RAG 检索召回率怎么提升
「RAG 知识检索」是「龙虾部署大师」技能市场中的本地知识库检索技能：作用是把图片、PDF、Word、Markdown、TXT、PPT 等多格式文档解析、切分并建成向量索引，提问时先改写问题，再用向量检索、BM25、LLM 分词、RRF 融合与重排序找出最相关的片段喂给大模型，让回答有据可依，而不是凭原文整篇硬塞。 技能效果 把年假政策和报销流程两份资料建索引后，它按用户问题检索作答：入职两年休五天年假，报销三千需主管加总监二次审批，还标了来源。 为什么把整份文档塞给大模型行不通 直接把整份资料丢给大模型回答问题，会遇到三个工程上的硬约束：一是上下文窗口有限，几十页的合同或一整本教材根本放不进去；二是塞进去的无关内容越多，模型越容易被干扰、答非所问，准确率反而下降；三是用户的提问往往很口语、很模糊，和原文里的措辞对不上，直接拿原话去匹配经常漏掉真正相关的段落。RAG（检索增强生成）就是为了解决这一类问题：先检索出少量真正相关的片段，再让模型基于这些片段作答。 两种喂法的对比 整份原文硬塞 超窗口 · 被无关内容干扰 先检索再作答 只取相关片段 · 有出处 这个技能把 RAG 流程做成了什么 它把"建库"和"检索"两个阶段串成一条完整流程。建库阶段，它解析图片、PDF、Word、Markdown、TXT、PPT 等多种格式（图片走 OCR 后入库），把内容切分并写入 sqlite-vec 向量数据库；这里用的是 smart 模式，会跳过已索引过的重复文件、只追加新文档，或在需要时定向重建索引，避免每次都从头跑一遍。检索阶段，它不会拿用户原话直接去查，而是先把口语化、模糊的问题改写成精准的查询词和子查询，再并行执行向量检索、BM25 关键词检索、LLM 分词，用 RRF 把多路结果融合，最后做一次 LLM 重排序，返回排在最前的相关片段。 阶段 0 · 建库 多格式文档 解析 + 切分图片走 OCR sqlite-vec 索引smart 增量 阶段 1 · 检索 口语问题改写为查询词 向量 + BM25 + 分词RRF 融合 · 重排序 相关片段喂给模型 这套混合检索加重排序的设计，目的是同时兼顾"语义相近"和"关键词命中"两种召回，比单一向量检索更不容易漏；问题改写则解决了"用户说得太口语、和原文对不上"的老问题。 用前须知 该技能依赖 sqlite-vec、requests、python-docx、python-pptx 等运行环境，并从 AI agent 身份文件读取 uid/token；每次开启新会话需先运行 check_env.py 初始化环境。一个重要约束是：回答时只引用检索出来的片段，不绕过检索直接翻整份原文，这样才能保证回答可溯源。 怎么用它 用法是用自然语言把"要建库的资料"或"要回答的问题"交给它，建库与检索的细节由它按流程处理，无需手动跑脚本或调参数。例如可以这样对它说： 可以这样对它说 "把这批 PDF 和 Word 建好索引，之后按用户问题检索相关片段来回答。" "我的问题问得比较口语，先帮我改写成精确检索词，再跑一遍混合检索和重排。" "这些图片资料先 OCR 入库，查询时只看检索到的片段，不要直接翻原文。" 它适合这些场景：用户上传教材、合同、论文或资料包，需要先建立统一的本地知识索引库；围绕已索引资料做问答，且要求答案只引用检索片段而非整份原文；新增或更新文件后，要避免重复索引、保留已有数据库内容；提问较模糊，需要先改写成结构化查询词以提升召回质量。适合做本地资料问答、课程辅助、文档研究和企业知识库检索，尤其是多格式文档混在一起的场景。 大家常问 RAG 检索里说的「混合检索」是什么意思？ 混合检索不是某种单一算法，而是把两路检索的结果融合起来：一路用 BM25 等稀疏检索做关键词字面匹配，一路用向量做稠密语义匹配，再用 RRF 等方式按排名融合去重。