如何用AI准备面试
「面试准备」是「龙虾部署大师」技能市场中的面试训练技能：作用是为求职者生成结合岗位、公司和面试类型的定制化准备方案——输入职位、目标公司、面试形式、经验层级和薄弱环节后，它输出公司研究、常见问题、STAR 回答框架、技术问答要点、反问清单、风险提示和当天检查表，帮你把零散经历整理成可演练、可复盘的面试素材。 技能效果 准备产品经理面试时，它按高频程度排出十道行为面试题，每题给出STAR骨架，还把答案改写成不像背稿的口语示例。 面试前临时抱佛脚，为什么效果总不好 问题在于准备没有结构。多数人面试前的准备停留在三种状态：一是漫无重点，刷一堆通用面试题，却不知道目标岗位和这家公司会重点考什么；二是经历讲不清，明明做过不少事，一被追问就答得零散，缺乏量化成果，也没有"背景—任务—行动—结果"的骨架；三是临场失控，两分钟能讲完的事讲了五分钟，或者面完才想起没准备反问问题。准备得有没有用，看的是能不能把经历变成可演练、可复述的素材。 STAR：把经历讲成完整的故事 S背景 T任务 A行动 R结果(可量化) 这个技能能帮你做什么 它把面试准备做成一套定制化、可演练的训练方案。输入职位、目标公司、面试形式、经验层级和薄弱环节后，它会按岗位、公司和经验层级生成定制化的面试问题；用 STAR 框架帮你拆解经历，给出示例回答的组织建议；针对技术题、行为题、案例题补充答题要点；并输出一份反问清单、一组避坑提醒和一张面试当天的检查表。整个流程强调具体经历、可量化成果、失败复盘和两分钟的表达控制，目的是把你零散的经验整理成临场能复述、能模拟问答、能自我复盘的材料。 输入岗位与公司 形式 / 层级 / 薄弱 定制问题 + STAR 拆解 答题要点 技术/行为/案例 反问 +检查表 用前须知 该技能无需 API Key 或固定运行时依赖，主要基于你提供的岗位、公司和面试类型生成内容。需要注意的是，若要结合目标公司的最新动态，应接入可用的搜索能力并自行核验来源，避免在面试中引用过时或不准确的公司信息。 怎么用它 用法是把目标岗位、公司、面试形式和自己的经历用自然语言交给它，它会生成定制问题和回答框架。例如可以这样对它说： 可以这样对它说 "明天面产品经理，按行为面试准备十个 STAR 答案，别太像背稿。" "我投的是字节的后端岗位，练几道技术面高频问题并整理思路。" "这份经历太散，帮我整理成面试里能讲的三段故事，每段两分钟左右。" 它适合这些场景：准备行为面、技术面或案例面时需要系统化演练回答；目标公司已确定、要结合公司使命、动态和文化设计面试策略；缺少可量化的项目案例、需要把经历整理成清晰的 STAR 故事；以及临近面试当天、要快速核对准备材料、反问问题和表达风险。 大家常问 用STAR法则讲项目时，最容易被求职者省略或讲虚的是哪一步，为什么？ 最容易被省略的是R（Result）。求职者往往讲清楚做了什么，到结果时只剩"顺利完成""客户认可"等笼统话，缺少基线、对比、时间跨度这类可核实的量化指标，导致Action变成自说自话。 行为面试问题主要在考察求职者的什么，和能力测评类问题有什么区别？ 行为面试基于"过去的行为是未来表现的最佳预测指标"，考察真实情境下的行为模式、软性胜任力和决策逻辑；能力测评则是受控条件下的认知表现，测量知识存量、推理速度、技能操作等可标准化打分的硬指标。 面试里的自我介绍超过两分钟会带来什么问题？ 面试官前两分钟注意力最集中，超过这个窗口信息密度下降；同时会挤占后续行为面、技术考察、双向问答的时间，还会暴露候选人在提炼重点和时间把控上的不足，反而稀释了核心亮点。 面试最后的反问环节，问什么类型的问题会显得专业，问什么会扣分？ 加分的是落在岗位实际工作、前3-6个月核心问题、评价标准、团队业务挑战上的问题；扣分的是公司在做什么这类官网可查的基础信息、只关心加班和晋升的利己问题、过于空泛的战略问题，以及"我没有问题了"。 想用上这个技能？ 「面试准备」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。
