默认配图

Web应用测试怎么做?用Playwright侦察DOM

「Web 应用测试」是「龙虾部署大师」技能市场中的本地前端验证技能:作用是用 Python Playwright 检查本地 Web 应用——先区分静态 HTML 还是动态应用,按需启动开发服务并等待网络空闲,再截图、检查 DOM、查看控制台日志、执行点击与输入操作,最后给出测试脚本、截图、日志或验证结论,帮你定位前端功能、UI 状态和浏览器行为问题。 技能效果 让它测试 Web 登录页时,它写出完整 Playwright 脚本:打开页面、填表单、点登录、断言成功,还监听了控制台日志与未捕获报错并截屏。 前端改完,怎么确认它真的还能用 前端改一处,影响往往不止一处:页面能不能正常加载、关键按钮点下去有没有反应、表单提交流程是否还通、控制台有没有悄悄报错、弹窗会不会遮住该填的输入框——这些"看起来对不对"的问题,光看代码 diff 判断不了,得真的在浏览器里跑一遍。而手动开浏览器、点一遍、截个图、翻控制台,既慢又容易漏,改动一多就懒得每次都验,回归问题就这么溜进去了。 侦察后再行动的顺序 启动服务with_server.py 等网络空闲networkidle 侦察 DOM截图/日志 行动:点击 / 输入 / 断言基于侦察结果,不盲点 这个技能能帮你验什么 它用 Python Playwright 把"在浏览器里跑一遍"变成可重复的脚本流程。第一步是区分页面类型:静态 HTML 直接读取文件、识别选择器;动态应用则要先启动服务、等渲染完成再侦察。服务管理上,它用 with_server.py 管理单个或多个本地服务的生命周期,避免手动起停。检查能力上,它会等 networkidle(网络空闲)后再检查 DOM、截图、查看按钮和输入控件、读取控制台日志。操作能力上,它编写同步 Playwright 脚本执行点击、输入和断言。它强调一个固定顺序:先启动、等空闲、侦察清楚,再动手操作,而不是页面还没好就盲点。 两条测试路径 静态 HTML 直接读文件 · 识别选择器 执行简单自动化检查 动态应用 启动服务 · 等渲染 截图 / DOM / 控制台 "先侦察后行动"这条顺序是这套测试可靠的核心:页面没渲染完就去点按钮、查元素,得到的结论是假的;等到网络空闲、DOM 稳定再操作,截图和断言才反映真实状态。 用前须知 该技能需要 Python 与 Playwright 运行环境。如果应用还没启动,应先查看 scripts/with_server.py --help,用该脚本管理本地服务。它不需要业务 API Key,但被测项目的依赖需要已经安装好,开发服务能正常起来。 怎么用它 用法是把本地页面地址或服务、要验证的行为,以及必要的启动命令用自然语言交给它,由它按顺序起服务、侦察、操作并给出结论。例如可以这样对它说: 可以这样对它说 "跑一下本地 5173 页面,点登录按钮看控制台有没有报错,并截屏。" "用 Playwright 截一张首页全屏图,确认弹窗没有遮住表单。" "前端已启动,检查购物车加减数量和结算按钮状态,顺手看错误日志。" 它适合这些场景:前端改动后要验证页面能否正常加载并完成关键交互;动态应用渲染异常,需要截图、DOM 和控制台日志辅助定位;本地项目需要先启动开发服务器再自动执行浏览器测试;静态 HTML 工具需要直接读取选择器并做简单自动化检查。适合前端工程师、全栈开发者、QA 测试人员,以及要验证本地 Web 应用功能、视觉状态或交互流程的产品技术团队。 想用上这个技能? 「Web 应用测试」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