目的是同时兼顾"精确命中"和"语义相近"，比只用一路更不容易漏掉相关片段。 向量检索和关键词检索（BM25）有什么区别？ BM25 是稀疏检索，靠词频与倒排索引做字面匹配，词对不上就漏，但对专有名词、型号、代码很精确且可解释。向量检索是稠密检索，把文本编码成向量比语义相似度，能识别同义改写，但对罕见实体和精确匹配偏弱。一个管字面命中，一个管语义关联，互补大于竞争。 为什么混合检索之后还要再做一次重排序（rerank）？ 混合检索为了保召回会"广撒网"，两路打分都是轻量近似——BM25 只看词频、向量是有损压缩，正确答案大概率在候选里却不一定排最前，还混着噪声。重排序用交叉编码器让查询和每个候选做细粒度交互精排，把真正相关的提到前面。它只在几十到几百条候选上跑，负责"收网"。 检索评测里的召回率和精确率有什么区别？ 召回率回答"该找的有没有漏"，是命中的相关文档数除以全部相关文档数；精确率回答"找回来的有没有用"，是命中的相关文档数除以返回的总条数。两者通常矛盾：多返回结果召回率升、精确率降。工程上常用大候选集保召回，再靠重排序和元数据过滤把精确率提上去。 想用上这个技能？ 「RAG 知识检索」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。
亚马逊Listing怎么写？4+2要点加A+结构搭框架
「亚马逊 Listing 生成」是「龙虾部署大师」技能市场中的 Listing 内容框架技能：它用高转化模板组织标题、要点、图片和 A+ 内容——要点采用 4+2 结构，图片采用竖图加视频的移动端优先组合，A+ 采用 1+8+1+8+1 页面结构，输出完整文案、图片简报、A+ 结构和卖点关键词一致性审核建议。 技能效果 给它一款搅拌机的卖点和规格，它写出了七条亚马逊要点，把功率、刀片、容量这些关键词自然嵌进描述。 Listing 决定转化，但很难一次写到位 同样的产品和流量，Listing 写法不同，转化能差出一截。常见问题是：标题堆砌关键词却读不顺，五点要点平淡、没说到买家在意的痛点，图片想到哪拍到哪、缺乏移动端优先的规划，A+ 内容又和五点重复。这些环节本该互相配合，自己从头写却往往缺少一套成体系的结构。 这个技能能帮你产出什么 它按一套高转化模板把 Listing 的四个部分一次性规划齐。要点上，用 4+2 公式撰写最多 7 条收益导向的要点，兼顾四个核心卖点加包装清单与保修注意事项；图片上，规划"X 张竖图 + 1 个视频"的移动端优先结构；A+ 上，构建 1+8+1+8+1 的内容模块和品牌故事；最后还会交叉检查标题、图片与 A+ 中卖点和关键词的一致性，避免各说各话。 标题 · 关键词覆盖读得顺、放得准 要点 · 4+2 结构4 卖点 + 包装 + 保修 图片 · 竖图 + 视频移动端优先 A+ · 1+8+1+8+1特性 / 场景 / 品牌故事 它交付的是一套能直接落地的材料：完整 Listing 文案、给设计师的图片拍摄简报、A+ 页面结构，以及一份一致性审核建议。换句话说，从卖点提炼到页面各模块的分工，它替你排好了。 用前须知 该技能无需 API Key 或代码依赖，但要产出贴合的文案，使用前需准备产品资料、竞品 Listing、目标关键词、评价洞察、图片资产要求和品牌信息。资料越全，卖点和关键词的覆盖越精准。 怎么用它 用法是把产品和你想强化的方向用自然语言说清楚即可。例如可以这样对它说： 可以这样对它说 "根据这款搅拌机卖点写亚马逊七条要点，关键词自然放进去，规格写清。" "重做 Listing 图片规划，按竖图加视频组合安排每张用途和细节。" "A+ 页面要突出场景痛点，避免重复五点里的话术和品牌故事。" 