广告素材情报怎么查？App投放策略与下载收入估算
「广告情报分析」是「龙虾部署大师」技能市场中的广告与 App 市场分析技能。它基于 AdMapix 的数据接口，覆盖广告素材搜索、App 投放策略、应用排行榜、下载量与收入估算、投放地区分布和竞品对比；用自然语言提一个需求，它跨多个接口取数、清洗字段，再合并成一份能直接看的洞察。 技能效果 分析美国区冥想类应用的投放时，它整理出头部广告主的体量与投放特点，并按规模排了名。 手工做竞品情报，问题出在哪 出海投放离不开"摸清对手"：头部广告主在投什么素材、买量走哪些渠道、哪类 App 在涨、量级大概多少。但这些信息天生散落——素材在广告库、排行在榜单、下载和收入又在另外的数据面板。人工逐个翻查再手动拼合，一次像样的竞品分析往往要耗去几小时，且统计口径全凭手感，换个对手还得从头再来。 手工 翻多个广告素材库 查排行榜、估下载收入 手动整理成对比 ≈ 小时级，难复现 用技能 一句话提问 ↑ 自动合并多个接口 ≈ 分钟级，口径统一 这个技能能帮你查到什么 它把"找素材、看策略、查排行、估收入、出对比"打包成一次分析，一个需求能展开的维度通常包括：竞品广告素材、投放策略、渠道分布、地区表现、下载量与收入估算。所有数字都来自 AdMapix 接口返回，它会清掉原始字段里的杂项、统一数字格式，并对下载、收入这类估算值保留免责说明。 一次 提问 广告素材 投放策略 渠道分布 地区表现 下载量 收入估算 它会按需求复杂度自动分流：想快速看一眼走单接口的快速查询；要系统摸清一个对手或做一份正经的市场洞察，则走深度研究，串起多个接口合并成完整报告。最终交付的是 H5 结果页、提炼过的关键发现、完整研究报告链接和后续分析建议。 用前须知 该技能依赖 AdMapix 接口，使用前需先在 admapix.com 注册获取 API Key 并配置（深度研究还会用到 AdMapix 的研究服务），没有 Key 无法运行。下载量、收入等为估算值，适合判断量级与趋势，不应当作对方公布的真实财报。 怎么用它 用法是把要看的对象和维度用自然语言说清楚即可，不用记参数，也不用先决定走哪条路径。例如可以这样对它说： 可以这样对它说 "查最近美国区冥想类 App 的投放素材，看头部广告主和素材类型，投放地区分开列。" "分析这两个游戏 App 的买量渠道、收入和下载趋势，按国家拆开看。" "看东南亚短剧 App 排行榜，比较素材类型、投放天数和地区差异，按区域拆开。" 它适合这些场景：查找某类 App 或品牌近期的投放素材、浏览创意样式；分析竞品的投放策略、渠道分布与地区表现；查看应用市场排行榜与下载收入估算辅助投放决策；为出海产品准备市场洞察报告、横向比较多个竞争应用。 大家常问 出海投放为什么要看竞品的广告素材和投放策略，光看自己后台的数据不够吗？ 自家广告后台只反映"自己做了什么、结果如何"，是历史结果数据；它无法告诉你品类风向、对手在哪条赛道放量、还有什么蓝海人群没被吃掉。竞品素材与投放策略相当于市场信号的浓缩，能帮你提前感知素材衰退、识别差异化机会、判断对手处于测试期还是收割期，少走数周 A/B 摸索弯路。 第三方平台给的 App 下载量和收入都是估算值，跟开发者后台真实数据差多少？为什么不能直接当作竞品的真实业绩？ 第三方拿不到商店日志，只能靠 SDK 抽样、评分增量、搜索热度等信号反推；下载量误差通常在区间级（±20%-50%），收入误差更大（±30%-100%），尤其订阅、退款、地区定价、礼包码完全不可见。它适合看量级和趋势相对位置，但不同 App 的偏差方向不一致，做硬性横向对比或当作竞品真实业绩证据，风险都过高。 同一个 App 在不同国家或地区的应用榜单排名差异很大，背后到底反映了什么？ 榜单差异其实是用户需求、本地化深度和外部环境叠加的结果：不同市场的使用场景与替代竞品不一样，本地化运营和合规没跟上会拉低留存，预装/运营商分发与买量 ROI 决定推得动推不动，定价与变现模型错配会直接压垮畅销榜。