怎么让 AI 代理不忘事
「主动式任务代理」是「龙虾部署大师」技能市场中的代理架构技能：作用是让 AI 代理具备主动性、持久性和自我改进能力。它通过 WAL 写前日志、SESSION-STATE、工作缓冲区、压缩恢复、统一搜索、Heartbeat、自主 cron、工具迁移检查和安全加固，解决上下文丢失、状态漂移、只响应不行动等问题，遵循"先记录关键事实再响应、先验证机制再报告完成、先穷尽方法再求助"的原则。 技能效果 让它以后所有稿子都改用蓝色主题，它把这条偏好写进本机的记忆文件并确认已记录，往后相关产出都会自动沿用蓝色。 代理为什么会忘事、跑偏、只等指令 长期跑一个 AI 代理，常会遇到三类问题：一是忘事——上下文一被压缩，之前定下的偏好、客户名、接口地址就丢了，下一轮又回到旧值；二是漂移——纠正过的事实没被持久记录，过几轮又被覆盖，状态慢慢偏离真实情况；三是被动——只在你提问时才动，不会主动巡检、自检或推进任务。这些都不是模型"不够聪明"，而是缺一套记录、恢复和主动检查的机制。 没有机制：上下文一截断，关键值就丢 记下：蓝色主题 上下文压缩丢失 又回到红色稿 有 WAL + 缓冲区：先落盘，再响应，可恢复 WAL 写前日志 → SESSION-STATE → 压缩后从工作缓冲区恢复 这个技能能帮你建立什么 它是一套给代理用的架构方法，把"会忘、会偏、太被动"逐个补上。核心能力有四块：一是通过 WAL 协议，在响应之前先把纠正、决策和关键值记录下来，做到"先落盘再开口"；二是用工作缓冲区和压缩恢复流程，应对上下文被截断的风险，压缩后还能恢复最近任务与关键细节；三是设计 Heartbeat、自主 cron 和反向提示等主动检查机制，让代理会定期自检、刷新记忆、后台巡检，而不是只提示不执行；四是提供安全加固、自我改进护栏和工具迁移核对清单，约束代理在演化时保持稳定、可解释、可复用。它强调先验证机制再报告完成、先穷尽多种方法再请求帮助。 先记录WAL 写前日志 可恢复工作缓冲区 主动巡检Heartbeat / cron 自我改进护栏先验证再完成 用前须知 该技能需要代理具备文件读写权限和 Python 3.8+；可选配 memory_search、session_status、cron/scheduler 等能力。它无需固定的 API Key，但依赖所在平台提供的相应能力。 怎么用它 用法是把要让代理长期记住的事实、偏好或巡检要求用自然语言交代清楚，它会先落盘再响应。例如可以这样对它说： 可以这样对它说 "以后这个项目都用蓝色主题，别再沿用红色稿，后面所有稿子都记住，存到本地。" "客户名字是星河云，不是星海云，后面都按这个写，别再混淆。" "接口地址改成这个 URL，后续任务都按新值走，别用旧链接。" 它适合这些场景：希望代理在长期项目中持续记住决策、偏好、人物和任务状态；上下文压缩后需要从工作缓冲区恢复最近任务与关键细节；想配置定期自检、记忆刷新或后台巡检，避免代理只提示不执行；改造代理工作流时，要防止上下文泄漏、工具引用遗漏和未验证就报告完成。 大家常问 为什么 AI 代理跑久了会忘记前面说过的偏好和决定？ AI 代理本质是一段无状态推理循环，记忆只挂在"上下文窗口"和"外部存储"两处。每次触发器唤醒都是新一轮推理，自我规划会聚焦当下目标，先前提到的偏好如果没有显式反思和持久化，就会随着上下文推陈出新自然衰减。遗忘不是缺陷，而是机制本身的产物。 主动式任务代理和普通 AI 助手最本质的区别是什么？ 普通 AI 助手是被动响应，用户不开口就不动。主动式任务代理是目标驱动，它靠触发器（时间、事件、心跳）自主唤醒，按目标函数做优先级排序，自我规划行动路径，执行后跑反思循环和价值评估，关键节点再回到人在环确认，把"等指令"换成了"自己判断该做什么"。 AI 代理里说的 WAL 写前日志是什么意思，为什么要先记录再响应？ WAL 借自数据库的"写前日志"思路：代理在对外部世界产生任何动作之前，先把触发原因、目标得分、行动计划完整写入内部日志。这样规划可审查、过程可回滚、出错可追溯，避免规划没验证就执行、中途崩了找不到一致状态、目标被新信息带偏等问题。 AI 代理报告任务已完成之后，为什么还要先验证再上交？ 触发器只说"该动了"，目标函数只定义"什么算合格"，自我规划只画出"打算怎么走"——这三步都是声明，不是事实。代理实际执行时可能因环境变化偏离路径，反思循环和价值评估必须拿真实产出去对照目标函数，确认中间产出和路径都合规，才能上交，否则只是自报家门。 想用上这个技能？ 「主动式任务代理」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 做前端界面设计
「前端界面设计」是「龙虾部署大师」技能市场中的视觉设计技能：作用是在编码前先确立界面的目标、受众、技术约束和美学方向，再据此选定字体、配色、空间构图、背景细节和动效，形成一套完整且一致的视觉语言，并输出可运行的前端代码。它的重点是确定"界面长什么样、为什么这样",刻意规避通用字体、紫色渐变、模板化卡片这类缺乏语境的 AI 感设计。 技能效果 把一段简陋的后台首页 HTML 交给它重做时，它在保留导航和数据卡片的前提下，按冷静专业风格重写出留白更足的整页代码。 为什么前端做出来总有一股"AI 感" 界面之所以显得平庸、缺乏记忆点，根源往往在于跳过了设计决策，直接套用默认值。默认字体、随手挑的紫色渐变、千篇一律的圆角卡片堆叠在一起，单看每一处都没错，合起来却毫无语境——它没有回答这个产品是给谁用、想传达什么气质。视觉选择一旦脱离场景，界面就只是功能的容器，而不是产品识别的一部分。这种"模板感"不是技术问题，而是缺少明确美学方向的结果。 模板化（AI 感） 默认字体 紫色渐变 千篇一律的圆角卡片 有方向（有记忆点） 独特字体 克制且贴合场景的配色 空间构图 + 背景细节 这个技能能帮你确定什么 它做的是"先想清楚再下笔"这件事，把视觉决策前置成一套流程。第一步是在编码前确定界面目标、受众、技术约束和美学方向，并选定一种大胆但一致的视觉语气——极简、复古未来、编辑感、奢华、工业或玩具化等。第二步是围绕这个方向，把字体、配色、空间构图、背景和动效组织成一个完整的视觉系统，而非零散的样式。第三步才是落地：生成 HTML、CSS、JS 或 React、Vue 等框架组件这类可运行代码。整个过程会主动规避通用字体、模板卡片、陈词配色和缺乏语境的设计。 ① 定方向 目标/受众/气质 ② 建系统 字体/配色 构图/动效 ③ 出代码 可运行组件 用前须知 该技能无需 API Key。实际依赖取决于项目技术栈，可用于 HTML/CSS/JS、React、Vue 等前端环境。它产出的是视觉方案与可运行界面代码，重点在设计方向而非后端逻辑。 怎么用它 用法是把界面的用途、想要的气质和必须保留的约束用自然语言说清楚，由它来定方向、建系统、出代码。例如可以这样对它说： 可以这样对它说 "把这个后台首页重新设计，走冷静专业的风格，保留现有功能，画面留白多一点。" "做一个产品详情页的视觉方案，字体、配色和动效都要能直接交给开发，配色克制。" "这个组件太普通了，改成有记忆点的高质量界面，但别影响可用性。" 它适合这些场景：为新产品页面或应用界面建立更鲜明的视觉识别；现有前端过于模板化、希望重做为更有记忆点的设计；组件开发需要兼顾功能、动效、排版和生产级细节；设计评审要求避免常见 AI 风格、形成更明确的创意方向。 大家常问 什么是前端界面设计？为什么有的页面看起来很专业、有的看起来一眼就像模板套出来的？ 前端界面设计是用工程化方法组织视觉信息的体系，要求在多种设备、状态和用户身份下保持一致性与可维护性。看起来专业的页面，每一处间距、配色、圆角都来自栅格、设计系统和 Token 的统一约束；模板感强的页面是默认字体配紫色渐变堆出来的，没有从原则层推导样式。 设计系统里的 Design Token 是什么意思？