SEO 关键词怎么研究？分类搜索意图评估机会看竞对
「SEO 关键词研究」是「龙虾部署大师」技能市场中的关键词与内容机会技能：作用是根据种子词、目标域名或地区，识别搜索意图，结合搜索量、难度和商业价值评估关键词机会，分析竞对的排名词与内容缺口，并解读 SERP 格局，最终给出可执行的关键词优先级、内容缺口和入局或放弃建议。 技能效果 搭跑步鞋关键词体系时，它按搜索意图分类，标注了月搜索量、竞争难度和内容机会级别。 为什么内容做了不少，自然流量却不见涨 问题往往不在写得多不多，而在写之前选错了词。常见的三种偏差：一是凭感觉挑关键词，搜的人很少或难度极高，内容做出来也排不上去；二是只看搜索量，忽略了词背后的搜索意图，把信息型流量误当成能成交的交易型流量；三是不清楚竞品靠哪些词拿到流量，缺口在哪、差距有多大，盲目铺量。三种偏差叠加，内容投资就成了撞运气。 同样写一篇内容，词选得对不对决定结果 搜索量大 + 难度极高 投入大，排不上 有量 + 意图不对 来了人，不转化 适中难度 + 意图匹配 + 竞对缺口 值得投入的内容机会 这个技能能帮你研究出什么 它把关键词研究拆成可决策的几层。意图层面，它按信息型、商业调研型、交易型和导航型给关键词分类，让选词不再只看量；机会层面，它结合搜索量（MSV）、难度（KD）、点击成本（CPC）和意图权重综合评估每个词的价值；竞对层面，它抓取竞品域名的排名词、内容形式和内链策略，找出对方有排名而你缺失的词和页面；SERP 层面，它解读前十结果的规律和精选摘要、FAQ、视频等特性，提出能进入这些位置的机会。 针对不同需求，它提供三种模式： 关键词研究 种子词 → 主题集群 竞对分析 域名 → 关键词差距 SERP 分析 查询 → 入局判断 输出不止是一张词表，而是带优先级的关键词机会、长尾词拓展、主题集群规划，以及"这个词值不值得继续投入内容资源"的明确结论，直接支撑内容投资决策。 用前须知 该技能依赖 web search 与 web fetch 能力，无需 API Key，本地也无需额外运行环境。若需要第三方工具给出的精确搜索量或难度值，可另接 SEO 工具补充数据；技能本身侧重意图判断、机会排序和策略建议。 怎么用它 用法是把研究目标用自然语言说清楚——种子词、目标地区、竞品域名或某个具体查询，它会自动选择合适的模式。例如可以这样对它说： 可以这样对它说 "从零做跑步鞋的关键词体系，按搜索意图、难度和搜索量排出内容机会，关键项标出来。" "分析这三个竞品域名，找出他们有排名、而我们缺失的关键词和页面，重点标注差距。" "看看 best crm software 这个词的 SERP 格局，判断值不值得入局。" 它适合这些场景：从零规划博客或落地页，需要先搭起关键词与内容集群；竞品持续拿到自然流量，要弄清关键词差距和页面策略；某个核心词排名困难，要判断是否继续投入；希望内容进入 AI 摘要或精选摘要，需要优化问答与结构化表达。 大家常问 为什么关键词难度（KD）数字很低，但实际上还是排不上去？ KD 只衡量排名靠前页面的域名权威与外链强度，是单维度估算。它反映"入口有没有强敌把守"，并不告诉你 SERP 的搜索意图匹配、页面级相关性、内容质量阈值这些更决定排名的信号。 关键词聚类和单独围绕一个关键词做优化有什么区别？ 单关键词优化是"一篇页面追一个词"，覆盖窄、易语义孤立。聚类是把一组语义相近的词组织成"支柱页+子话题页"的中心-辐射结构，向搜索引擎传递领域系统性覆盖信号，更契合语义搜索。 搜索意图里的商业调研型和交易型怎么区分？ 核心看用户处在哪个决策阶段。