叠加上榜单算法按本地市场归一化加权，差异会被进一步放大。 广告素材跑量衰退是什么意思？为什么一条爆款素材投着投着 CTR 就掉下来了？ 跑量衰退指素材投到一定阶段后 CTR 持续下滑、不可逆地失去盈利能力。原因不是素材变差，而是系统把高意向人群洗了一遍后只能放量给次级人群、用户对重复出现的画面产生视觉屏蔽、同质化竞品挤占同一广告位、转化率掉了 eCPM 被调低，多种结构性饱和叠加，让 CTR 必然向下漂移。 想用上这个技能？ 「广告情报分析」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。
视频帧怎么批量提取？按时间戳或帧序号截图导出图片
「视频帧提取」是「龙虾部署大师」技能市场中的画面截取技能：作用是从本地视频文件中截取单帧或缩略图，支持默认首帧、指定时间戳和指定帧序号，可输出 JPG 或 PNG，并自动处理输出目录创建、路径错误和跨平台 ffmpeg 检测，用于截图审阅、内容检查、封面生成或界面取证。 技能效果 从一段视频中取第 18 秒的画面时，它按这个时间点截出对应的一帧，并附上了格式、文件大小与保存路径等信息。 想从视频里取一帧画面，手动操作太费事 从视频里截一张清晰静帧，看似简单，手动做却常卡住：要精确定位到某个时间点或某一帧并不容易，凭播放器拖拽很难截到刚好那一帧；批量为多个视频生成封面候选，逐个开软件、定位、导出，重复又低效；文件名记不准时，连视频在哪都要先翻半天。再加上 ffmpeg 的命令参数和跨平台路径问题，临时取一帧画面反而成了一件麻烦事。 从一条视频时间轴上，精确取到目标帧 首帧 第 18 秒 导出 PNG 这个技能能帮你抽出什么 它把取帧这件事变成一句话就能完成的操作。定位方式上，支持默认首帧、指定时间戳（如第 18 秒）和指定帧序号（如第 120 帧）三种，截单张画面；输出上，可选 JPG 或 PNG，并自动创建输出目录，生成适合分享或文字审阅的图像。它还会先校验视频路径，文件名不确定时会列出相似或可用的视频文件供选择，并统一处理 ffmpeg 检测、路径解析和错误提示，省去手动敲命令和排查路径的环节。 校验路径 找不到则列候选 › 定位画面 首帧 / 时间 / 帧号 › 提取单帧 ffmpeg › 输出图像 JPG / PNG 用前须知 该技能需要本机安装 ffmpeg 并可在 PATH 中访问，Windows 可通过 winget 安装；无需 API Key。它处理的是本地视频文件，实际调用会先运行检查命令确认路径，再执行提取。 怎么用它 用法是把视频路径、要截的时间点或帧号、输出格式用自然语言说清楚，它会先校验再提取。例如可以这样对它说： 可以这样对它说 "从这个演示视频第 18 秒截一张 PNG，画面文字要清楚，别压缩太多。" "先确认视频路径，再抓第一帧做封面候选图，找不到就列出相近的文件。" "按第 120 帧导出截图，文件放到同目录的 frames 里，保留清晰 PNG。" 它适合这些场景：从演示视频的指定时间点截一张产品界面截图；短视频内容审核时快速查看某一帧的画面细节；为视频生成封面或分享缩略图，需要导出清晰静态画面；文件名不确定时，先校验路径并获取候选视频列表。 大家常问 视频里的 I 帧、P 帧、B 帧到底有什么区别？为什么提取截图时大家偏好定位到关键帧？ I 帧是自包含的完整画面，能独立解码；P 帧只存与前帧的差值，B 帧双向参考前后帧。截图偏好 I 帧因为不用顺序解一长串依赖，画面也不会因解码链中断出现马赛克。 视频抽帧时，等间隔抽帧和按关键帧抽帧，得到的结果为什么会差很多？ 关键帧抽帧只取 I 帧，每张都是完整画面；等间隔抽帧大概率落到 P/B 帧，它们存的只是运动矢量加残差，不沿解码链一路解到目标位置，直接取就是一堆碎数据，画面就会撕裂或马赛克。 同一段视频按时间戳截图和按帧序号截图，为什么落到的画面有时不是同一帧？ 