它适合这些场景：新品上架前从竞品分析到要点、图片和 A+ 一次性规划；现有 Listing 转化弱、需要重写卖点并补足客户痛点表达；准备给设计师下发主图、场景图、尺寸图和视频拍摄简报；品牌备案后规划 A+ 页面、避免与要点重复并强化信任。 大家常问 亚马逊 Listing 的五点描述（Bullet Points）到底是哪五点，写的时候顺序为什么重要？ 最多 5 条，没有强制内容，但按转化最优推荐：第 1 点核心卖点/差异化、第 2 点关键规格尺寸、第 3 点材质与品质、第 4 点使用场景、第 5 点售后保障。顺序重要是因为移动端流量已占六七成，手机端默认只完整显示前 2 条、其余折叠，且第 1 条的核心关键词搜索权重最高，顾客通常 10—20 秒扫完前两条就决定走或留。 亚马逊的 A+ 内容和五点描述、商品描述有什么区别，为什么内容不要重复？ 五点在最显眼处，负责 10 秒内传递核心卖点；A+（需品牌备案）在下方图文混排，负责深度说服；商品描述是旧版纯文本，多数类目已被 A+ 取代。不重复有三层原因：A+ 与五点、后台词共用关键词空间，逐字复制等于浪费 A+ 的额外索引；重复让顾客信息疲劳；且五点回答"有没有我要的功能"、A+ 回答"是否真的好"，处于转化漏斗不同阶段。正确做法是 A+ 把五点卖点展开，而非翻译成图片。 为什么亚马逊 Listing 图片越来越强调竖图和移动端优先，主图和附图的分工是什么？ 移动端流量已超七成，手机搜索结果里横图有效展示面积只剩三成、竖图能占六到八成，且图片点击率已是搜索排序因子，所以竖图（4:5 等）成趋势。分工上是一条转化漏斗：主图白底无文字、占满 85%，只负责"吸引点击"；附图依次负责建立信任（场景图）、解决疑虑（尺寸/材质/功能标注）、刺激决策（卖点/对比，不出现竞品 Logo）、降低门槛（开箱/安装步骤）。一句话——主图让人点进来，附图让人掏钱。 亚马逊标题里堆关键词为什么会适得其反，关键词到底该怎么自然分布？ 堆词会同时伤三处：标题难读、显廉价、信息过载拉低点击率和转化率，而低转化反过来被 A9/A10 算法降权；还可能触发可读性违规被强制改标题或屏蔽；并挤占有限字符（多数类目 200 字符内），淹没买家真正想看的品牌+产品名+核心特性。正确做法是标题只放 1—2 个核心词，其余关键词改写成特性句（用数据/场景表达），剩下的长尾词分布到五点、A+ 和后台 Search Terms。一句话：标题写给买家看，不是写给搜索引擎看。 想用上这个技能？ 「亚马逊 Listing 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 生成合同
「合同生成助手」是「龙虾部署大师」技能市场中的合同起草技能：作用是把雇佣合同、录用通知书、租房合同、NDA、服务合同、合作协议等常见文档的初稿写出来——通过分步对话确认合同类型、分批收集必填字段，再自动填充模板变量或直接生成正文，输出可直接编辑的 DOCX 合同，并附上必要的法律风险提示。 技能效果 按“两期付款＋验收＋违约”的要求，它生成了完整的软件开发服务合同，付款节点和验收流程都列成可填写的条款。 为什么起草一份合同总是又慢又容易漏 问题在于合同的"格式活"占用了大量时间，而真正的风险又藏在容易被忽略的字段里。手写或套用旧模板时，常见三种麻烦：一是反复填空，名称、金额、日期、期限要在文档里逐处替换，改一个数往往要回头核对好几处；二是字段遗漏，验收标准、违约责任、付款节点这类关键条款一旦漏写，签了才发现；三是批量场景下效率极低，HR 给十个新员工各做一份录用通知书，等于把同一份模板手工改十遍。这些工作本身不创造价值，却最容易出错。 手工套模板，处处要替换 甲方：____ 金额：____（漏填？） 