商业调研型带比较逻辑——"对比 / vs / 哪个好 / 评测"，还在选哪个；交易型不带比较——"买 / 购买 / 官网 / 价格"，已决定买谁、只剩去哪买。 看一个关键词的 SERP 格局判断要不要入局，主要从哪几件事看？ 看前十的内容类型一致性、域名集中度、内容格式与时效分布，再看精选摘要、其他人还问、视频轮播等特型区块占位；综合搜索意图匹配、内容差距、权威度门槛与差异化空间决定是否入局。 想用上这个技能？ 「SEO 关键词研究」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 设计量化策略
「量化分析师」是「龙虾部署大师」技能市场中的量化研究技能：它面向金融建模、交易策略回测、风险指标计算、组合优化、时间序列预测、期权定价和统计套利，围绕数据质量、交易成本、滑点和样本外验证构建分析，输出向量化策略实现、回测结果、风险报告和敏感性分析。 技能效果 回测配对交易时，它自己模拟了60个交易日的两只蓝筹股行情，按z-score开平仓，算出夏普2.43、最大回撤、胜率和换手率。 量化研究的坑，多半在"严谨"二字 写一段策略代码不难，难的是让回测结果可信。很多研究在回看时收益亮眼，一到样本外或实盘就失效——往往是因为没扣手续费和滑点、没做样本外验证、过拟合了参数，或者把研究代码直接当成了实盘系统。风险这一侧同样容易被忽略：只看收益不看回撤、不算 VaR 和夏普、不做参数敏感性，结论的稳健性无从判断。「量化分析师」要解决的，是把这些容易踩空的严谨性要求前置进流程，让研究结论站得住。 一条可信回测的必经环节 数据清洗 含成本/滑点回测 样本外验证 风险调整收益VaR / Sharpe / 回撤 敏感性分析 这个技能能帮你做什么 它覆盖量化研究的主要环节。策略层面，构建交易策略、回测框架和市场数据的清洗处理流程；风险层面，计算 VaR、夏普比率、最大回撤等风险收益指标；组合层面，执行 Markowitz、Black-Litterman 等组合优化分析；模型层面，研究时间序列预测、期权希腊值和统计套利的模型假设。它会要求先明确执行环境、数据来源、目标市场和用途，再围绕数据质量、交易成本、滑点、样本外验证和风险调整收益展开，并明确区分研究代码与实盘系统的边界。 策略回测向量化实现 风险指标VaR/Sharpe 组合优化Markowitz 模型研究期权/套利 要求明确假设与风险披露 用前须知 该技能无需固定 API Key，但需要你明确市场数据来源；推荐 Python 环境及 pandas、numpy、scipy 等库。它的输出仅作研究与教育用途，要求明确假设与风险披露，区分研究代码与实盘系统，不构成投资建议，也不承诺任何策略在实盘中的表现。 怎么用它 用法是把研究目标、数据来源和约束条件用自然语言说清楚。例如可以这样对它说： 可以这样对它说 "用 CSV 行情回测一个配对交易策略，算夏普、回撤、胜率和换手，要含手续费。" "这个期权组合估一下 Greeks，再做一份风险暴露报告和情景压力测试。" "按 Markowitz 做组合优化，加入交易成本、仓位上限和约束条件。" 它适合这些场景：研究美股、A 股、加密货币或期货策略并验证历史表现；在回测中加入手续费、滑点、仓位限制和样本外测试；评估组合的风险暴露、收益稳定性和参数敏感性；以及实现配对交易、因子模型或期权定价的研究代码。适合量化研究员、金融工程学生、交易策略开发者和数据科学团队，用于研究与教育场景。 大家常问 量化投资里说的 Alpha 和 Beta 有什么区别？ Beta 是承担市场系统性风险换来的收益，只要进入市场就能获得；Alpha 是剥离 Beta 后的超额收益，靠选股或择时跑赢基准。