它和直接写颜色字号有什么区别？ Design Token 是设计系统中所有视觉属性的抽象命名变量，把 #0057FF、16px 这类原始值换成 color-brand-primary、spacing-4 这样的语义名称。直接写值时改色要全局搜索替换、容易漏改；用 Token 改一处映射就辐射全系统，还能按浅色/暗黑/不同产品线重新映射，是设计与工程对齐的单一事实来源。 响应式断点为什么不能随便拍脑袋定？背后的判断依据是什么？ 断点不是设备分类器，而是内容布局关系发生质变的临界点，应由内容决定。判断依据有三条：单列宽度受 WCAG 44px 触控目标约束、正文行宽要控制在 45-75 字符（约 480-720px）、间距必须对齐栅格基准单位。当 12 列栅格在某宽度下已无法保证最小列宽时，就是必须减少列数的断点位置。 暗黑模式设计的核心原则是什么？为什么直接把白底反相成黑底很容易出问题？ 核心原则是用层次化的暗色表面（如 #121212/#1E1E1E/#282828 递增亮度表达 Z 轴深度），并为暗黑模式独立调色板，主文字不用纯白以免眩光，对比度仍要满足 WCAG AA 4.5:1。直接反相会把品牌色变样、留白从积极空间变消极空间、分割线和阴影也会失效，所以不能简单取 RGB 补值。 想用上这个技能？ 「前端界面设计」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。
如何用 AI 设计数据管道
「高级数据工程」是「龙虾部署大师」技能市场中的数据系统设计技能：作用是根据你的数据来源、目标仓库、延迟要求、日处理规模和重跑要求，在 Airflow、dbt、Spark、Kafka、Flink 等方案之间完成技术选型，输出管道架构、编排配置思路、数据质量校验、模型设计和性能调优建议，帮团队搭起可靠、可观测、可维护的数据基础设施。 技能效果 让它设计订单库到 Snowflake 的每日 ETL 时，它产出了水位线控制表、Staging/维度/事实表的建表 SQL 和对应的 Airflow DAG 配置。 搭数据管道，难在哪一步 从源库把数据搬到数仓看似只是"抽取—转换—加载"，但真正的难点在选型和取舍：是批处理还是实时流？延迟要求几分钟还是几小时？日处理量是百万行还是十亿行？错误数据怎么处理、跑挂了怎么重放？这些决定了该用 Airflow 还是 Flink、该建什么样的表模型、要不要做数据质量校验。选错方向，轻则后期返工，重则数据不可靠、排查无从下手。再加上一条 Spark 聚合或一个 DAG 跑得过慢时，瓶颈往往藏在执行计划、分区和缓存里，不展开看根本定位不到。 选型由需求驱动 需求输入 延迟要求 日处理规模 重跑/去重 源与目标 批处理 ETL/ELT 实时流处理 Airflow / dbtSnowflake/BigQuery Kafka / Flink / SparkLakehouse 这个技能能帮你设计和优化什么 它覆盖数据系统的四块工作。技术选型层面，它根据需求在批处理、流处理和 Lakehouse 架构之间给出选型路径，明确什么场景该用 Airflow、dbt，什么场景该上 Kafka、Flink、Spark Streaming。编排配置层面，它生成 Airflow 编排、数据抽取和仓库加载的配置思路。数据质量层面，它建立完整性、新鲜度、唯一性等校验，以及数据契约、血缘和可观测性机制，让数据出问题时能被及时发现、能追溯。性能调优层面，它分析 Spark、SQL 和 DAG 的执行瓶颈，给出分区、缓存等具体优化建议。 技术选型批/流/Lakehouse 编排配置Airflow/抽取/加载 数据质量校验/契约/血缘 性能调优分区/缓存 把可观测性和数据契约前置进设计，是这套思路的关键：可靠的数据基础设施不是事后补监控，而是在管道设计阶段就把"怎么发现错误、怎么重放、怎么追溯"想清楚。 