期限：____ 违约条款：（缺） 改十遍 仍可能出错 这个技能能帮你做什么 它把合同初稿的整个起草过程接管下来。先通过分步对话确认你要的合同类型，再按该类型分批向你收集必填字段，并自动计算需要推算的项（如合同到期日）；信息汇总后等你确认，才开始生成文档。生成方式有两种：若有现成的 DOCX 模板，它填充变量、保留原有字体、样式、页眉页脚，输出与模板一致的成稿；若没有模板，它直接生成完整合同正文并写入 DOCX。此外它支持用 CSV、Excel、JSON 批量生成，并在生成后校验是否还有未替换的占位符残留。 确认合同类型 雇佣 / 租房 / NDA… 分批收集字段 汇总后等你确认 填模板 / 生成正文 保留样式 输出 DOCX 校验占位符 用前须知 该技能需要 Python 与合同生成脚本，生成 DOCX 通常依赖 python-docx；若使用模板填充，DOCX 模板路径按技能内约定放置。它无需 API Key。需要强调的是，它输出的是合同初稿，仅供起草与内部流转参考，不构成法律意见；重要合同应交由专业律师复核后再签署。 怎么用它 用法是用自然语言把合同类型和关键条款说清楚，它会在对话中追问缺失的字段，无需你记参数或手动套模板。例如可以这样对它说： 可以这样对它说 "生成一份北京的软件开发服务合同，付款分两期写清楚，要含验收和违约条款。" "给新员工做一份录用通知书，年薪三十万、下周入职、公司在上海浦东，条款都标注清楚。" "按这份 Excel 里的候选人信息批量生成 Offer 文档，文件名用各自的姓名。" 它适合这些场景：HR 或行政需要为多名新员工批量生成录用通知书、劳动合同；房屋出租或承租前，要根据双方身份和租期生成租房合同；商务合作前要快速拿到 NDA、服务合同或合作协议初稿；以及已有自定义 DOCX 模板、想用结构化数据批量填充成稿的情况。 大家常问 一份合同必须包括哪些基本要素？ 依据《民法典》第四百七十条，一份合法有效的合同通常需要包含八项基本要素：当事人信息、标的、数量、质量、价款或报酬、履行期限地点和方式、违约责任、争议解决方式。具体合同还会按场景补充保密、不可抗力、知识产权归属等条款。 起草合同时最容易被忽略的风险点有哪些？ 起草时常被忽略的风险点集中在几处：定义术语前后不一致、触发条件用"合理期间""及时通知"等模糊表述、单方义务缺对应救济、管辖与法律适用相冲突、格式条款没合理提示、补充协议与主合同脱节，以及引用的法条已废止或修订。 范本合同和定制合同有什么区别？ 范本合同条款已预先写好，使用者只填空白字段，类似"填空"；定制合同则根据具体交易和谈判结果增删改条款，结构、措辞、权利义务都可调整，类似"写作"。范本胜在快和稳，定制胜在贴合实际场景与风险分配。 为什么手写合同也具有法律效力？ 法律保护的是双方合意，不是纸张的印刷工艺。手写合同只要满足三点就有效：双方意思表示真实、内容合法且不违背公序良俗、具备当事人和标的等基本要素。它在举证便利性上不如电子存证或公证件，但法律效力本身并不低于打印合同。 想用上这个技能？ 「合同生成助手」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。
1688以图搜源怎么做？按图找货源提19字段存CSV
