退货政策设计方法，按品类等级和地区法规定清规则
「退货政策设计」是「龙虾部署大师」技能市场中的退换货规则设计技能：它按品类、客户等级、地区法规、卫生密封、节假日窗口和补货费，把退货窗口、退款资格和排除项设计成一套清晰可执行的政策框架，让转化信任与运营防护取得平衡。 技能效果 让它把服装加定制店的退货政策一次定清，它写出了可直接公示的条款：30天窗口、定制品专项规则、15%补货费、Final Sale清单和退货运费归属都列成了表。 退货政策为什么总是顾此失彼 退货政策是电商最难拿捏的一环，因为它同时牵动转化、成本和合规三条线。窗口放得太长、条件给得太宽，能提升下单信任，却也放大了借穿式购买、物流损耗和退货滥用；收得太紧、补货费定得太高，又会在结账页劝退犹豫中的买家。多数店铺的政策是逐条临时加上去的：服装、电子、清仓、定制品共用一套规则，跨境订单没单独考虑欧盟英国的撤单权，结果产品页、结账页和政策文本三处口径还对不上。 退货政策 要同时平衡 转化信任 窗口越长越敢买 运营成本 滥用与物流损耗 地区合规 撤单权与卫生豁免 这个技能帮你把政策设计成什么样 它把退货政策拆成几条可分别设定的维度，再组合成完整规则。在政策类型上，它围绕标准政策、严格政策、最终售出和 VIP 延长四种基线展开；在分档维度上，它按商品品类和客户等级分别设定退货窗口、补货费和排除项，让服装、电子、清仓和定制品各走各的规则；在边界处理上，它覆盖欧盟英国撤单权、卫生密封商品豁免和节假日延长窗口等容易踩坑的情形；在落地实现上，它给出 Shopify、WooCommerce 和自定义 API 的配置思路与资格判断示例，并定义政策清晰度、换货比、客服占比和处理时长等可衡量的指标。 同一店铺，不同品类走不同规则 服装 30 天 · 卫生豁免 电子 14 天 · 补货费 清仓 最终售出 定制品 不可退 叠加客户等级（如 VIP 延长窗口） 与节假日窗口 三处展示口径一致的可执行政策 用前须知 该技能做的是政策方案设计，本身无需 API Key。但要把规则真正配置进 Shopify、WooCommerce 或退款 API，仍需平台后台权限与相应凭证；它不替代法律意见，也不直接执行平台写入操作，涉及撤单权等具体法律问题应咨询当地律师。 怎么用它 用法是把你的品类构成、想达成的目标和合规要求用自然语言交给它，由它产出成套规则。例如可以这样对它说： 可以这样对它说 "我们卖服装和定制品，把退货窗口、补货费和最终售出规则一次定清楚。" "会员想延长退货期，政策要兼顾转化率、补货费和长期滥用风险。" "跨境订单的退换货政策，先按地区合规、品类限制和物流成本设计清楚。" 它适合这些场景：为服装、电子、清仓和定制等不同品类制定区分明确的退货规则；希望用更长窗口提升信任、同时控制借穿式购买和物流成本；需要在产品页、结账页和政策文本中保持规则展示一致；以及面向欧洲或跨境市场销售时，理清撤单权、运费承担和卫生豁免的边界。 大家常问 退货政策里的补货费（restocking fee）是什么？为什么有的店要收？ 补货费是退货时商家从退款里扣除的一笔费用，通常按商品价格的 10%—25% 计。原因有三：拆封试用过的商品难按原价再售、要承担检查重包装与物流人工成本、还能抬高「借穿式」恶意退货的门槛。质量问题或商家失误退货一般可免收。「退货政策设计」正是帮你按品类和客户等级把补货费比例、排除项与费用透明提示一次定清楚。 服装这类商品的退货政策，为什么通常要比电子产品更严格？ 其实维度不同：服装退货率高达 20%—40%，试穿后涉及卫生、撑变形、吊牌损坏，二次销售损耗大，所以在「卫生/吊牌完整」等验收标准上更严，但退货窗口往往更宽松来换转化；电子产品序列号可追踪、未激活检测后能原封再售，反而在「拆封激活即不退」的窗口与限制上更严。「退货政策设计」就是按品类差异分别设定窗口、补货费和排除项。 跨境卖到欧盟、英国，退货政策上有哪些必须注意的合规点？ 核心是 14 天无条件冷静期（撤单权）：欧盟依《消费者权益指令》、英国依 2013 年消费者合同条例，消费者收货起 14 天内无需理由可退，且必须事先提供撤销权范本，否则窗口延长至 12 个月。