Beta 可被指数化复制，Alpha 难复制且会随资金涌入而衰减，是量化研究真正寻找的目标。 量化回测里的过拟合和幸存者偏差分别是什么意思？ 过拟合是策略把历史噪声当成信号，样本内回测漂亮、样本外立刻失效；幸存者偏差是数据集只含存续标的，把退市破产的"尸体"排除在外，系统性高估收益。两者都让回测与实盘严重背离。 评价一个量化策略时，夏普比率和最大回撤分别衡量什么？ 夏普比率衡量每承担一单位总风险换来多少超额收益，是效率指标；最大回撤衡量净值从峰值跌到谷底的最大幅度，是最坏情况下会亏多少的安全感指标。两者互补，需结合同类策略横向看。 因子模型在量化分析里到底是什么意思？ 因子是能解释资产收益横截面差异的共同特征，如市值、估值、动量、质量。多因子模型把收益分解为各因子暴露乘以因子溢价再加 Alpha，用于收益归因、风险控制和组合构建，本质是一套可检验、可复现的归因决策框架。 想用上这个技能？ 「量化分析师」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。
Vibe营销怎么策划？用高密度提示词批量生成变体做测试
「Vibe 营销策划」是「龙虾部署大师」技能市场中的营销内容策划技能：作用是把 Vibe Coding 的高层意图描述和快速迭代方法引入营销执行——用高密度提示词定义受众、品牌语气、目标和格式，批量生成文案变体，再基于真实反馈调整，并通过注入真实故事和内部数据，降低 AI 内容趋同的风险。 技能效果 给一款AI记账App做首发时，它一次给出五个方向的钩子文案，逐条说明各自打的用户心理，还配了渠道与48小时反馈周期的投放建议表。 AI 批量出文案，为什么越写越像、越投越平 用 AI 量产营销内容，常陷入两个困境。一是品牌语气说不清：只丢一句"语气活泼专业"，AI 无从把握，产出飘忽不定，每条都像模板；二是内容趋同、缺乏记忆点：一批文案读下来腔调雷同，没有真实故事、观点和数据支撑，投出去转化平平。问题不在 AI 写得快不快，而在于有没有把品牌氛围讲到 AI 能执行的程度，以及有没有用真实反馈快速筛掉无效变体。 模糊提示词 "活泼专业" → 千篇一律 高密度提示词 ICP · 语气样本 禁用词 · 真实数据 → 可执行氛围 变体 测试 这个技能能帮你策划出什么 它的核心方法是用高信息密度的提示词，先把营销意图讲透。它会构建包含 ICP、品牌语气、核心目标和格式约束的提示词，并用参考样本、对比描述和禁用词清单，把"品牌氛围"这种模糊的东西转成 AI 可执行的指令。在此基础上批量生成平台适配的文案变体，并设计 48 小时反馈闭环、A/B 测试和变体淘汰规则，靠真实反应快速筛选。它还会识别 AI 腔表达、要求注入真实故事、观点和内部数据来拉开差异，并为战略级或高风险内容保留人工审核节点。 高密度 提示词 批量 变体 48h 反馈 淘汰 迭代 用前须知 该技能无需 API Key 或本地运行环境。使用效果依赖高质量的品牌简报、受众洞察、历史表现素材和人工审核——投入的真实信息越多，变体越有差异化。危机公关、法律合规、金融医疗建议等场景不宜仅依赖该方法。 怎么用它 用法是把 ICP、语气样本、目标动作、平台约束和历史表现用自然语言交给它，它会生成变体并给出测试思路。例如可以这样对它说： 可以这样对它说 "这款 AI 记账 App 要做首发文案，先跑五个不同钩子测 48 小时反馈。" "把这封冷启动邮件改得像真人闲聊，别有广告腔，只留一个清楚的 CTA。" "同一个卖点拆成 LinkedIn 和 X 两版，语气差异和 CTA 都要明显。" 