广点通投放数据怎么查?查广告组创意报表并做异常监控

「广点通投放分析」是「龙虾部署大师」技能市场中的广告数据分析技能:它查询腾讯 ADQ 账户的余额、预算、账户信息、广告组、创意、日报、小时报和实时数据,按账户、广告组、创意三个层级输出消耗、CTR、CPC、转化、转化成本、ROI 等指标,并能生成综合汇总报告与多层监控巡检,识别余额预警、预算耗尽、成本骤升、CTR 下滑和创意异常。它只做查询,不写入、不修改任何投放设置。 技能效果 分析广点通投放时,它按素材算出各自的转化成本,把转化成本高达230元的素材丙标红,并说明异常原因。 每天盯广点通数据,问题出在哪 投放优化的日常是被数据牵着走:早晨要看账户余额够不够、昨天整体消耗与转化如何;创意出问题时要翻创意列表和近期报表找原因;广告组的 ROI、转化成本一波动,又得按层级拆开看。腾讯 ADQ 的后台数据分散在账户、广告组、创意、日报、小时报、实时等多个维度,人工逐个页面翻查既慢又容易漏掉关键异常——余额快耗尽、某个广告组成本突然飙升、转化归零,往往等到影响放大了才被发现。 人工逐页翻 ADQ 后台 账户余额 广告组报表 创意列表 日报 小时报 实时数据 异常常常被翻漏:成本骤升 · 转化归零 · 余额见底 这个技能能帮你看清什么 它把分散在 ADQ 后台的数据整合成可读的分析结果。查询层面,它能取账户信息、余额、预算、广告组列表和创意列表,并获取账户、广告组、创意、日级、小时级和实时六种报表;汇总层面,它生成 summary 综合报告,把账户、报表、广告组和创意表现汇成一份;巡检层面,它执行 monitor 多层巡检,自动识别余额不足、预算耗尽、转化归零、成本突增和 CTR 下滑等异常。所有指标——消耗、CTR、CPC、转化、转化成本、ROI——按账户、广告组、创意三个层级拆得清清楚楚。 账户层 广告组层 创意层 实时/小时 消耗 · CTR · CPC · 转化 · 转化成本 · ROI 对例行巡检尤其有用:它会把余额预警、预算耗尽、成本骤升、CTR 下滑和创意异常逐项标出并排序,让需要优先处理的广告组和创意一眼可见,而不是淹没在大段报表里。 用前须知 该技能需要腾讯广点通的 Access Token 或 OAuth 授权信息,并提供 account_id;长期使用可保存 Token,本地自动刷新。运行依赖 Python 脚本和已构建模块。它只执行查询,不会写入或修改任何投放设置,输出的分析与异常提示仅供运营决策参考。 怎么用它 用法是把你关心的账户和时间范围用自然语言说清楚,无需记接口名和参数。例如可以这样对它说: 可以这样对它说 "看广点通账户昨天的消耗、转化成本和剩余余额,异常的标红说明,顺带按素材分组。" "巡检这个广告主账户,把预算不足和成本突增的广告组标出来并排序,记一下投放天数。" "拉近七天的创意报表,找出点击高但转化差的素材编号、花费和审核状态。" 它适合这些场景:投放人员早晨快速查账户余额和昨日整体消耗表现;创意审核或转化异常时查创意列表与近 7 天报表;广告组 ROI 或转化成本波动时按账户、广告组层级拆解;以及需要自动巡检预算不足、转化归零、成本骤升和 CTR 下滑的日常监控。 想用上这个技能? 「广点通投放分析」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。