定制品、拆封的卫生密封品等可豁免。英国还有《消费者权益法 2015》的 30 天短期拒绝权。「退货政策设计」会把这些地区合规边界纳入规则，但不替代当地法律意见。 电商把退货窗口放宽到30天或给VIP延长，会带来哪些好处和风险？ 好处是提升下单信心、增强 VIP 粘性、把宽松退货当营销卖点拉高转化。风险是资金回笼变慢、机会主义退货与商品磨损上升、库存周转复杂，服装数码等品类还易出现「穿退」「用后退」。可取做法是分级实施（普通 15 天、会员 30 天、VIP 45—60 天）并配退货次数上限、品类排除与验收风控。「退货政策设计」正是用这种动态规则平衡转化与防护。 想用上这个技能？ 「退货政策设计」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 构建知识库
「LLM 知识库构建」是「龙虾部署大师」技能市场中的知识库技能：作用是基于扁平 Markdown 文件实现文档入库、查询、链接索引、OCR 和矛盾检测，无需数据库。入库时它感知现有 wiki 状态，判断该新建还是更新页面；查询时基于页面摘要选定起始页、遍历 Wikilinks、综合作答并返回来源。脚本负责结构与读写，LLM 负责语义判断，既保留原始文件，又能持续维护一个便于追踪来源的知识库。 技能效果 把三条带 [[双链]] 的笔记交给它入库时，它解析出各页面的出链入链关系，画了反向链接图谱，并把「向量数据库→Embedding→RAG」这条知识链梳理成表。 散落的文档，为什么越攒越查不动 很多团队的资料其实不少，难的是把它们变成能查、能维护、能追溯的知识库。文档格式杂——PDF、图片、Office、Markdown 混在一起；新增资料时，到底是该建新页面还是更新旧页面，靠人判断既慢又容易留下重复条目；查一个问题，往往要在多份文件里翻找，还说不清答案出自哪一页。更麻烦的是时间一长，不同文档之间会出现互相矛盾的说法，却没人发现。攒得越多，反而越查不动。 PDF 图片 Office 散乱、重复、矛盾 入库 + 语义判断新建 or 更新 Markdown 知识库 页面 + 摘要 + 双向链接 可追溯来源 这个技能怎么把文件变成可查知识库 它的核心思路是分工：脚本负责结构、读写和遍历，LLM 负责语义判断，全程基于扁平 Markdown 文件、不依赖数据库。入库时，用 ingest_file 把 PDF、图片、Office、Markdown 等文件吸收进来，并感知现有 wiki 状态——能合并的更新旧页面，确需新增的才建新页，避免重复。查询时，它先按页面摘要选定起始页，再遍历 Wikilinks 双向链接，综合得出答案并返回来源页面和遍历路径。维护层面，它生成并校验 Wikilinks 索引、识别孤立页面，还能执行 OCR 和矛盾检测，把结果连同版本记录一并保存。因为原始文件始终保留，知识库可以长期演进、来源可追。 入库ingest_file 查询摘要选页/遍历链接 索引Wikilinks/孤立页 校验OCR/矛盾检测 用前须知 该技能需要本机具备 Python，依赖 requests 2.28.0 及以上与 pyyaml 6.0 及以上；认证从 ~/.AI agent/ 目录自动读取。处理大文档时，建议把执行超时提高到 1 小时，以免长文档入库或 OCR 中途被打断。 怎么用它 用法是把要入库的文件或要问的问题用自然语言交给它，由它判断入库方式或遍历作答。例如可以这样对它说： 可以这样对它说 "把这些 Markdown 笔记入库，自动生成页面、摘要和双向链接。" "新增会议纪要时检查旧页面，能合并的就更新，别新建重复页面。" "问知识库里某个主题的内容，按摘要选页再综合回答，并给出来源和脉络。" 它适合这些场景：个人或团队希望把散落文档编译成 Markdown 知识库；查询知识库问题、需要返回答案、来源页面和遍历路径；新增资料可能更新已有页面、需要由判断新建还是合并；知识库长期维护中、需要检测页面之间的矛盾和孤立链接。 大家常问 为什么 LLM 直接作答容易出现幻觉，需要外挂一个知识库？ 