常见帧率如 23.976、29.97 不是整数，时间↔帧号换算本身就带舍入误差；B 帧让解码顺序与显示顺序不一致；加上不同实现对 PTS 用 ≤、< 或误差窗口的比较策略不同，边界情况下就会落到不同帧。 视频帧率 fps 越高，单张帧截出来的画面就一定越清晰吗？为什么？ 不一定。FPS 决定时间采样密度，影响流畅度而非单帧清晰度；单帧清晰度看分辨率和码率。总码率固定时，FPS 越高每帧分到的数据越少，编码压缩更狠，反而出现模糊、块效应和振铃伪影。 想用上这个技能？ 「视频帧提取」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。
微信公众号文章怎么检索？按关键词搜标题摘要看话题趋势
「微信文章检索」是「龙虾部署大师」技能市场中的内容研究技能：给定关键词和数量，它通过搜狗微信搜索查找公众号文章，返回标题、摘要、发布时间、来源公众号和链接，并按时间整理话题分布。它不获取全文，而是把"最近哪些公众号在聊某个话题"快速汇成一份可参考的线索清单。 技能效果 检索「AI绘画商业化」公众号文章时，它从搜狗微信搜索按时间倒序整理出十篇，每篇都给了标题、来源公众号、发布时间和一句话摘要。 选题前想摸清同行在聊什么，难在哪 做内容策划、舆情观察或选题调研时，常要先弄清楚最近一段时间公众号都在讨论什么、用什么角度、出自哪些账号。靠人工去搜，结果零散：标题、摘要、时间、来源分散在各个页面，要逐条记录；想看话题的时间分布，还得自己把几十条结果排序归类。等清单整理完，对"近期热度"的判断早已凉了一半，效率和时效都不理想。 人工搜公众号 · 信息散落 标题 摘要 来源 时间 链接 逐条记录、手动排序，整理完热度已过 这个技能能帮你拿到什么 它把散落的搜索结果整理成一份结构化的线索清单。核心做四件事：检测并自动安装所需的 cheerio 依赖后，执行搜狗微信文章搜索；按关键词和指定数量整理出每篇文章的标题、摘要、来源公众号和发布时间；可把结果保存为 JSON 文件，或尝试解析真实的微信文章链接并提示解析成功率；并按发布时间排序，归纳多条结果中的话题分布。需要明确的是，它返回的是标题与摘要级别的线索，不抓取文章全文。 关键词 + 数量 搜狗微信搜索 标题 / 摘要 来源 / 时间 / 链接 （非全文） 话题 分布 当搜索结果为空，或链接因平台限制无法直达时，它不会空手而归，而是给出重试建议和替代关键词，帮你换个角度再查。 用前须知 需要 Node.js 14 或以上版本，脚本会自行检测并安装 cheerio，无需 API Key。它依赖搜狗微信搜索，结果存在数小时到数天的延迟，不适合追求秒级实时的资讯；高频使用可能触发限速甚至封禁，请控制调用节奏。 怎么用它 用法是把要查的关键词、想要的数量和关注的字段用自然语言说清楚。例如可以这样对它说： 可以这样对它说 "搜十篇公众号里讲 AI 绘画商业化的文章，按时间排，只看摘要和来源。" "找最近关于小红书运营的公众号文章，要摘要、来源和能直达的真实链接。" "检索新能源汽车舆论相关的文章，汇总公众号都在聊什么，按话题分组。" 它适合这些场景：想知道最近有哪些公众号文章在讨论某个行业或热点；内容策划前要先摸清同类主题的标题、摘要和来源账号；舆情分析任务需要整理近几周公众号话题的分布；以及搜索结果为空或链接不可直达时，需要拿到替代关键词的建议。 大家常问 为什么自己刚发的公众号文章，过几天用关键词在微信搜一搜里也搜不到？背后是什么收录和排序机制？ 搜一搜不是"发即收录"。文章先要走爬虫抓取队列，再进倒排索引，整个过程通常 1–3 天，新号或低活跃号的优先级更靠后。即便被收录，新文章在冷启动阶段没有点击、阅读时长、转发等用户行为数据，初始排序极低，会被同主题的高权重账号文章压在很后面，看起来就像"搜不到"。 微信「搜一搜」和「看一看」在内容分发逻辑上有什么本质区别，为什么同一篇公众号文章在两边的曝光差别会非常大？ 