2026/05/29
默认配图

Shopify MCP开发怎么用?接文档减少幻觉

「Shopify MCP 开发」是「龙虾部署大师」技能市场中的开发校验技能:它通过 MCP 服务器连接 Shopify 官方文档、GraphQL Schema 和代码验证工具,回答 API 字段、Webhook、Liquid、Polaris 等开发问题,并在生成代码前比对实时 Schema,减少过时字段和模型幻觉。 技能效果 演示用Shopify Admin API创建商品时,它先做Schema内省确认productCreate的字段,再写出一段可用的GraphQL创建商品代码,并说明返回里该看哪些字段。 AI 写的 Shopify 代码,为什么常对不上 用 AI 写 Shopify 代码有个反复出现的坑:模型给出的 GraphQL 查询、Liquid 片段或 Polaris 组件属性,乍看完整,跑起来却报 Field not found,或者用了某个早已废弃的字段。原因在于 Shopify 的 API 版本和 Schema 在持续演进,而模型记住的是训练时的旧知识——它并不知道你这个店铺当前的 API 版本里某个字段到底还在不在。结果就是开发者把时间花在反复试错、对照文档手动核字段上。 模型凭记忆 可能是旧字段 直接生成代码 Field not found 反复试错 手动核文档 这个技能怎么减少幻觉 它的思路是:在让 AI 输出代码之前,先把代码拿去和官方实时来源比对。借助 MCP 服务器,它做四件事——检索 shopify.dev 的文档片段并拉取完整参考内容;对 Admin、Storefront 等 GraphQL Schema 做实时内省,确认字段是否真实存在;验证 GraphQL、Liquid、Polaris 和主题代码块的有效性;并维护 conversationId 上下文,确保整个会话里 API 版本和工具链保持一致。它要求先调用 learn_shopify_api 获取会话上下文,再进入检索、内省和校验的流程,让"先核实、再展示"成为固定动作。 learn_shopify_api 取上下文 检索文档 拉完整参考 Schema 内省 确认字段存在 代码块校验 GraphQL/Liquid 校验通过后再展示代码 用前须知 该技能需要 Node.js 18+,并在本地安装 @shopify/dev-mcp、用 mcporter 注册 MCP 服务器后才能工作。它无需直接写入店铺,但 API 校验依赖 Shopify 的文档与 Schema 工具可正常访问;它做的是检索与验证,不替你部署代码。 怎么用它 用法是把要写或要排查的 Shopify 代码问题用自然语言交给它,由它先核实再给出结果。例如可以这样对它说: 可以这样对它说 "我要写一段用 Admin API 创建商品的 GraphQL,先核对 Schema 再把代码给我。" "Order 对象的某个字段报错了,查一下实时 Schema 确认哪些字段可用。" "这个 Polaris 组件的属性我不确定,验证通过之后再展示完整的示例代码。" 它适合这些场景:需要确认 Order、Product 或 Customer 对象当前可用的字段;生成 Webhook、POS UI Extension 或 Polaris 组件前要先验证代码;GraphQL 返回 Field not found、需要按实时 Schema 排查;以及团队希望用官方文档和验证工具来约束 AI 生成的 Shopify 代码。 大家常问 用 AI 写 Shopify 的 GraphQL 查询,为什么经常报 Field not found(字段不存在)这类错误? 常见四类原因:一是 API 版本不对,Shopify 每季度更新、旧字段会被废弃或改名;二是把 Admin API 与 Storefront API 的 Schema 搞混,两者字段定义完全不同;三是字段有前置条件(如需先定义 metafield);四是嵌套层级写错。本技能通过 MCP 实时内省当前版本 Schema、并对代码块做校验,从而减少这类幻觉字段。 Shopify 的 Admin API 和 Storefront API 有什么区别?各自适合做什么? Admin API 面向商家/管理员,用私密令牌,对商品、订单、客户、库存等做完整增删改查,适合后台管理、ERP/WMS 对接、数据分析、App 开发;Storefront API 面向消费者,令牌可公开嵌前端,以只读商品加创建购物车/结账为主,适合无头店面、自定义购物车、移动端下单。两者 Schema 不同,写查询前要先确认用哪一套。 为什么说 Shopify 的 GraphQL 接口要看 API 版本(版本号)?版本不对会怎样? Shopify 用日期版本号(如 2025-01)按季度发布,同一版本内承诺不引入破坏性变更、稳定至少 12 个月。版本不对的后果:用已停用旧版会返回 404 或"不再支持";用 unstable 跑生产可能字段无预警变化;最隐蔽的是字段行为悄悄改了、不报错却拿到错值。本技能会维护会话上下文,确保 API 版本与工具链一致。 Shopify 开发里说的 MCP 是什么意思?它能解决 AI 生成代码时的什么问题? MCP 是 Model Context Protocol(模型上下文协议),相当于一座桥,让 AI 实时访问 Shopify 官方文档、GraphQL Schema 和代码校验工具,不再凭记忆写代码。它主要解决三个痛点:知识过时产生幻觉字段、写完无法验证对错、文档检索低效。本技能正是先 learn_shopify_api 取上下文,再做内省与代码块校验。 想用上这个技能? 「Shopify MCP 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。