大模型本质是按概率续写下一个 token，参数里只有训练截止前的知识，且生成过程不会主动查证。遇到记不清或没见过的内容，它仍会生成语法通顺却无来源的文字，这就是幻觉。外挂知识库的作用是在生成路径上插入"检索→验证"环节，让模型基于真实文档片段作答而非凭空生成。 知识库里的分块（chunking）是什么意思，为什么不能把整份文档直接丢进去？ 分块是把长文档切成语义连续的小段（通常 256–1024 token，留 10%–20% 重叠），每段独立做向量化和检索。整份丢进去会撞上上下文窗口上限，关键信息也会被海量无关文本稀释，无法精准命中。先切块再检索，才能把最相关的几段拼进 prompt 给模型作答。 知识库回答问题时为什么要返回来源页和遍历路径？ 检索召回是基于语义相似度的近似匹配，重排序又是模型内部的黑箱打分，单看答案无法判断结论是不是真被原文支持。返回来源页让用户能跳回原文核对，遍历路径展示这段内容在文档章节里的层级位置——这是把"黑箱生成"变成"可验证引用"的必要环节，也是幻觉发生时人工纠错的入口。 同一份资料再次入库时，为什么建议合并旧页面而不是直接新建？ 直接新建会在向量空间里制造大量近似副本：检索时 Top-K 被同义副本挤占、多样性下降，重排序分数失稳，倒排索引词频膨胀让混合检索权重失衡，引用路径碎片化让溯源失真。更糟的是旧版与新版内容矛盾时模型会同时引用产生自相矛盾的回答。合并能保持 chunk 集合幂等，从源头压低信噪比恶化。 想用上这个技能？ 「LLM 知识库构建」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。
PPT 怎么按风格批量生成？多种风格逐页出图并合成成品
「PPT 生成大师」是「龙虾部署大师」技能市场中的演示文稿生成技能：它提供白板、光辉、黑胶、黑板报、医疗、年度总结、开学第一课等十四种视觉风格，先确认风格、把文案整理成逐页确认表，确认后逐页生成 16:9 页面图，再合成为视觉统一的 PPTX，适合把文本内容快速转成成套的视觉化演示。 技能效果 做黑板报风「开学第一课」PPT时，它先按页排好封面和各内容页结构，确认后再合成。 做一套风格统一的 PPT，难在哪 把内容做成演示文稿，最耗时的往往不是写字，而是排版和统一视觉。常见状况有三种：一是手工逐页找模板、配图、调样式，几十页下来风格容易飘；二是希望换一种整体视觉风格（比如黑板报、医疗科普、商务总结），但缺少成套的设计参考，只能一页页拼；三是页数一多，生成或调整中途容易乱、也不好预览确认。结果是内容明明就绪，成片却迟迟出不来。 手工拼页：风格各异 ? 配色、版式、字体不统一 页数一多更难收口 这个技能能帮你做什么 它把"挑风格—排页—生成—合成"做成一条可确认的流水线。风格上，它提供白板、光辉、黑胶、画架、立体、黑板报、旧画报、毛毡、拟物毛玻璃、医疗、年度总结、开学第一课、林地和湿壁画共十四种视觉风格，并为每种风格匹配封面、内容和尾页的参考图；整理上，它会先把你的文案整理成包含页码、页面类型、参考图和内容摘要的确认表，让你先看清结构；生成上，确认后它逐页调用图像生成脚本，按风格提示词产出 16:9 页面图；合成上，再把确认后的页面图片合成为 PPTX。它保留页数控制和分批生成提示，长内容也能稳住。 确认风格 逐页确认表页码/类型/摘要 逐页生成图16:9 页面 合成 PPTX 用前须知 该技能需要 Python，并会检查 openai、Pillow、python-pptx。其中页面图像生成通常需要已配置可用的 OpenAI 或兼容图像 API Key。 怎么用它 用法是把文案、想要的风格用自然语言交给它，先确认结构再合成。例如可以这样对它说： 可以这样对它说 "用黑板报风做开学第一课 PPT，先分好页，确认后再合成文件。" "这份年终总结文案做成蓝金商务风 PPT，数据页要清楚，图表别挤。" "把这份医疗科普内容做成 16:9 页面，先确认风格和页数。" 它适合这些场景：手里有课程、汇报或活动文案、需要快速转成视觉统一的 PPT；年度总结、医疗科普、校园课程等主题、需要匹配更行业化的风格；希望先预览每页图片效果、再确认是否合成最终文稿；超过二十页的长内容、需要分批生成以降低中断和预览压力。