用前须知 该技能需要 Python、SQL 环境，并按场景配合 Spark、Airflow、dbt、Kafka 等工具使用，没有统一的 API Key；连接云数仓（如 Snowflake、BigQuery）所需的凭据需自行配置并妥善保管。它的产出是架构与配置思路，落地仍需在你自己的技术栈中实现和验证。 怎么用它 用法是把数据来源、目标仓库、延迟与规模要求，或当前遇到的性能问题用自然语言交给它，由它给出选型与配置方案。例如可以这样对它说： 可以这样对它说 "设计订单库到 Snowflake 的每日 ETL，帮我生成 Airflow 编排配置思路。" "Kafka 事件要实时入湖，延迟数据、去重和重放策略一起考虑。" "这条 Spark 聚合跑太慢，分析一下执行计划，给分区和缓存的优化建议。" 它适合这些场景：企业要从 PostgreSQL 同步数据到 Snowflake 或 BigQuery；事件流需要在 Kafka、Flink 或 Spark Streaming 中实时处理；数据团队要为核心表建立完整性、新鲜度和唯一性校验；现有 Airflow DAG 或 Spark 作业跑得过慢、需要定位瓶颈。适合数据工程师、数据平台负责人、分析工程师、后端团队以及正在建设现代数据栈的企业技术团队。 大家常问 数据仓库为什么要做 ODS、DWD、DWS、ADS 这样的分层？ 分层本质是分治：不分层时源系统一改字段就传导到所有下游，多团队重复清洗、口径打架、排查无从下手。ODS 贴源保留原始镜像，DWD 清洗建模出一致明细，DWS 按公共维度预聚合，ADS 面向具体报表服务。每层只做一件事，变更隔离、口径统一、问题可沿层追溯。 批处理和实时流处理在数据工程里怎么区分，各适合什么场景？ 本质差异不在快慢，而在数据边界：批处理面对有界数据，假设"已就绪、一次算完"，适合 T+1 报表等延迟宽松场景；流处理面对无界数据，逐条或微批处理持续到达的事件，需引入水位线界定迟到，适合实时大屏、监控告警等秒级响应场景。两者都需要、按需求选。 数据工程里的数据血缘是什么，主要解决什么问题？ 数据血缘是对数据从源头经过哪些变换、流向何处的全链路追踪，本质是一张"表/字段为节点、转换为边"的有向无环图。它主要解决三类问题：报表异常时沿血缘向上溯源定位根因；上游字段要改时下钻评估影响范围；以及合规审计中追踪敏感字段的完整传播路径。 数据管道重跑时为什么要做幂等处理？ 因为管道失败、回溯历史、逻辑升级都需要重跑，而重跑是数据工程的常态而非应急。不幂等时每跑一次就叠加污染，明细翻倍、聚合指标倍增。幂等指同一输入跑多少次结果都一致，靠分区覆盖写、按业务主键去重、事务性提交实现，保证无论重跑多少次交付的数据都正确可信。 想用上这个技能？ 「高级数据工程」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商品页转化怎么优化？给移动优先改版和实验
「Shopify 商品页转化优化」是「龙虾部署大师」技能市场中的商品详情页转化技能：它基于你提供的商品页链接、截图和转化数据，检查首屏视觉、信任信号、卖点结构、CTA 和页面速度，输出移动优先的改版建议和 A/B 测试清单，目标是提升加购率与购买率。 技能效果 给一个加购率偏低的蓝牙耳机商品页做转化优化时，它在保留图片的前提下重写了首屏主卖点、信任标识和加购按钮文案，并给出改前改后的对比。 商品页有流量，加购率却上不去 商品详情页是成交前的最后一公里，但很多店铺的页面"有流量、没转化"。问题往往不在引流，而在页面本身：首屏信息层级乱，标题、价格、评价、运费、加购按钮挤在一起，访客一眼找不到重点；缺评价、缺支付保障、缺退货承诺，新访客没有下单的信任理由；产品描述写得又长又满，没人愿意往下扫读；到了移动端，桌面端那套布局直接照搬过来，全宽 CTA 缺位，转化进一步落后。这些都是肉眼能感觉到不对、却说不清该先改哪里的典型情况。 