「1688 以图搜源」是「龙虾部署大师」技能市场中的反向找货源技能：给定图片 URL 或本地图片，它构建 1688 以图搜索链接、等待页面加载后用固定选择器提取数据，把原图、1688 图片、产品链接、价格、销量、工厂年限、复购率、供应商等 19 个字段整理成本地 CSV 或 JSON。 技能效果 演示用一张蓝牙耳机产品图在1688以图搜源时，它讲清了从图片到货源的六步流程，列出能匹配到的报价区间、起订量、发货地等字段，并说明结果会存成CSV和JSON。 看着竞品图找货源，慢在哪 跨境选品里有一类高频动作：看到一张竞品图或一款产品图，想反查它在 1688 上的同款或相似货源。人工做这件事很慢——要一张张上传图片到 1688、在搜索结果里逐条点开、再手动抄录价格、销量、工厂年限、复购率、发货地这些字段。一批图片搜下来，不仅耗时，抄录还容易漏字段、记错价，几十款产品的供应商候选清单很难快速成形。 人工逐张搜、逐条抄，越多越慢 竞品图 手动上传 逐条点开 人工抄字段 易漏价/销量 表很慢 这个技能能帮你拿到什么 它把"以图找货源"做成一条标准化、可校验的流程。输入上，它支持图片 URL 列表和本地图片文件两种模式；检索上，它构建 1688 以图搜索链接，并等待页面完整加载后再用固定的 DOM 选择器提取数据；校验上，它对每条结果强制核验产品图片、链接、价格、销量、供应商等 19 个字段的完整性，缺字段不会蒙混过去；交付上，它把结果保存为本地 CSV 或 JSON，并明确返回文件路径。输出覆盖原图链接、1688 图片、产品链接、名称、价格、销量、工厂年限、复购率、服务评分和供应商信息——这些正是选品对比时要看的维度。 图片 URL 或本地图 1688 以图搜 等页面加载 提取 + 校验 19 个字段 缺一不放过 CSV / JSON 用前须知 该技能需要可用的浏览器自动化能力和访问 1688 的网络，输入可以是图片 URL 或本地图片，结果保存为本地 CSV/JSON，无需外部表格工具。它依赖 1688 页面结构，当页面结构变化导致字段缺失时，它会停止任务并记录错误信息，而不是返回不完整的结果。它做的是相似产品检索，匹配结果仍需你结合实际比对确认。 怎么用它 用法是把要找货源的图片来源用自然语言交给它，说明保存格式即可。例如可以这样对它说： 可以这样对它说 "用这几张产品图去 1688 找相似货源，结果同时保存成 CSV 和 JSON。" "亚马逊选品想反查供应商，图片链接都在表里，按行逐个搜索并保存结果。" "搜不到商品链接时用站内搜索页兜底，保存前确认 19 个字段别漏。" 它适合这些场景：亚马逊运营要根据竞品图片快速寻找 1688 相似货源；采购团队要批量搜索多个产品图、导出供应商候选清单；选品人员要对比价格、销量、复购率和发货地等字段；以及页面结构变化导致字段缺失时，需要明确停止任务并记录错误的稳妥处理。 大家常问 1688 以图搜源（按图搜款）找货源，为什么有时候搜出来的是相似款而不是一模一样的同款？ 因为以图搜图走的是图像特征匹配，不是比对同一张原图：系统把图转成特征向量，再找指纹最接近的商品，相似度达阈值就展示。常见于上家换了主图、图片被裁切调色加水印、该商品本就没在 1688 上架，或没找到高置信度匹配而降级展示相似款。用无水印主图、裁掉背景只留商品主体，能提高找同款命中率。 亚马逊选品时为什么很多人会用竞品主图反查 1688 货源？这种以图找源能看出什么？ 亚马逊很多产品是从源头工厂采购后贴牌或轻微改款发到 FBA，用竞品主图反查 1688 等于逆向追溯供应链、把零售品还原到出厂状态。能看出出厂价与利润空间、最小起订量和阶梯定价、同款供应商数量（竞争密度）、更细的材质尺寸规格，以及工厂是否支持 OEM/改款，判断能否做差异化。本技能可批量按图取回这些字段。 在 1688 上看供应商，复购率、工厂年限、服务评分这些字段分别说明什么、怎么理解？ 复购率是老客户再次下单占比，越高越说明质量稳定、交期靠谱，但新店基数小易虚高，要结合年限看；工厂年限反映抗风险能力和供应链成熟度，一般 3 年以上较稳；服务评分多拆响应、发货、买家评价三项、满分 5 分，低于 4.5 要警惕。建议组合判断、先初筛再发样品单。本技能会把这些字段一并抓取下来对比。 