搜一搜是 Pull，用户带关键词主动检索，前提是标题或正文命中关键词，账号权威与历史表现决定排名；看一看是 Push，系统按用户兴趣画像和社交关系链（好友在看/转发）主动推送，关键词不重要、内容质量分和社交传播是关键。所以标题不含热词的文章在搜一搜可能零曝光，在看一看却可能被推爆，反之亦然。 在微信搜一搜的文章结果里，订阅号和服务号在排序权重上为什么会有差别？跟群发频次有关系吗？ 搜一搜的排序算法叫 PeopleRank，本质是用户满意度投票，并不直接给账号类型赋分。订阅号日更，活跃度信号积累更快；服务号月发 4 次但触达率高、认证比例高，单篇互动转化也更强。群发频次只通过影响活跃度间接起作用，真正决定排名的是阅读时长、完成率、在看与好友转发这些行为信号。 微信搜一搜的文章排序里，常说的「相关性、新鲜度、权威度」三个信号到底是什么意思？运营最容易忽视哪一项？ 相关性是入围门槛——标题/正文与查询词的匹配度，决定能不能被召回；新鲜度是动态权重——热点查询给新文章加分，常青查询衰减慢；权威度是账号长期累积的信任分——认证、注册时长、原创率、历史互动真实度都算。运营最容易忽视权威度，因为它见效慢、难量化，但缺了它每篇文章都要从零竞争，没有复利。 想用上这个技能？ 「微信文章检索」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。
如何用 AI 做移动端界面设计
「移动端界面设计」是「龙虾部署大师」技能市场中的移动端体验设计技能：作用是面向 iOS、Android、React Native、Flutter 和原生应用，按触控优先、平台尊重、性能、离线和安全的原则，输出决策检查点、反模式清单、平台差异、触摸心理、性能规则和发布前清单。它要求在需求不明时先确认平台、框架、导航、状态管理和离线范围，避免把桌面设计缩小后直接套用到移动端。 技能效果 给它一个React Native电商首页，它按搜索栏、分类标签、瀑布流、底部Tab四个模块，逐一拆出iOS和安卓在手势与导航上的差异和适配点。 移动端体验差，往往不是没设计，而是按桌面思路设计 很多移动端体验问题的根源，是把桌面界面等比缩小后直接搬到手机上：按钮挤在屏幕顶部、单手够不到，触控目标太小导致频繁点错，长列表和动画一卡一卡，弱网或离线时直接白屏。这些问题在评审时容易被忽略，上线后才在真实设备上暴露。移动端有自己的一套约束——拇指可达区、Fitts 定律、iOS 与 Android 的交互惯例、低端机性能、令牌安全存储——任何一条被忽略，体验都会打折。 拇指易达区 关键按钮放顶部 = 够不到 触控目标过小 = 点错 长列表卡顿 这个技能能帮你把关什么 它把移动端体验拆成一套可逐条核对的设计规则与检查点。核心能力有四块：一是在需求开放时先要求确认平台、框架、导航、状态管理和离线需求，避免基于错误假设动手；二是覆盖触摸目标尺寸、拇指可达区、Fitts 定律和移动端的认知负荷，把"手指好不好按"量化成规则；三是识别长列表、动画、状态管理、令牌存储和架构上的常见反模式；四是给出 iOS 与 Android 的差异对照、框架决策树（React Native / Flutter / SwiftUI / Kotlin 怎么选）和发布前清单。它把零散的移动端经验，沉淀为预开发与发布两道关口的检查项。 确认前提 触控 + 性能规则 反模式排查 发布前清单 用前须知 该技能无需 API Key。若项目已存在，可运行 python scripts/mobile_audit.py [project_path] 做审计。针对具体平台的工作，它会要求先阅读相应的参考文件，并假设你具备对应的开发环境。 怎么用它 用法是把你的平台、框架和要解决的体验问题用自然语言说清楚，它会先补齐缺失前提再给建议。例如可以这样对它说： 可以这样对它说 "这个 React Native 首页，按 iOS 和安卓分别看看手势和导航哪里不对。" "购物车页面在小屏总点错，检查触控间距、按钮位置和加载态。" "这版 App 要支持离线下单，把移动端流程、错误态和重试逻辑重新梳理一遍。" 