改前：首屏杂乱 → 改后：层级清晰 标题 + 价格 评价 + 信任标识 可扫读卖点 全宽 CTA 加购 这个技能帮你检查和改进什么 它围绕商品详情页的转化要素做一次结构化诊断。首屏层面，它审查首屏视觉、标题关键词、价格透明度、评价展示、卖点表达和 CTA 的完整性；信任层面，它检查安全支付、退货政策、真实评价和专业背书，帮你搭起新访客愿意下单的信任体系；紧迫感层面，它按合规原则设计真实库存提示、促销倒计时和折扣展示，强调不伪造稀缺性；实验层面，它把主图数量、CTA、评价位置、价格格式等做成可执行的 A/B 测试清单。输出是移动优先的改版建议和实验方案，最终指向加购率、购买率和长期信任的提升。 首屏五项查清，逐项给改进与实验 主图数量/角度 标题价格关键词 评价信任背书 卖点可扫读 CTA全宽按钮 移动优先改版 + A/B 测试清单 用前须知 该技能无需 API Key 或代码依赖，分析基于你提供的商品页截图、文案、评价、价格、库存、配送承诺、转化数据和页面速度指标。它给出的是改版建议与实验方案，真正改动页面需要 Shopify 主题或后台的编辑权限。提供的资料越完整，建议越贴合实际。 怎么用它 用法是把商品页的链接或截图，连同当前的转化表现一起用自然语言交给它，由它诊断并给出改版建议。例如可以这样对它说： 可以这样对它说 "这个商品页加购率低，先帮我改首屏卖点、信任标识和 CTA 按钮文案。" "移动端首屏太乱，重新排一下标题、价格、评价、运费和加购按钮的顺序。" "产品描述太长没人看，压成可扫读的卖点，并设计一套首屏 A/B 测试方案。" 它适合这些场景：商品页流量充足但加购率偏低、需要重构首屏信息层级；移动端转化落后桌面端、要压缩文案并强化全宽 CTA；页面缺少评价、支付保障或退货承诺、影响新访客信任；以及促销期间想在不伪造稀缺性的前提下提升购买紧迫感。 大家常问 Shopify 商品页流量不少，但加购率和转化率一直很低，通常是哪些环节出了问题？ 这是典型的漏斗中部断裂，按优先级排查七处：主图太少缺场景说服力、首屏没建立信任（缺评分/支付/退货标识）、CTA 按钮不突出、产品描述只讲功能没讲解决什么痛点、缺真实的紧迫感、运费等隐性成本到结账才暴露、页面加载慢。本技能据商品页链接或截图逐项体检，给移动优先的改版建议和实验清单。 为什么同一个 Shopify 商品页，手机端的转化率往往比电脑端差？移动端首屏要注意什么？ 手机屏幕小、首屏信息密度低，关键信息要滚动两三屏才看到，加上加载更慢、点击成本高、信任信号被折叠，转化常低于电脑端。移动端首屏应在不滚动时就放齐：高质量主图、清晰标题、星级评价、价格、3 条卖点、全宽 CTA 按钮、配送与保障承诺。本技能按移动优先重排首屏层级并压缩文案。 商品页上的库存紧张、促销倒计时这类稀缺性提示，怎么做才算合规、不算虚假营销？ 合规底线只有一条：页面写的都要有后台真实数据支撑，且不同时间看到的逻辑一致、不矛盾。库存提示要对接实时库存、不虚构数字；倒计时终点要等于活动真实截止、归零后不自动重置循环；销量要来自真实订单、不能拿浏览或加购冒充。本技能按合规原则设计真实库存与促销紧迫感，不造假稀缺。 商品详情页的首屏（首屏可见区）一般指什么？为什么大家都强调要把卖点和 CTA 放在首屏？ 首屏指打开商品页无需向下滚动、第一眼就能看到的区域，移动端通常含主图、标题、价格、评分。强调把卖点和 CTA 放首屏，是因为用户注意力在首屏只停留三五秒、能滚到第二屏的约一半，再往后骤降；卖点决定是否感兴趣、CTA 决定是否行动，缺一不可。本技能会审查首屏层级并建议悬浮固定 CTA。 想用上这个技能？ 「Shopify 商品页转化优化」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。
如何用 AI 制定健身计划
