接照发票付＝默认接受供应商单方涨价，或掩盖录错、计量单位不符等错误。本技能内置三单匹配流程，差异先暂停再核。 为什么库存入账不能只凭供应商的装箱单？实物清点和 QC 质检这一步是为了防什么？ 装箱单是供应商自报的"承诺"、不是仓库的"事实"。实物清点防短少、多发错发和运输损坏，避免账面虚高、无法追责；QC 质检防批量质量问题、规格版本不符与安全合规风险，并留下扣款索赔的证据链。本技能要求按到货清点加 QC 审核再入账，把这步当成防火墙，而非凭装箱单签收。 安全库存是什么？为什么交期波动大、残次率高的供应商，对应的安全库存要设得更高？ 安全库存是应对供应链不确定性的缓冲库存，不用于满足正常需求、只为防断货。交期波动大时只能按最长可能交期备货，波动越大放大越明显；残次率高则实际可用量低于账面、相当于变相缩短补货周期，需把安全库存除以(1−残次率)放大。本技能按交期波动和残次率重算安全库存并分级建议。 想用上这个技能？ 「供应商绩效管理」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。
如何用 AI 优化提示词
「状态化提示词优化」是「龙虾部署大师」技能市场中的提示词改写技能：作用是自动识别并改进复杂、技术、可复用、需求含糊或精度关键的提示词。它结合 APE、OPRO、DSPy 等模式做多轮优化，冷启动模式可直接套用研究驱动的改写策略，状态化模式则借助嵌入索引的历史样本、相似提示检索、反馈记录和质量评分持续学习，输出优化后的提示词、改进依据、迭代次数和收敛判断。 技能效果 丢给它一句含糊的「把用户反馈整理一下」，它改写成可复用的结构化提示词，补上分类维度、优先级标注、成功标准和后续动作。 提示词写得不稳，问题出在哪 同一个任务，提示词措辞稍有不同，输出就忽好忽坏：需求写得含糊，模型自由发挥太多；约束堆得太满，又变得脆弱、一改就崩。更麻烦的是缺少积累——每次都从头调，调好的版本没沉淀下来，下次遇到类似任务又得重来。对于代码生成、分析报告这类需要稳定结构和验收标准的任务，提示词不稳定，直接拖累产出的可靠性。 含糊提示 自由发挥太多 堆满约束 脆弱、一改就崩 清晰、可测量、可复用 约束简洁有效 这个技能能帮你优化什么 它把"凭手感调提示词"变成"有方法、可积累的优化过程"。核心能力有四块：一是识别复杂、多步骤、技术输出、模板和精度关键型的提示词，判断哪些值得优化；二是调用优化流程，生成改写版本、改进说明和迭代建议，并控制迭代次数与收敛条件，避免过度优化反而变脆；三是在状态化模式下，基于历史向量检索、相似提示、反馈记录和成功率持续学习，让后续改写越用越准；四是结合 APE、OPRO、DSPy 等研究驱动的策略，把含糊需求改写成清晰、可测量、可复用的指令。优化结果会附上改进依据和迭代次数，让你看清"为什么这样改"。 原提示词含糊/脆弱 多轮优化APE/OPRO/DSPy+ 历史检索 迭代收敛 优化后提示词清晰 / 可测量附改进依据 用前须知 冷启动模式无需安装即可使用。若要启用状态化学习（基于历史样本持续改进），需要 Node.js 18+、Docker、Qdrant、Redis 以及 prompt-learning MCP，并配置 OPENAI_API_KEY 用于嵌入与评估。 怎么用它 用法是把你要优化的提示词和期望的稳定效果用自然语言交给它，它会改写并说明依据。例如可以这样对它说： 可以这样对它说 "把这个长任务提示词优化成可复用版本，并设清楚成功标准。" "这段代理提示老跑偏，按历史效果压缩约束，减少无关发挥。" "改进这个代码审查提示词，让输出稳定覆盖关键风险点和缺失测试。" 它适合这些场景：要把含糊需求改写成可复用的系统提示词或任务模板；代码生成、分析报告或结构化输出需要更稳定的约束和验收标准；长期项目希望记录提示词表现并基于成功案例持续改进；复杂代理流程要在不增加脆弱性的前提下提升指令清晰度。 大家常问 为什么同一个任务，提示词措辞稍微改一下，模型输出就忽好忽坏？ 大模型每次调用都是无状态的独立计算，没有对上一次输出好坏的记忆，措辞稍变就走到不同的生成路径上，输出自然不稳。状态化提示词优化的做法是在调用之间建一条反馈回路：把历史输入、输出和评分累积起来，挑高分样本做滚动 Few-shot，再用反思-改写循环抑制随机波动，让"忽好忽坏"收敛成稳定输出。 什么是提示词的冷启动模式和状态化模式，它们的差别是什么？ 冷启动模式是每次都从零构建提示词，不查、不留任何历史，效果完全取决于本次写得好不好。状态化模式则把每次提示词、响应和质量评分记录下来，建嵌入索引和成功率统计，新任务先检索相似的高分历史样本作参考。差别在于学习能力：冷启动每次原地重来，状态化越用越准，但需要存储和检索基础设施。 为什么提示词不能一次写好，需要多轮迭代和收敛判断？ 因为你写提示词时脑子里的"理想输出"模型并不知道，模型对模糊指令的默认倾向也要等它真的产出文本才能看见。多轮迭代实际上是用实测数据反向修正你对模型的假设：上下文累积灌入你的标准，反思-改写分离诊断和修复，A/B 替换让数据决定哪种措辞活下来。收敛判断（连续几轮改进幅度低于阈值、评分达标、Token 预算耗尽等）则避免越改越脆的过度优化。 怎么判断一段提示词是『含糊型』还是『精度关键型』，对应的改写策略有什么不同？ 把提示词套入「80% 正确是否仍然有用」这一问：写产品介绍、做主观分析这类回答"是"的属于含糊型；代码生成、信息抽取、SQL 查询这类回答"否"的属于精度关键型。含糊型改写重点在风格引导和方向一致——上下文用追加式累积偏好，Few-shot 选风格范例，预算可宽松；精度关键型重点在压缩误差——规则约束严格优先于历史，Few-shot 滚动覆盖易错边缘案例，强制开启链式思维做审计追踪。 想用上这个技能？ 「状态化提示词优化」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。
提示