它适合这些场景：新建移动应用要在 React Native、Flutter、SwiftUI 或 Kotlin 之间做技术选型；已有页面在触控、加载、错误、离线或平台惯例上体验不佳；长列表、动画或状态管理导致卡顿要按性能规则优化；上线前要检查安全存储、深链、无障碍、低端机表现和日志清理。 大家常问 移动端界面设计和桌面端界面设计的核心区别是什么？为什么不能把桌面设计直接缩小搬到手机上？ 核心区别在容器与输入方式：桌面端用鼠标，指针精度近似 1 像素，可在多窗口里并行扫读；移动端是单窗口触控，手指接触面约 7–10 毫米，使用场景常被中断。直接把桌面布局等比缩小到手机会触发四个问题——按钮缩到点不准、信息密度过高导致认知过载、固定像素布局在小屏上断裂、桌面的 hover 状态在触屏完全失效。移动端要按触控物理重做，而不是缩放桌面。 移动端界面里所说的拇指可达区和触摸目标尺寸是什么意思？为什么会影响用户能不能点准按钮？ 触摸目标尺寸指可点击元素的有效热区大小，行业共识最小是 44pt（iOS HIG）或 48dp（Material），相当于约 9 毫米——这是人类指腹平均接触面带来的物理下限。拇指可达区指单手握机时拇指自然弯曲能覆盖的范围，通常屏幕下半部是舒适区，顶部尤其左上角是困难区。目标过小会触发菲茨定律——瞄准时间和误触率同时上升；关键操作放顶部则因为拇指遮挡和握姿变形让人看不准也点不准。 iOS 和 Android 在界面与交互设计上的核心差异是什么？为什么两端不能只做一套设计？ 核心差异来自导航范式和手势归属：iOS 走"标签栏 + 导航栏 + 应用内返回"的层级模型，左边缘右滑被系统锁定为返回；Android 有全局系统返回键加边缘双侧手势，导航更灵活，向上导航和返回是两个概念。视觉上 iOS 倾向留白与无边框按钮，Android 用 Material 控件。两端用户心智不同——一套设计强行通用，会让另一端用户找不到返回入口、误判主导航位置，任务流失败率上升。 移动端界面设计中所说的反模式指的是什么？为什么长列表和复杂动画特别容易踩坑？ 反模式指看似合理、但违背移动端物理约束或用户认知规律的设计方案，本质是方法论层面的结构性偏差。长列表容易踩坑因为它同时碰到信息架构扁平化、栅格在滚动中失效、滚动手势与点击目标混淆、加载/空态/出错等状态机覆盖不全四类问题；复杂动画容易踩坑则是因为时长超过 400ms 会被感知为延迟、动画与状态机耦合让用户无法判断结果、动画跨原子层级复用时性能开销叠加，最终在低端机和大列表上掉帧。 想用上这个技能？ 「移动端界面设计」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。
IMA 知识库怎么上传文件不乱码
「IMA 知识管理」是「龙虾部署大师」技能市场中的资料存取技能：它通过 IMA 官方 OpenAPI 统一处理笔记和知识库两类操作，按用户意图路由到 notes 或 knowledge-base 模块，完成搜索笔记、浏览笔记本、获取与创建笔记、追加内容、上传文件、添加网页链接、搜索知识库、浏览条目和获取知识库信息等任务，并特别强调凭证预检、官方域名调用、笔记写入 UTF-8 校验、文件上传原样保留以及 PowerShell 5.1 的字节编码处理。 技能效果 整理三条会议笔记时，它按主题归类、打上标签、建立关联图谱，整理成可检索的知识体系。 资料越攒越多，存取却越来越乱 当个人资料、团队知识库、笔记和网页收藏都堆在 IMA 里，日常存取容易出几类问题：分不清这是该写成新笔记、追加到已有笔记，还是上传到知识库；想找一份旧会议记录，却记不清存在哪个笔记本里；上传 PDF、Excel 时怕被重新转码、改了内容；而在 Windows 上调接口写中文，还常常碰到编码处理不当导致的乱码。这些都是手动操作 API 时反复踩的细节坑。 