「健身教练」是「龙虾部署大师」技能市场中的训练计划技能：作用是根据你的目标、身体状况、训练条件和时间，生成个性化、可执行的训练方案——它先确认你是要减脂、增肌、塑形、提升体能还是康复，再收集器械、地点、频率等条件，输出 4 周渐进计划，含动作组数次数、休息、动作要点、替代动作、进阶安排，并附热身拉伸、安全原则和免责声明。 技能效果 说明一周只能练三天、家里只有哑铃后，它排出练一休一的三天计划，写明每个动作的组数次数，还给出护膝护腰的几条铁律。 自己安排训练，为什么常常练不下去或练错 问题往往出在计划本身。零基础或居家训练时常遇到三种情况：一是不知道练什么、练几组，照搬网上的计划，结果不是太难就是不对路；二是不管身体条件，膝盖、腰有旧伤却照做跳跃和大重量，反而越练越伤；三是没有渐进结构，每天都练同样的强度，身体适应后就停滞，或者一开始上量太猛、几天就放弃。训练有没有效果，七分看计划是否匹配自己的条件。 4 周渐进，强度逐周抬升 第1周 第2周 第3周 第4周 适应 进阶 这个技能能帮你做什么 它把训练计划拆成"先匹配方向、再适配条件、最后给出可执行安排"。它先根据减脂、增肌、塑形、体能、康复或特定部位匹配训练方向；再分批收集你的年龄、身高体重、运动水平、伤病情况、可用器械、训练地点、每周频率和偏好；然后生成一个 4 周训练周期，写明每个动作的组数、次数、休息时间和动作要点，并为关节不适或器械受限的情况提供替代动作，给出周期化的进阶方式。每份计划都附带热身拉伸建议、安全原则、过度训练的预警信号和一张进度追踪表，方便你记录进步、按反馈调整强度。 匹配目标 减脂/增肌/康复 适配条件 器械/伤病/频率 4 周计划 动作/组数/替代 进度 追踪表 用前须知 该技能无需 API Key，生成计划依赖 Python 脚本和本地动作库。需要明确的是，它输出的是一般性训练建议，仅供参考，不构成医疗诊断或治疗方案；有慢性病、伤病或明显不适者，应先咨询医生或专业教练，再决定是否开始训练。训练中如出现疼痛或不适，请立即停止。 怎么用它 用法是把你的目标、可训练的时间、器械和身体限制用自然语言说清楚，它会据此排出计划。例如可以这样对它说： 可以这样对它说 "我一周只能练三天，家里有哑铃，安排减脂训练，注意保护膝盖和腰。" "膝盖不太舒服但想恢复跑步，做一套低冲击的康复计划，先别安排跳跃。" "想重点练胸和背，按四周周期写动作、组数和进阶方式，休息时间也写清。" 它适合这些场景：零基础用户想按居家或健身房条件制定可执行的训练计划；增肌或塑形人群需要推拉腿、上下肢这类分化训练安排；久坐或有轻微不适的人想要体态改善和低风险的一般性康复训练建议；以及训练者想记录进步、调整强度、避免过度训练和动作错误。 大家常问 为什么自己排的健身计划常常坚持不下来或练错？ 多数自排计划是直接套网上模板，没考虑你每周能练几天、状态差时的退路、动作是否匹配你的关节活动度和肢体比例。AI 把训练视为多约束求解：先按时间预算、恢复能力、伤病和器械建模，再生成可执行计划并保留减载冗余，所以更走得下去。 减脂和增肌的训练计划，本质区别是什么？ 增肌靠机械张力累积驱动肌肥大，动作偏拉伸位张力大、容量优先、可容忍较高疲劳；减脂目标是制造热量赤字同时保留肌肉，动作偏多关节高耗氧、密度优先（缩短间歇），疲劳容忍度更低，减载频率也更密。两者训练结构和疲劳管理粒度都不同。 4 周渐进训练计划里，渐进的到底是什么？ 渐进不只是加重量。AI 同时调节五个维度：负荷（重量）、容量（组×次）、密度（缩短组间休息）、技术复杂度（从器械到自由重量到单侧）、以及节奏（控制离心）。典型四周节奏是适应—强度—容量高峰—减载，让身体完成"适应→刺激→超适应→恢复"完整循环。 有膝盖旧伤还能练腿吗？怎么挑替代动作？ 多数情况下能练，关键是把旧伤转成动作约束：避开膝关节剪切力大、深屈曲下负重和冲击落地的动作。AI 在功能图谱里找肌群贡献相近但更安全的替代——例如用高脚杯深蹲或腿举替代杠铃深蹲，或把发力转移到髋主导动作如臀推、罗马尼亚硬拉，先在无痛幅度内积累强度再扩大范围。 想用上这个技能？ 「健身教练」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