用图片在 1688 以图搜源时，为什么有时会搜不到对应的商品，或者抓取到的字段不完整？ 搜不到多因图片过小、被过度精修抠图、含密集文字水印或是杂乱场景图，也可能商品已下架、本就不来自 1688，或图片走防盗链 CDN 被拒抓。字段不完整则多是页面异步加载没等够——价格、销量、复购率等字段是分批后到的，或小厂本就没填这些数据。本技能要求等加载完成再提取，并校验图片链接与 19 字段完整性。 想用上这个技能？ 「1688 以图搜源」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 iOS 应用开发
「iOS 应用开发」是「龙虾部署大师」技能市场中的 Apple 平台开发规范技能：作用是提供 UIKit、SnapKit 与 SwiftUI 的开发指南。给定应用场景、界面需求和技术栈后，它输出组件选型、导航结构、安全区域、触摸目标、Dynamic Type、深色模式、无障碍、权限请求和系统集成的检查清单，强调 HIG 合规、系统手势保留和语义颜色使用，帮助减少移动端常见实现问题、提升上架质量。 技能效果 让它做 SwiftUI 记账首页时，它用 @ScaledMetric 和系统语义色处理了深色模式与大字号无障碍，金额标题配 minimumScaleFactor 确保超大字号也不截断。 iOS 应用被打回，往往栽在平台规范上 iOS 应用的难点常常不在功能本身，而在 Apple 平台的一整套隐性规范。UIKit、SwiftUI、SnapKit 之间该选哪个、能否混用，组件选型一开始就要想清楚；界面要避开刘海和底部安全区、按钮热区不能太小、间距要守住 8pt 体系；Dynamic Type 放大后文字不能截断、深色模式下颜色要用语义色、VoiceOver 要能正常读出。这些 HIG 要求平时容易被忽略，却直接关系到体验质量和能否顺利上架。 ↑ 顶部安全区 语义色 · 深色模式 Dynamic Type 不截断 触摸目标 ≥ 44pt ↓ 底部安全区 / 系统手势 这个技能能帮你把住哪些关 它把 Apple 平台体验质量拆成一组可核对的检查项。组件层面，指导 UIKit、SwiftUI 和 SnapKit 之间的选型，UIKit 项目要迁移或混用 SwiftUI 时也能给出统一决策。布局层面，校验安全区域、触摸目标和 8pt 间距体系，避免按钮热区和安全区出问题。体验层面，覆盖 Dynamic Type、深色模式和 VoiceOver 要求，确保放大字号、暗色和读屏都正常。集成层面，提供导航、权限请求、生命周期和系统集成的检查清单。它贯穿 HIG 合规、系统手势保留和语义颜色使用，从新建界面到上线前核对都能搭得上。 组件选型UIKit/SwiftUI 布局校验安全区/8pt/热区 体验合规字号/暗色/读屏 系统集成导航/权限/生命周期 用前须知 该技能仅支持 macOS。需要安装 Xcode、Swift 5.9 及以上版本，命令行工具通过 xcode-select 安装；CocoaPods 可选，无需 API Key。在非 macOS 环境下无法进行 iOS 构建与调试。 怎么用它 用法是把应用场景、界面需求和技术栈用自然语言说清楚，由它给出组件决策和检查清单。例如可以这样对它说： 可以这样对它说 "做一个 SwiftUI 记账首页，兼顾深色模式和大字号，文字别截断。" "把这个 UIKit 列表页改成 CollectionView，支持搜索和空状态。" "上线前检查这个 iPhone 界面，别让按钮热区和安全区出问题。" 它适合这些场景：新建 iPhone 应用、需要确定 Tab、导航栈和页面结构；已有界面要符合 Apple HIG、无障碍和深色模式规范；UIKit 项目要迁移或混用 SwiftUI、需要统一组件决策；上线前核对权限请求、动态字体和系统交互行为。 