它适合这些场景：初创团队要快速测试多个广告钩子、社媒开头或邮件主题行；品牌语气描述太模糊，要用样本和反例转成可执行提示词；同一活动要分别适配 LinkedIn、X、TikTok 和邮件；内容产出趋同，要注入真实故事、争议观点和内部数据。 大家常问 Vibe 营销和传统营销最本质的差别是什么？ 传统营销是"打磨一句完美文案"的事前判断，靠经验和审批定稿；Vibe 营销是"先描述要传递的感觉，再批量生成多个版本让市场反馈来选"的事后验证。前者交付作品，后者交付一个可迭代的氛围场——你只能控制方向，对不对要看真实反馈。 为什么把品牌语气写成"活泼专业"，AI 写出来的文案还是模板感？ "活泼专业"是品牌人格层级的结论标签，不是可执行规则。AI 拿到形容词只会去召回训练数据里被打过相同标签的范文，再做折中——产出就是"看起来像营销文案"的中庸版。要破模板感，得把语气拆成词汇、句法节奏、信息密度、距离感这些约束规则，AI 才有依据，不是靠贴标签。 AI 批量生成的营销文案越写越像，根因是什么？ 根因是输入信号坍缩——你只给了 AI 产品名、卖点、目标用户这几行结构化文字，丢掉了真实创作时的场景、节奏、情绪、文化语境等非显性信号。AI 没收到"氛围输入"，只能往训练数据里"最典型"的营销模板上收敛，所以所有产出都挤在同一条窄路上，写得越多越像。 Vibe 营销里说的情绪共振，和直白讲卖点到底是什么关系？ 不是二选一，而是互补两层：情绪共振是入口和氛围，决定受众愿不愿意花几秒看下去；直白卖点是落地和转化，回答"为什么是你"。情绪做钩子和筛选，卖点做证据和确认。只讲卖点没人记，只讲情绪没人买——Vibe 营销追求两者兼顾，把卖点嵌进场景，让它在氛围里被自然接收。 想用上这个技能？ 「Vibe 营销策划」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。
AI 法律咨询靠谱吗
「法律顾问」是「龙虾部署大师」技能市场中的法律分析技能：作用是在你做出商业决策前，先把涉及的法律风险梳理清楚——它提供多法域的法律分析、合同审查、合规检查和风险评估框架，输入事实背景、司法辖区、文件文本或拟采取的行动后，输出辖区确认、法源依据、合同红旗、处罚风险、反方观点、行动计划和文件模板，覆盖公司法、劳动法、隐私合规、知识产权和争议策略等领域。 技能效果 请它审一份服务合同，它重点盯住责任限制条款，指出赔偿上限设成合同总额10%的隐患，并逐条给出更稳妥的改写。 做商业决策时，法律风险常常是事后才发现 问题在于业务行动和法律后果之间隔着一层专业判断。在正式咨询律师前，业务方常被三件事困住：一是不知道适用哪部法、归哪个辖区管，同一件事在不同司法辖区下的规则可能完全不同；二是看不出风险的代价有多大，合同里某条不公平条款、或者一项数据处理动作，到底会带来多少潜在赔偿或处罚，说不清就难以决策；三是只看到己方立场，没想过对方会怎么主张、监管会怎么认定。等到出了问题再补救，成本往往高得多。先把风险量化、把材料备齐，正式咨询才更高效。 先量化处罚风险，再决定怎么走 拟采取的行动 处理数据 / 解雇 / 签约 处罚/赔偿 量化区间 反方观点 监管视角 行动计划 + 文件模板 这个技能能帮你做什么 它把"这事在法律上有没有风险、有多大"拆成可分析的几块。它先识别适用的司法辖区，并要求按当地法律给出具体的法规依据，而非泛泛而谈；在合同层面，审查条款中的不公平、歧义和保护性条款缺失，标出红旗；在合规层面，量化 GDPR、CCPA、劳动、版权等领域的处罚风险，把代价说成可比较的区间；它还会主动提出反方观点和监管视角，给出可执行的行动计划，并附上法律意见书、合同审计、解雇流程等结构化模板。整体强调主动发现风险、引用具体法规、量化潜在处罚，方便业务在正式咨询前完成材料准备。 