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。
Supabase 的 RLS 行级安全怎么配
「Supabase Postgres 最佳实践」是「龙虾部署大师」技能市场中的数据库诊断优化技能：作用是先收集诊断数据、再按问题类型选择工作流，定位慢查询、缺失索引、连接过多和 RLS 性能问题，并给出可用 EXPLAIN 验证的 SQL 修改、索引方案、连接池配置和监控建议，把"凭经验猜"换成"按证据查"。 技能效果 面对一条大表上很慢的 Supabase 查询时，它先讲清没索引时会全表扫描加排序，再给出该建的复合索引和优化后执行计划会怎么变。 Supabase 数据库变慢，常见症状有哪些 Supabase 上的 Postgres 性能问题往往以几种典型症状出现：接口超时、查询慢得离谱，多半是慢查询或缺了索引；频繁报 Too many connections，通常是连接池配置或连接泄漏；开了行级安全（RLS）之后接口突然变慢，问题常在策略函数的写法和它能不能用上索引；还有表数据量涨上来后，没有合适的复合索引或分区，查询逐渐拖垮。这些症状有时单独出现，有时几个叠在一起，单靠肉眼看 SQL 很难判断根因。 四类常见症状 → 对应根因 查询超时 / 慢慢查询 · 缺索引 连接数爆掉连接池 · 泄漏 开 RLS 后变慢策略函数 · 索引 表越来越大复合索引 · 分区 先收诊断数据 这个技能能帮你诊断和改什么 它的工作方式是"先取证、再开方"：要求先读取相关规则、收集诊断数据，再按 Too many connections、慢查询、RLS 变慢、连接池配置或多症状这几类问题选择对应的工作流或参考规则，通过必要的门禁查询后才给建议，避免凭经验误判。覆盖的诊断维度包括查询性能、连接管理、安全 RLS 和 Schema 设计，可以定位慢查询的成因、缺失的索引、连接耗尽、RLS 策略的性能开销，并给出复合索引、部分索引、分区方案、权限检查和连接池配置。关键是每条修改建议都配 EXPLAIN 验证步骤，让你能确认改动真的生效。 读规则收诊断数据 选工作流按症状分类 门禁 + 定位根因索引/连接/RLS 给方案 + EXPLAIN可验证改动 把"先收集证据再下结论"做成强制门禁，正是这套实践和随手调优的区别：数据库性能问题最忌猜，EXPLAIN 验证保证给出的索引或改写确实改善了执行计划，而不是看起来合理。 用前须知 核心指南无需密钥即可参考；其中的诊断脚本（如 pg_diagnose）需要 Python 与数据库连接串才能运行。连接 Supabase 或 Postgres 实例时，应使用只读或受控权限，并妥善保护连接凭据，避免在诊断过程中误改生产数据。 怎么用它 用法是把数据库当前的症状用自然语言描述给它，由它按流程取证、定位并给出可验证的方案。例如可以这样对它说： 可以这样对它说 "Supabase 查询老超时，先跑诊断，再看是不是缺索引、执行计划哪里有问题。" "开了 RLS 之后接口变慢，检查一下策略写法、函数调用和过滤成本。" "连接数经常爆掉，按连接池和慢查询一起排查 Postgres 的瓶颈。" 它适合这些场景：Supabase 项目出现慢查询、超时或 Too many connections 错误；启用 RLS 后接口变慢、需要检查策略函数和索引使用；表增长后要设计复合索引、部分索引或分区策略；上线前要审查 SQL、权限、连接池和监控配置是否安全。适合 Supabase 开发者、后端工程师、数据库管理员、全栈团队，以及要优化 Postgres 性能与安全策略的技术负责人。 大家常问 Supabase 的 RLS（行级安全）到底是什么，为什么一定要开 RLS 是 Postgres 内置的行级安全：把"哪一行谁能看、谁能改"的规则下沉到数据库，执行每条 SQL 时逐行评估策略，返回 true 才放行。Supabase 客户端直连数据库，不开 RLS 时任何拿到 anon key 的人都能读全表，所以它是匿名访问下的最后一道防线。 为什么 Supabase 开了 RLS（行级安全）之后接口反而变慢了 RLS 不是查询前的一次性闸机，而是给每行追加策略判断的 WHERE。最常见的坑是策略里裸写 auth.uid()，它会被逐行调用；用 (SELECT auth.uid()) 包一层就只算一次。另外策略涉及的列若没建索引，会退化成全表扫描，表越大越慢。 为什么 Postgres 查询缺了索引就会变慢 没有索引时 Postgres 只能顺序扫描（Seq Scan），从头到尾逐页读完整张表再筛选，代价随行数线性增长；有 B-Tree 索引则直接定位到目标行，代价几乎恒定。表越大差距越大，百万行级别可相差上万倍，EXPLAIN 里能直接看到 Seq Scan 还是 Index Scan。 Supabase 为什么会报 Too many connections（连接数爆掉） Postgres 是进程模型，每个连接占 1-3MB 内存且套餐有上限，超过 max_connections 就拒绝新连接。常见原因是应用没走连接池、Serverless 函数每次冷启动都新建连接、连接泄漏未归还，或直连 5432 而非走 PgBouncer 的 6543 端口。改用连接池复用少量真连接即可缓解。 想用上这个技能？ 「Supabase Postgres 最佳实践」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。