用户意图 笔记 notes 搜索 / 创建 / 追加 浏览笔记本 知识库 KB 搜索 / 浏览条目 上传文件 / 加链接 这个技能怎么打理 IMA 的笔记与知识库 它是一个统一的 IMA OpenAPI 技能，先根据你的意图判断这是笔记内容操作还是知识库条目操作，再路由到对应模块执行。笔记侧支持搜索笔记、浏览笔记本、获取正文、创建新笔记和向已有笔记追加内容；知识库侧支持上传 PDF、图片、Excel 等文件、添加网页链接、搜索知识库、浏览条目和获取知识库信息。它把这些操作都收敛到官方域名调用，并把容易出错的工程细节内置：写入笔记前强制 UTF-8 编码校验、文件上传保持原样不重新转码、专门处理 PowerShell 5.1 的请求体字节编码问题。 内置可靠性保障 凭证预检 官方域名调用 UTF-8 校验 中文不乱码 上传原样保留 不重新转码 它的价值在于把"存对地方、找得回来、不乱码、不改原文"这些资料管理的基本要求工程化，让 IMA 的笔记与知识库存取变成稳定可靠的自动化动作。 用前须知 该技能需要在 ima.qq.com 获取 Client ID 和 API Key，并配置环境变量或 ~/.config/ima。调用依赖 curl，需要转码时可用 Python、Node 或 iconv 配合。 怎么用它 用法是把你要对 IMA 资料做的事用自然语言交给它。例如可以这样对它说： 可以这样对它说 "把这份 PDF 原样上传到 IMA 知识库，不改内容，也不要重新转码。" "在 IMA 知识库里搜新品定价会议，找到相关笔记并打开正文看，按人归类。" "新建一篇 IMA 笔记，记录今天客户访谈要点并按对象分好段，链接别漏掉。" 它适合这些场景：想把内容保存为新笔记或追加到已有笔记中；需要上传 PDF、图片、Excel 或网页链接到指定知识库；从知识库搜到资料后再把摘要写进某篇笔记；以及在 Windows PowerShell 环境调用 IMA API、需要避免中文乱码。 大家常问 在 IMA 里，笔记和知识库分别用来存什么，有什么区别？ 笔记是个人写作空间，靠 import_doc 写、append_doc 追加文本；知识库是资料仓库，存 PDF、网页和笔记引用，按文件夹归档、按全文检索。简单说，笔记是写出来的，知识库是存进去的。 为什么往 IMA 知识库上传文件前要做凭证预检？ 上传走 IMA OpenAPI 鉴权，预检在本地先确认 Client ID 和 API Key 有效，避免文件发出去半天才报错。属于轻量级快速失败，缺凭证立刻报错，不会留下空索引和无解释响应。 为什么把 PDF 上传到 IMA 知识库时要保持原样、不重新转码？ IMA 服务端自己解析原始 PDF 的文本层、目录和分页，建全文/语义/结构三层索引。提前转 txt 再传，目录层级、排版和页码定位都会丢，笔记摘录跳不回原文，跨文档关联也会断。 为什么用 OpenAPI 往 IMA 笔记写中文前要做 UTF-8 编码校验？ IMA 服务端按 UTF-8 解析 JSON Body，PowerShell 5.1 等环境容易把中文以 GBK 字节发出去，落库就成乱码。发送前显式校验 UTF-8 合法性，能避免笔记无法被分词索引、关联标题失配。 想用上这个技能？ 「IMA 知识管理」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。
亚马逊FBA库存怎么优化？算补货点控IPI评分和库龄费