2026/05/29
默认配图

如何用 AI 做数据分析

「数据分析」是「龙虾部署大师」技能市场中的分析与解释技能:它面向 SQL、表格、Notebook、Dashboard、导出数据等多种来源,强调先明确分析要支持的决策、可改变判断的问题、可用数据和时间范围,再锁定指标口径(实体、粒度、分子、分母、时区、过滤条件、数据源),分析时区分提取、转换与解释,并按问题类型选择合适方法与图表,最终以结论、证据、置信度、限制和下一步行动为核心输出,避免把算术误当决策。 技能效果 分析复购率下滑时,它先写清复购率口径,再按渠道拆出各自的同比变动,定位到拖累最重的那个渠道。 为什么很多分析跑完了还是没法做决策 分析交付物常见的失败,是只给了数字,没给判断。三类典型情况:一是目标不清,没说清这份分析要支持什么决策、什么差异才值得动作,跑出一堆图却落不到行动;二是口径不稳,同一个"复购率""转化率"在不同查询里实体、粒度、分母都不一样,数据无法横向对比;三是把算术当结论,看到 A 比 B 高就下判断,没区分这是统计噪声还是真实差异、置信度有多高、有哪些限制。 原始数据 表 / SQL / 导出 锁定口径 实体 / 粒度 分子 / 分母 决策简报 结论 · 证据 置信度 · 限制 下一步行动 这个技能怎么把数据变成决策依据 它的方法是一条从问题到行动的链路。开始前先明确要支持的决策、什么样的结果会改变判断、有哪些可用数据和相关时间窗口;然后定义指标口径,把实体、粒度、分子、分母、时区和过滤条件锁死,建立一份清晰的"指标契约";分析过程中区分提取、转换和解释三步,并根据问题类型——趋势、比较、分布、关系、构成、漏斗还是留存——选用对应的方法(如假设检验、回归、分群)和图表;最后以决策简报形式输出洞察、证据、置信度、限制和行动建议。 按问题类型选方法与图表 趋势折线 比较柱状 分布直方 漏斗漏斗图 留存留存表 关系散点 核心区别在于"避免把算术误当决策":同样的数字,配上置信度和限制说明,管理层拿到的是一页能直接拍板的结论,而不是一堆需要自己再解读的查询和图表。 用前须知 该技能无需固定本地依赖、API Key 或外部端点,分析质量取决于你提供的数据和口径说明。它可按需读取指标契约、图表选择、决策简报、常见陷阱、分析技法等参考文件,以套用更规范的方法。 怎么用它 用法是把要回答的业务问题和手上的数据用自然语言交给它。例如可以这样对它说: 可以这样对它说 "这份订单表看复购率下降是不是某个渠道拖累,别只看总数变化,口径写清楚。" "A/B 实验数据已经齐了,算效果区间和样本可信度,再判断能不能上线。" "把漏斗各步转化拆开,找注册到支付掉得最狠的位置,顺带看样本量,按组看。" 它适合这些场景:实验结果需要判断差异是否显著、是否具有业务意义;漏斗、留存或流失指标异常、要定位变化来自哪个环节;管理层需要一页式结论而非查询代码和图表堆叠;以及已有报表口径不清、需要重建指标契约并检查数据质量风险。 大家常问 什么是指标口径,为什么同一个指标不同人算出来不一样? 指标口径是一个指标的完整定义规则,包含计算对象、聚合方式、归因规则、剔除规则、时间窗口、对齐方式和参数设定。同名指标算出不同结果,多数不是算错,而是各人前提假设没书面化对齐。 漏斗分析法到底是分析现状还是分析原因? 漏斗分析属于现状分析的定位型方法,回答"在哪一步流失",不回答"为什么流失"。它把模糊的"效果不好"精确为"第 N 步流失严重",再交给归因分析或 A/B 检验去验证假设。 A/B 测试显示"提升 8%",为什么不能直接上线? 8% 只是样本点估计,要先看置信区间下限是否跨零、p 值是否过显著性阈值、功效是否充足,再做分层归因排查辛普森悖论,并看 D30 留存和漏斗下游是否同步改善,单一指标提升不等于全局提升。 留存率多少算正常?怎么判断是产品问题还是渠道问题? 留存率是相对比较指标,没有放之四海皆准的数值。判断产品还是渠道问题,构建"渠道×功能"交叉表:列内差异大偏产品,行内差异大偏渠道;再用时间序列对齐产品改版与渠道变更,看哪个时间点吻合得更紧。 想用上这个技能? 「数据分析」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。