大家常问 SwiftUI 和 UIKit 的差别是什么？ UIKit 是命令式框架，靠开发者手动创建 UIView、配置 Auto Layout 约束、在回调里调 setText 和 reloadData 来同步状态；SwiftUI 是声明式框架，用 @State、@Published 等数据源描述 View body，框架按状态自动差分重绘。底层的 App 生命周期、签名和上架审核两者完全共享，差异集中在"谁来驱动 UI 更新"这一层。 iOS 开发里为什么要严守 Safe Area？ Safe Area 是 iOS 系统按当前设备形态和界面状态动态计算的安全可视区域，排除了刘海、状态栏、Home Indicator 和系统手势区。来电状态栏、横竖屏切换、iPad 分屏都会触发 safeAreaInsets 变化；不绑定 Safe Area 的硬编码布局会被遮挡或与系统手势冲突，App Review 4.1 明确把这点作为审核检查项。 Dynamic Type 是什么，为什么 iOS 应用要适配它？ Dynamic Type 是 iOS 7 起的系统级文字大小自适应：用户在设置里调整字号后，系统通过 UIContentSizeCategory 通知前台 App 重新计算字号。UIKit 用 UIFontMetrics 加 adjustsFontForContentSizeCategory 自动响应，SwiftUI 用 @Environment(\.sizeCategory) 与 @ScaledMetric 联动。不适配会在大字号下文字被截断，也会在 App Review 的无障碍审查中被追问。 iOS 应用为什么要适配深色模式？语义色和写死的固定色值差别是什么？ iOS 13 起系统会通过 UITraitCollection 注入当前外观模式，深色模式不是开关而是渲染管线的输入参数。语义色（如 label、systemBackground）写在 Assets Catalog 的 colorset 里，编译期落进 .car 文件，运行时由 CoreUI 按当前 userInterfaceStyle 自动选色；写死的固定色值不会随系统切换，深色模式下会出现对比度塌陷和可读性问题。 想用上这个技能？ 「iOS 应用开发」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。
Shopify广告ROAS怎么优化？查问题给放量修复裁决
「Shopify 广告 ROAS 优化」是「龙虾部署大师」技能市场中的投放审计技能：它根据店铺数据快照，判断广告 ROAS 的问题到底出在追踪缺口、归因延迟、素材疲劳、账户结构、预算调整还是结账漏斗，并给出健康评分、渠道诊断和放量或修复的裁决。 技能效果 排查Meta广告ROAS忽高忽低时，它给出一份Pixel与CAPI事件完整性检查清单，逐项核对五大关键事件是否触发、有没有漏报重报，以及事件去重该怎么配。 广告后台显示赚钱，营收却没跟上 很多 Shopify 投放团队都遇到过同一个困惑：Meta 或 PMax 后台显示 ROAS 很漂亮，店铺实际营收却不见同步增长。问题在于"平台 ROAS"是个会骗人的单一数字——它可能因为 Pixel 与 CAPI 事件丢失而虚高，可能因为归因窗口把别的渠道的成交算到自己头上，也可能广告点进来了、却卡在结账漏斗的某一层掉了单。把这些原因混在一起看，就只能凭感觉调预算：该放量的不敢放，该修的没修对地方。 平台 ROAS 看着好 单一数字，会骗人 ≠ 店铺真实赚到钱 混合 ROAS / 利润 差距可能藏在这几处： 追踪缺口 归因延迟 素材疲劳 结账漏斗 这个技能帮你审计出什么 它做的是一次系统性的投放健康审计，而不是替你操作广告账户。