它适合培训师、教师、市场运营、咨询顾问、活动策划和企业汇报人员。 大家常问 什么是PPT的信息层级？为什么一页字太多听众抓不住重点？ 信息层级是用字号、颜色、位置和留白对一页内容做"重要性排序"，引导视线先看什么再看什么。一页字太多时，视觉和听觉同时挤占工作记忆，认知负载过载，所有文字又都同权重平铺，大脑找不到主次，结果听完什么也没记住。 为什么一套PPT几十页做下来配色和版式容易飘？从母版和版式的设计原理上看，是哪一步没做好？ 配色和版式漂移的本质是把"手动调整"当成了"设计规范"。母版应在抽象层一次定义配色和共享元素，版式应在结构层定义内容容器，页面只在版式里填内容。若跳过母版直接在页面里取色、挪标题、加色块，每一次微调累积起来就成了肉眼可见的飘。 演示文稿的封面页、内容页和尾页在叙事上分别承担什么作用？ 封面页负责设定预期、建立信任、定下情绪基调，让观众三秒判断这是什么、为什么要听；内容页推进论证、控制节奏与信息密度，每页只承载一个观点；尾页提供闭合感、明确下一步行动、利用近因效应强化记忆，"谢谢聆听"只完成礼貌，未完成叙事收束。 一份PPT页数多和单页信息密度高，对听众理解的负担有什么区别？哪种更影响信息接收？ 页数多伤害的是叙事的可追溯性，听众记不住整体故事地图，但讲师可用语速和停顿抵消；单页密度高伤害的是单点理解的速度，信息超出视觉带宽就直接过载，且这种失败更隐蔽。多数场景下，密度高比页数多更伤信息接收。 想用上这个技能？ 「PPT 生成大师」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。
E2E测试怎么做才稳定不掉链子
「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。 大家常问 端到端（E2E）测试到底是什么意思？为什么前端改完光看代码 diff 判断不了页面还正不正常？ E2E 测试是在真实浏览器里按用户视角跑完整流程（登录、点击、提交）并断言结果。代码 diff 只能看出"代码改成了什么样"，看不到样式渲染、异步数据时序、DOM 就绪、网络响应这些真正决定页面是否正常的维度，所以要在浏览器里真跑一遍。 单元测试和端到端（E2E）测试有什么区别？分别适合在什么场景用？ 单元测试在无浏览器环境验证单个函数或组件的逻辑，毫秒级、数量最多，适合细粒度逻辑与边界条件；E2E 在真实浏览器跑完整用户路径，慢但最接近生产，数量最少，只覆盖关键业务流。原则是别用 E2E 替代单元测试。 为什么自动化测试会时而通过、时而失败（flaky）？这种不稳定的根因通常是什么？ flaky 多发在 E2E 层，根因是引入了太多不可控时序：异步渲染竞态（元素还没出现就去操作）、测试间状态污染（Cookie/缓存残留）、动画导致点击落空、波动的网络与接口、易变的选择器。越靠测试金字塔顶端，不稳定概率越高。 做网页自动化测试时，为什么要先等页面加载完、网络空闲再去检查元素和断言？ 现代页面的 DOM 是异步填充的：路由切换先出骨架屏，再靠请求拉真实数据。不等网络空闲就定位元素、点按钮，等于在一个不可预测的 DOM 快照上做决策，结果无法复现，断言时对时错。等渲染稳定再侦察，截图和断言才反映真实状态。 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。
实时股价怎么看涨跌幅怎么算