2026/05/29
默认配图

抖音热榜怎么采集?脚本抓 Top N 并整理排名和链接

「抖音热点趋势」是「龙虾部署大师」技能市场中的热点捕捉技能:它获取抖音热榜和热搜榜数据,覆盖热门视频、挑战赛、音乐等公开内容,通过技能目录内的 Node.js 脚本调用网页端公开接口,默认返回榜单前 50 条或指定 Top N,并把排名、标题、热度值、详情链接、封面图、标签和内容类型整理成可读榜单,保留可复制的纯文本链接便于归档转发。 技能效果 查抖音热榜时,它拉出当天前二十的标题和热度,整理成可直接用于选题会的清单。 追热点,慢半拍就没了 短视频选题高度依赖时效,而人工盯热榜有两个固有麻烦:一是热榜更新快,靠手动刷网页、逐条记标题和链接,等整理好热度可能已经回落;二是信息散,排名、热度值、标签、封面、内容类型分布在不同位置,凑成一份能用的简报既费时又容易漏项。结果是晨会或选题会上拿到的热点,要么不全,要么已经过了最佳跟进窗口。 抖音热榜(实时变动) #1 热门话题 · 热度 982w #2 挑战赛 · 热度 845w #3 热门音乐 · 热度 730w 手动抄 慢 + 漏 这个技能能拉到什么 它一次拉取一份整理好的抖音热点榜单。数据来源是抖音网页端的公开热榜与热搜榜,调用技能目录内的 Node.js 脚本完成,默认返回前 50 条,也可以指定只要 Top N。每条会解析出排名、标题、热度值、详情跳转链接、标签和内容类型;存在封面图时返回图片地址,便于预览整理。它还会把脚本结果格式化成可读榜单,而不是直接甩出原始接口数据,链接保留为可复制的纯文本,方便存档或转发。 简单说,它把"反复刷网页、手动抄热点"压缩成一次拉取就得到一份可直接用于选题会的清单。 公开热榜热搜 / 挑战 / 音乐 脚本拉取Top 50 / Top N 可读榜单 排名 / 热度 / 标签 链接 / 封面图 用前须知 该技能无需 API Key,但本地需要 Node.js 环境。数据来自抖音网页端公开接口,接口结构可能变化,频繁访问也可能触发平台风控,因此更适合按需查询而非高频轮询。 怎么用它 用法是把想看的榜单、数量和用途用自然语言说出来,它会拉好并整理成清单。例如可以这样对它说: 可以这样对它说 "查今天抖音热榜前二十,标题、热度和链接都要有,下午选题会用。" "现在抖音在热什么,挑适合美妆账号跟进的题目,给拍摄找切口。" "拉一下抖音热搜榜,按热度排序,有封面图的把图片链接也标出来。" 它适合这些场景:短视频团队查看当天热榜前十并快速筛选选题;品牌运营追踪热点标签和爆款话题、判断是否跟进;内容编辑收集热门标题、热度和链接用于晨会简报;以及舆情人员定期查看平台公开热搜的变化和热度排序。 大家常问 抖音热榜里说的「热度值」到底是什么意思?大概是怎么计算出来的? 热度值是一个无量纲的综合评分,本质是把多维行为按权重合并:分享 > 评论 > 点赞,播放量通常做对数变换避免头部碾压,再乘以时间衰减(如半衰期)、互动率调节系数和跨圈层多样性加成,并对单用户重复互动做防刷降权,最终归一化输出。 抖音的「热榜」和「热搜榜」到底有什么区别?看选题的时候应该怎么区分着用? 热榜按视频自身的播放量、互动量和增长速度排序,回答的是"哪些内容已经火了";热搜榜按搜索量、搜索增长率和集中度排序,回答的是"用户在主动找什么"。成熟做法是热搜榜找方向、热榜验证方向:前者用于发现需求,后者用于确认可行性。 短视频选题里常说的「跟热点」和「蹭热点」是一回事吗?为什么有的跟得起来、有的反而翻车? 不是一回事。跟热点是"热点为引子、内容为本体",去掉热点你的内容仍然成立、还有长尾价值;蹭热点是"热点为目的、内容为包装",热点冷掉内容就空。翻车多因关联度低、没有独特视角、或内容情绪与热点情绪方向脱节(如严肃事件配轻浮态度)。 怎么判断一个抖音热点值不值得跟?或者说一个热点的「持续性」一般看哪些信号? 主要看四组信号:一是阶段,刷首页 10–15 条同款出现 0–1 次为萌芽期值得抢、3 次以上为饱和期不建议跟;二是承载力,能否衍生 3 种以上创作角度、有无二创和讨论空间;三是和账号方向的关联度,决定转粉率;四是 24 小时内能不能交付。 想用上这个技能? 「抖音热点趋势」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 做全栈开发