「亚马逊 FBA 库存优化」是「龙虾部署大师」技能市场中的库存运营技能：它解释 IPI 评分、容量限制等机制，提供日销售速度、安全库存、再订货点和补货数量的计算方法，覆盖月度仓储费、库龄附加费等成本管理与旺季库存规划，输出库存健康诊断、补货建议和费用控制动作清单。 技能效果 给定日均销量和47天备货周期，它算出补货点1220件、建议每次补1200件、安全库存280件，还排出约六十天一轮的补货节奏验证不会断货。 FBA 库存，卡在断货和压仓之间 FBA 库存管理是个两难：补少了，畅销 ASIN 一断货就丢排名、丢销售；补多了，月度仓储费、库龄附加费一点点吞掉利润，IPI 评分还可能因此走低、触发容量限制。多数卖家靠经验拍脑袋定补货量，既算不准安全库存，也说不清某批货库龄到了该促销还是清仓。 这个技能能帮你算清什么 它把 FBA 库存健康拆成可计算、可决策的几块。诊断层面，它分析 IPI 评分、容量限制和影响库存绩效的因素；补货层面，它结合日销售速度、交期、在途库存算出安全库存、再订货点和补货数量；成本层面，它用 90/120/150/180 天的库龄处置协议控制长期仓储费和库龄附加费；旺季层面，它帮你为 Prime Day、返校季、黑五网一和假日季规划库存目标。 补货量 = 综合这几项算出来 日销速度 + 交期 + 安全库存 + 在途 再订货点 对库龄逼近阈值的库存，它会按处置协议给出促销、清仓还是移除的建议，避免长期仓储费越积越多： 90 天关注 120 天促销 150 天清仓 180 天移除 用前须知 该技能无需 API Key 或脚本依赖，但计算依赖你提供的真实数据：卖家中心库存、销量、在途库存、生产与运输交期、各项费用和库龄信息。数据越准，补货与处置建议越贴合实际。 怎么用它 用法是把库存现状和要解决的问题用自然语言交给它。例如可以这样对它说： 可以这样对它说 "按近三十天销量算这批 FBA 什么时候补货才不断货，并留安全库存。" "IPI 跌到三百八，看看哪些过剩库存最拖分，先处理库龄。" "黑五前这个 ASIN 该备多少天库存，别压太多仓储费，也别断货。" 它适合这些场景：IPI 低于阈值或容量受限时找改善优先级；畅销 ASIN 面临断货、要结合在途算补货量；库龄接近 150 天、要决定促销清仓还是移除；旺季前准备入仓计划、预留生产运输和 FBA 收货时间。 大家常问 亚马逊的 IPI 分数是怎么构成的，为什么它会直接影响 FBA 的库容限制？ IPI（0—1000 分）主要由四个维度加权：冗余库存占比（权重最高）、库存覆盖周数、滞留无法销售库存占比、FBA 售罄率。它本质是仓储资源分配的风控模型——亚马逊把货架空间当成投给卖家的"资本"，IPI 衡量你能否把仓储高效转化为销量。低于阈值（常为 400）就会触发仓储容量上限、按 ASIN 的补货限制和超容费，把空间释放给周转更快的卖家。 FBA 补货时，安全库存和再订货点是什么，为什么不能只按销量平均值备货？ 安全库存是应对不确定性的缓冲，约等于（最大日销量−平均日销量）×交期；再订货点是库存降到该值就必须立刻下单，约等于平均日销量×交期+安全库存。只按平均值备货等于赌博：销量有峰谷、补货交期长又不稳（工厂排期、船期、入仓上架都会延误），而断货成本远高于库存成本——排名断崖下跌、Buy Box 被抢、广告权重和 IPI 都受损。 FBA 的月度仓储费和库龄附加费有什么区别，库存放多久会被额外收费？ 月度仓储费是基础费用，按日均体积计，从入仓第一天就收，旺季（10—12 月）费率是淡季的 2—3 倍，无法避免。库龄附加费是超期存放的惩罚费（旧称长期仓储费），存放约 271 天（9 个月）以内只收月度仓储费、不收库龄费，超过 271 天起按时长阶梯加收，超过一年大幅上涨。可避免，建议超 180 天就降价清仓或创建移除订单。 黑五旺季前 FBA 该备多少天的库存，备多和备少各有什么风险？ 一般建议备 60—90 天，覆盖黑五→网一→圣诞→1 月补货空窗（工厂货代放假、入仓变慢）。备少了断货损失惨重：旺季流量最高时没货、Listing 权重和排名暴跌、广告空烧、跟卖趁虚抢购物车。备多了则压资金、扛旺季 2—3 倍的仓储费、IPI 下滑甚至触发长期仓储费。核心是用历史销量配合安全库存测算，宁可多备 15% 也别少备 15%，而不是拍脑袋乘 5 倍。 想用上这个技能？ 「亚马逊 FBA 库存优化」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