「股票价格查询」是「龙虾部署大师」技能市场中的行情快照技能：它用 yfinance 从 Yahoo Finance 获取美股、ETF、A 股和港股的当前价格，返回币种、现价、涨跌额、涨跌幅、成交量和均量比例，并清洗成简洁的 Markdown 文本或多标的对比表，适合快速价格核对。 技能效果 查 AAPL 行情时，它返回了近五个交易日的收盘价、开高低与成交量，整理成一张表。 只想核个价，却要跨好几个市场 很多时候需求很简单：看一眼某只股票现在多少钱、今天涨跌多少。但真要查起来，美股、A 股、港股分属不同市场，代码后缀各异（A 股用 .SS、.SZ，港股用 .HK），逐个去查、再把币种和涨跌幅手动对齐成一张表，反而成了麻烦事。「股票价格查询」要做的，是把跨市场的报价核对收敛成一次问答——给代码，回价格快照，多标的还能直接排成对比表。 一个入口，跨市场取价 美股 AAPL A股 600519.SS 港股 0700.HK yfinanceYahoo Finance 现价/涨跌幅成交量/均量比 这个技能能帮你查到什么 它聚焦"基础行情"这一层，不做估值、资金或资讯。代码覆盖上，支持美股、ETF，以及带上海/深圳后缀的 A 股和港股后缀代码；返回字段上，给出现价、币种、涨跌额、涨跌幅、成交量、平均成交量和活跃度比例；展示方式上，单标的输出简洁简报，多标的整理成对比表格，方便横向比较涨跌幅与成交活跃度。它还能识别无效代码、网络超时和 yfinance 缺失等常见错误，并提示问题出在哪一环。 现价含币种 涨跌额/幅 成交量 均量比例活跃度 用前须知 该技能无需 API Key，但需要 Python 并安装 yfinance，网络要能访问 finance.yahoo.com；中国大陆环境可能需要代理，Windows 下可用 python 命令运行。它提供的是公开市场报价的快照查询，数据来自 Yahoo Finance，仅供核对参考，不构成投资建议。 怎么用它 用法是把要查的代码报给它，需要的话指定市场或时间范围。例如可以这样对它说： 可以这样对它说 "查一下 AAPL 今天的收盘价和近五天走势，用 yfinance 即可。" "把 TSLA 和 NVDA 的当前价格、涨跌幅和今天的成交量一起列出来。" "这个股票代码可能在港股，确认 ticker 后再取它近一年的历史价格。" 它适合这些场景：快速查询 NVDA、AAPL、VOO 等美股或 ETF 的当前价格；用 600519.SS 或 0700.HK 查询 A 股、港股行情；把多个标的整理成对比表、展示涨跌幅与成交活跃度；以及脚本运行失败时判断是依赖缺失、代码错误还是网络受限。适用于个人投资者、财经编辑、分析师助理和需要快速核对公开市场报价的技术用户。 大家常问 实时股价和延时股价有什么区别？ 实时股价是交易所当下正在撮合成交的价格，毫秒级更新；延时股价是把行情人为缓存一段时间（常见 15 分钟）后再发布，你看到的其实是十几分钟前的快照。延时数据多为免费基础服务，适合盘后回顾，不适合精确把握当下买卖时机。 股票的涨跌幅是怎么算出来的？ 涨跌幅是相对前一交易日收盘价的百分比：涨跌幅 =（当前价 − 昨收）÷ 昨收 × 100%。它消除了股价绝对水平差异，让不同价位的股票能横向比较涨跌程度。涨跌额是绝对差值，振幅则是当日最高最低价差相对昨收的比例，三者口径不同。 股票的总市值是什么意思，怎么算出来的？ 总市值 = 当前股价 × 总股本，代表市场给这家公司贴的整体价格标签。它和流通市值的区别在于乘数：总市值用全部股本（含限售股），流通市值只算可自由交易的流通股本。总市值高不等于公司有那么多现金，也不代表更安全，只是市场当前的定价。 同一家公司的 A 股和 H 股，为什么报价会不一样？ A 股以人民币报价、H 股以港币报价，两个市场彼此隔离，资金不能自由跨市套利，价差便成为常态。再叠加投资者结构、交易制度（T+1 与 T+0）、涨跌幅限制和资金成本等差异，供需各不相同，于是同股同权却不同价，长期表现为 AH 溢价。 想用上这个技能？ 「股票价格查询」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。
如何用 AI 算清广告投放回报率