「全栈开发」是「龙虾部署大师」技能市场中的应用骨架交付技能:作用是覆盖后端架构、前后端集成、API 脚手架、CRUD 应用和生产硬化。它要求写代码前先确认技术栈、服务类型、数据库、接口协议、实时能力和认证方式,再据此做项目结构、API 客户端、认证、错误处理和实时方案的决策,并按控制器-服务-仓储三层、配置校验、结构化日志、输入验证等模式落地,最后用构建与烟测验证。 技能效果 让它把待办应用做成前后端版本时,它搭出 Express+SQLite 后端、带注册登录的 JWT 鉴权和受保护的增删改查接口,前端三合一页面也一并给出。 搭一套能上线的应用,难在哪一层 从零搭一个带前端、后端、数据库和认证的应用,难点不在写出第一个接口,而在让各层之间的边界、约定和兜底都站得住。后端目录怎么按功能组织、控制器和服务怎么分层、配置如何校验、日志要不要结构化;前端调用 REST、GraphQL 还是 tRPC,返回格式是否统一,跨域和鉴权链路是否接稳;上线前还有健康检查、CORS、安全头、优雅关闭这一串生产硬化。这些环节横跨前后端,任意一层含糊都会让应用"能跑但不稳"。 前端 · 调用协议 / 鉴权 / 返回格式 API 层 · 控制器 / 输入验证 / 错误格式 服务 / 仓储 · 业务逻辑 / 数据访问 数据库 · 配置校验 / 日志 / 优雅关闭 这个技能怎么把应用骨架立稳 它的做法是"先决策、后落地"。开工前,它先收集技术栈、数据库、集成协议、实时和认证需求,把选型敲定;随后针对项目结构、API 客户端、错误处理和认证架构做出明确决策,而不是边写边改。落地阶段,它提供一套成体系的模式:按功能组织目录、控制器-服务-仓储三层、配置校验、结构化日志、输入验证、缓存、文件上传,以及 SSE、WebSocket 等实时通信。上线前再补齐健康检查、CORS、安全头和优雅关闭这类生产硬化项,并通过构建与烟测来验证整体可用。 ① 确认选型栈/库/协议/认证 ② 架构决策结构/错误/认证 ③ 模式落地三层/日志/校验 ④ 生产硬化构建 + 烟测验证 用前须知 该技能无需专用 API Key。具体依赖取决于选型,可能需要 Node.js、Python、Go、PostgreSQL、Docker、Redis 或相应前端框架。建议先把技术栈和数据库确定下来,再交给它做架构决策与落地。 怎么用它 用法是把要做的应用、技术栈和当前痛点用自然语言说清楚,由它先决策、再落地、最后验证。例如可以这样对它说: 可以这样对它说 "把这个待办应用做成前后端都有的版本,带登录、数据库和基础权限。" "现有后台接口太散,按订单模块重做服务层和错误处理,顺便补日志。" "前端调用接口老出跨域和鉴权问题,把链路接稳并理清返回格式,补上测试。" 它适合这些场景:从零搭建带前端、后端、数据库和认证的 CRUD 应用;已有后端服务需要梳理模块边界、错误格式和日志体系;前端要接入 REST、GraphQL、tRPC 或 OpenAPI 生成客户端;产品上线前补齐健康检查、CORS、安全头和优雅关闭。 大家常问 什么是前后端分离?和不分离有什么区别? 不分离架构里前端模板和后端业务混在一个工程,由服务端渲染整页 HTML;分离架构则把前端和后端拆成两个独立项目,通过 HTTP API 以 JSON 交换数据,前端只管 UI 渲染,后端只暴露接口和业务逻辑。两者最大区别在部署解耦、并行开发,以及前端必须自己管理状态。 搭一套带前端、后端、数据库和认证的应用,为什么难点在层与层的边界? 每一层抽象模型不同:前端是事件驱动、后端是请求-响应、数据库是集合论与事务,边界处就是这些模型碰撞的地方。前后端契约、状态同步、鉴权令牌传递、ORM 阻抗失配、数据库迁移节奏等问题都不在单层内部,而是发生在层与层的连接处,靠跨层共识才能稳住。 控制器-服务-仓储三层架构是什么?为什么写后端要拆这三层? 控制器只翻译 HTTP 输入输出、做参数校验和响应包装;服务层编排业务逻辑、控制事务边界;仓储层封装数据访问,屏蔽 ORM 和 SQL 细节。调用方向严格单向:Controller→Service→Repository。拆分之后每层可独立测试、并行开发、单独替换实现,业务一长也不会失控。 为什么 API 上线前要做配置校验、健康检查和优雅关闭这些生产硬化? 这三项把"意外"变成"可控":配置校验在启动时把 CORS、连接串、限流这类参数核对一遍,错了直接拒启;健康检查向负载均衡器汇报数据库、缓存等依赖是否真能用,连不上就摘除流量;优雅关闭收到 SIGTERM 后先注销、再等正在处理的请求结束,避免每次部署都甩出一批 502。 想用上这个技能? 「全栈开发」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。

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