供应商绩效怎么管理？算准时率缺陷率识别供应风险
「供应商绩效管理」是「龙虾部署大师」技能市场中的采购供应链技能：它系统化监控采购订单、收货、质检、交付周期和供应商健康度，计算准时交付率、填充率、缺陷率和综合健康分，并识别单一供应商依赖、交期波动和认证到期等供应风险，输出评分与行动建议。 技能效果 给三家供应商打绩效分时，它按准时率、到货率、质检退货率设权重算出综合得分和排名，把低于阈值的指标标红预警，并对每家给出合作建议。 供应商好不好，凭印象说不清 采购对供应商的评价常常停留在印象层面："这家发货还行""那家偶尔出次品"，但具体准时率是多少、缺陷率有没有恶化、交期波动有多大，往往拿不出数据。更要命的是几类隐患容易被忽视：库存系统只凭装箱单入账、不做实物清点，问题货混进了库存；供应商发票单价和 PO 对不上、却没有三单匹配的环节去拦；核心 SKU 过度依赖单一供应商，一旦对方掉链子，大促前就可能断货。没有统一的计分口径，这些问题只能等出事了才发现。 凭印象 vs 用数据评供应商 凭印象 "还行 / 偶尔出问题" 出事才发现 用数据 准时率/填充率/缺陷率 综合健康分排序 这个技能能帮你管清什么 它把供应商管理拆成从下单到评估的一条闭环。在订单环节，它标准化采购订单字段，明确 SKU 映射、约定单价、交期和贸易条款；在收货环节，它建立到货实物清点、短缺处理、质量对比和库存入账流程，让入账不再只凭装箱单；在评估环节，它计算准时交付率、填充率、缺陷率和供应商综合健康分，形成可排序的计分卡；在风控环节，它识别单一供应商依赖、交期波动和认证到期等风险。它还支持三单匹配——把采购单、收货单和发票对齐，发现发票单价与 PO 不一致的问题。输出可以是供应商得分、安全库存调整、认证到期提醒和行动建议。 三单匹配：对齐后才入账与付款 采购单 PO约定单价/数量 = 收货单实物清点 = 发票单价核对 入账付款 用前须知 该技能无需 API Key 或专用运行环境，可基于你提供的采购订单、收货、质检和供应商台账数据建模。它做的是评估与建模，把流程和计分卡真正系统化落地时，需要连接 ERP/WMS 或数据库。数据越完整，评分和风险提示越可靠。 怎么用它 用法是把供应商的历史表现数据或要处理的采购问题用自然语言交给它，由它评分、给建议。例如可以这样对它说： 可以这样对它说 "把这三家供应商近半年的准时率、到货率和质检退货评个分，差的标红。" "这个采购单拖了两个月没关，帮我核一下缺货和补款该怎么收。" "按交期波动和残次率重新算安全库存，别让爆款在大促前断货三天。" 它适合这些场景：把供应商的交期、缺货和质检问题纳入月度评估；库存系统不能只凭装箱单入账、需要增加实物清点和 QC 门槛；供应商发票与 PO 单价不一致、需要建立三单匹配流程；以及核心 SKU 过度依赖单一供应商、需要规划备选供应商和安全库存。 大家常问 供应商绩效一般从哪几个维度评？准时交付率、填充率、缺陷率分别是什么意思？ 常分五个维度：交付、质量、成本、服务响应、合规与风险。其中交付绩效最常用，含三个关键指标：准时交付率＝约定交期内交付订单数÷总订单数，看时间；填充率＝实收数量÷订购数量，看是否足量；缺陷率＝质检不合格数÷实收数，看质量。三者要合并看，本技能据此算出供应商综合健康分。 采购里说的三单匹配（PO、收货单、发票）是什么？为什么发票和采购单单价对不上要先卡住？ 三单匹配是付款前把采购订单、收货单、发票两两核对：PO 对收货单看数量、收货单对发票看开票量、PO 对发票看单价。单价对不上要先卡住，因为 PO 单价是经审批的书面约定，直接照发票付＝默认接受供应商单方涨价，或掩盖录错、计量单位不符等错误。本技能内置三单匹配流程，差异先暂停再核。 为什么库存入账不能只凭供应商的装箱单？实物清点和 QC 质检这一步是为了防什么？ 装箱单是供应商自报的"承诺"、不是仓库的"事实"。实物清点防短少、多发错发和运输损坏，避免账面虚高、无法追责；QC 质检防批量质量问题、规格版本不符与安全合规风险，并留下扣款索赔的证据链。本技能要求按到货清点加 QC 审核再入账，把这步当成防火墙，而非凭装箱单签收。 安全库存是什么？为什么交期波动大、残次率高的供应商，对应的安全库存要设得更高？ 安全库存是应对供应链不确定性的缓冲库存，不用于满足正常需求、只为防断货。交期波动大时只能按最长可能交期备货，波动越大放大越明显；残次率高则实际可用量低于账面、相当于变相缩短补货周期，需把安全库存除以(1−残次率)放大。本技能按交期波动和残次率重算安全库存并分级建议。 想用上这个技能？ 「供应商绩效管理」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。
提示