「营销 ROAS 分析」是「龙虾部署大师」技能市场中的投放效率分析技能：它跨 Meta、Google、TikTok、Amazon Ads 等渠道，结合支出、平台收入、第一方归因收入、毛利率和成本，计算平台 ROAS、1P ROAS、MER、真实 ROAS、CAC 和盈亏平衡点，并给出渠道目标与预算再分配建议。 技能效果 Meta和Google的ROAS对不上时，它分别按平台口径和GA4口径算出两套ROAS，列出差异并解释归因窗口、去重等误差来源。 平台都说 ROAS 很高，利润却对不上 多渠道投放最常见的困惑是：每个平台后台自报的 ROAS 都很漂亮，加起来却和实际利润、现金流对不上。原因往往藏在归因里——再营销 ROAS 虚高，可能是广告抢走了本就会发生的自然购买；各平台各自归因，重复计算同一笔成交；而平台收入没有扣掉毛利率和可变成本，离"真正赚到的钱"还有距离。靠平台自报的数字分预算，很容易把钱加在看起来好、实则不增量的渠道上。「营销 ROAS 分析」要解决的，是用利润口径而非平台归因来衡量投放。 从"平台自报"到"真实利润"的层层折扣 平台 ROAS（自报） 1P ROAS（第一方归因） 真实 ROAS（扣增量） 扣毛利后的利润 这个技能能帮你算清什么 它把"投放赚不赚钱"拆成一组可计算的指标。口径层面，它定义并区分平台 ROAS、1P ROAS、MER、真实 ROAS 和 CAC；阈值层面，它按毛利率和可变成本算出盈亏平衡 ROAS，让你知道每个渠道至少要做到多少才不亏；监控层面，它建立每周渠道记分卡和预算节奏规则，避免月底集中花钱或超支；决策层面，它给出扩量、缩量、暂停的判断，并设计增量 Holdout 测试来检验某个渠道是不是真的带来了增量。整个流程强调用 GA4 与整体 MER 交叉验证平台数据。 每周记分卡：四个动作信号 扩量高于阈值且增量 缩量效率走低 暂停低于盈亏平衡 Holdout 测试验证是否增量 渠道分开看，再决定预算怎么挪 用前须知 该技能无需 API Key 或固定依赖，分析依赖你提供的广告平台、GA4、订单、毛利和成本数据；若要自动拉取数据，需另行配置各平台权限。它是分析与决策辅助工具，结论的可靠性取决于你提供数据的准确度，不构成投资建议，也不承诺投放收益。 怎么用它 用法是把各渠道的支出、收入和成本数据，连同你要做的决策用自然语言交给它。例如可以这样对它说： 可以这样对它说 "Meta、Google 的 ROAS 对不上，按 GA4 算一下真实值和误差来源。" "本月广告花太快，按剩余天数算每天还能投多少，别月底超支，消耗一起看。" "先看各渠道的 MER 和真实 ROAS，再决定下周预算怎么挪动，渠道分开看。" 它适合这些场景：多个广告平台自报 ROAS 很高、但实际利润和现金流不匹配；需要判断下一笔预算该加给 Meta、Google、TikTok 还是邮件渠道；怀疑再营销 ROAS 过高、抢夺了自然购买归因；以及月度预算消耗节奏异常、需要避免超支。适用于 DTC 电商、增长团队、投放负责人和需要以利润而非平台归因来管理预算的企业。 大家常问 为什么各广告渠道后台自报的 ROAS 加起来，和实际利润经常对不上？ 主要不是有水分，而是口径不同：渠道后台看的是广告带进来的流水（ROAS），财务看的是扣完商品、物流、退款等所有成本后还剩多少（ROI）。加上各渠道各自归因、互相重复计算同一笔成交，加总自然会高于实际收入。 平台 ROAS、真实 ROAS 和 MER 有什么区别？ 平台 ROAS 是单渠道封闭归因下的账面效率，有系统性高估倾向；真实 ROAS 要跨渠道去重、剔除自然转化后才得出，通常靠增量测试推算；MER 不做归因，直接用总营收除以总营销支出，粗但能反映整体效率，适合做保底气压计。 盈亏平衡 ROAS 是什么，怎么判断一个渠道值不值得继续投？ 盈亏平衡 ROAS 约等于 1÷毛利率，是恰好不亏本的临界值，低于它每投一笔都在亏。判断渠道时不能只看这个数，还要做增量测试看是否带来真增量、结合回收周期和 LTV，并观察加预算后效率会不会跌破平衡线。 为什么再营销的 ROAS 很高，反而要警惕？ 因为再营销出价低、又常被末次点击归因截走上层渠道的功劳，分母小、分子虚，ROAS 容易虚高。这些人很多本来就会买，做 Ghost A/B 测出的增量 ROAS 可能极低——它只是提前收割了自然成交，掩盖了拉新缺口。 想用上这个技能？ 「营销 ROAS 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。
提示