事件层面，它核查 Pixel、CAPI、GTM 和 TikTok Events API 的事件完整性，先判断数据本身可不可信；口径层面，它对比平台 ROAS、混合 ROAS、利润率和归因窗口的差异，把"看起来的回报"换算成"经营口径的回报"；结构层面，它识别素材疲劳、账户过度细分和自动化投放的结构问题；裁决层面，它结合追踪可信度和漏斗数据，给出该放量还是该修复的明确判断，以及优先行动计划和漏斗基准对比。 结账漏斗逐层拆，看单掉在哪一层 广告点击进站 加入购物车 进入结账 完成购买 CTR 加购率 结账率 购买率 用前须知 该技能无需直接连接广告账户或 API Key，审计依赖你提供的数据快照：店铺 URL、品类、AOV、Pixel/CAPI/GTM 状态、广告花费、CTR、CPC、平台 ROAS、MER、结账率、购买率和近期变更。若要从平台后台导出这些数据，需你自行授权。数据越完整，诊断越准确。 怎么用它 用法是把投放遇到的现象和手头的数据用自然语言交给它，由它定位问题、给出裁决。例如可以这样对它说： 可以这样对它说 "Meta 广告 ROAS 忽高忽低，先帮我查 Pixel 和 CAPI 的事件完整性。" "Google 和 TikTok 花费在涨，拆开漏斗看看到底哪一层掉单最明显。" "店铺利润率不高，按 MER 和盈亏平衡 ROAS 判断这几个渠道还能不能继续放量。" 它适合这些场景：广告平台显示 ROAS 正常、后台营收却没同步增长，需要排查归因；Meta 或 PMax 投放波动明显，要判断是素材、账户还是站点问题；准备提高预算前，先验证混合 ROAS、利润率和结账转化率；以及主题更新或促销上线后业绩异常，需要隔离变更前后的影响。 大家常问 Shopify 广告平台后台显示 ROAS 很好，但店铺实际营收没怎么涨，这是为什么？ 平台 ROAS 是平台自报数据、天然虚高：浏览归因和 7 天点击窗口会把本会自然成交的订单算成广告功劳，多渠道还重复计同一单。同时品牌词广告、再营销也在"抢"自然转化。它还按收入算、不计毛利。可让本技能用 GA4 的第一方 ROAS 加混合 MER 交叉核对，再扣成本看真实利润。 投广告时常说的 ROAS 和 MER 有什么区别？为什么不能只看平台 ROAS 放量？ 平台 ROAS 是单渠道的显微镜，用平台自报收入÷该渠道花费，易高估；MER 是全局航拍图，用总收入÷全部营销支出，基于真正到账的钱、难造假，被当北极星指标。只看平台 ROAS 放量会踩三坑：数据虚高、边际效率递减、忽略毛利。本技能建议看 MER 与第一方 ROAS 再决策。 什么是盈亏平衡 ROAS？它和店铺利润率、AOV 是什么关系？ 盈亏平衡 ROAS 是广告净利润恰为零时所需的 ROAS，公式为 1÷(1−商品成本率−可变成本率)，与店铺利润率互为倒数：利润率越低门槛越高。AOV 越高，运费等固定成本占比越低，盈亏平衡 ROAS 越低、越容易盈利。本技能会先按你的成本算出这条基准线，再判断该放量还是修复。 为什么一组 Meta 广告跑了一段时间后 CTR 会下降、ROAS 变差，这种素材疲劳是怎么回事？ 素材疲劳是同一组素材对同一批人曝光过多，用户从新鲜到熟视无睹，CTR 下降、CPM 上升、ROAS 走低。判断看三个信号：周频次超 3—4 次、CTR 较上线初期跌超 30%、CPM 持续上涨。转化型广告比品牌型更敏感。本技能会据频次、CTR、CPM 帮你识别疲劳并提示轮换素材、拉新受众。 想用上这个技能？ 「Shopify 广告 ROAS 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