确认辖区与法源 引用具体法规 合同红旗 + 合规缺口 量化处罚风险 GDPR/CCPA/劳动 行动 +模板 用前须知 该技能无需 API Key 或运行时依赖，主要基于你提供的事实、文件和拟采取的行动进行分析。需要特别强调的是，它的分析与建议仅供在正式咨询前梳理思路、准备材料之用，不能替代持牌律师的意见，更不构成正式法律意见；涉及现行法规、判例或高风险事项时，应核验最新法源，并咨询你所在司法辖区的执业律师。 怎么用它 用法是把事实背景、文件文本或拟采取的行动连同司法辖区一起交给它，它会按适用法律分析并量化风险。例如可以这样对它说： 可以这样对它说 "这份合同先看付款、违约和责任限制条款有没有坑，别漏掉赔偿上限。" "我们要解雇一名员工，按加州的规则看风险和流程，通知邮件也写得稳妥点。" "这套隐私政策要上线美国站，检查 CCPA 的合规缺口和用户权利，按风险分级。" 它适合这些场景：需要审查 NDA、雇佣协议、服务条款或商业合同中的风险；企业计划处理个人数据，要评估 GDPR、CCPA 或跨境合规；雇佣终止、承包商分类或争议事项需要制定行动方案；以及拟采取的商业行动可能产生法律责任、想先量化风险再决策。 大家常问 为什么AI给出的法律意见不能直接当作正式法律意见使用？ AI在法律问题归类上做的是模式匹配，在法条定位上做的是文本相似度检索，存在版本时效滞后、条文竞合判断不准、地域差异识别不清等问题；它能列出训练数据中常见的风险点，但无法量化发生概率、判断优先级，也不会基于真实证据做法律定性。AI的合理定位是辅助梳理思路、准备材料，正式法律意见仍需具备执业资格的律师签发。 民事诉讼和刑事自诉在举证责任和证据标准上的核心区别是什么？ 民事诉讼遵循"谁主张，谁举证"，举证责任在双方间水平分担，事实真伪不明时按举证责任规则判负方败诉，证明标准是优势证据（盖然性占优）。刑事自诉的举证责任由自诉人单向全部承担，证据不足时法院应作无罪判决，证明标准是排除合理怀疑，要求对每一构成要件事实都达到确信无疑的程度，远高于民事的概率比较标准。 一份委托代理合同里最容易被忽略的风险条款有哪些？ 最常被忽略的是代理权限范围（"全权代理"等模糊表述）、转委托条款、自己代理与双方代理的禁止性约定、费用承担的具体项目与上限、代理终止后未完成事务的处理与文件移交、报告与通知的具体周期形式、不可撤销委托的解除权限制、损失赔偿的过错程度与金额上限、同时代理竞争方的限制、以及委托事项变更的程序约定。这些条款不在谈判焦点，却直接决定权利义务边界。 想用上这个技能？ 「法律顾问」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。
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。
内容摘要怎么做不丢重点？按场景匹配提取与执行摘要
「内容摘要」是「龙虾部署大师」技能市场中的信息提炼技能：作用是根据目的、受众、范围、重点和格式选择合适的摘要方式，而不是简单压缩文字——先判断摘要用途，再匹配关键点提取、执行摘要、学术摘要、多源综合或批判性摘要等类型，输出确保核心信息保真且适合后续决策、传播或归档。 技能效果 把长报告压成高管摘要时，它先给信息分级规则，再重构结构，保留风险、数据和决策点。 同样一份长文档，为什么有的摘要没用 很多摘要之所以读了等于没读，是因为只做了"压缩"而没做"取舍"。给管理层看的，需要的是结论、风险和决策点，却给了一段不分主次的概括；做研究用的，需要保留方法、发现和局限，却被删成了几句话；会议记录想转成行动项，结果只剩下流水账。摘要的关键不在于砍掉多少字，而在于按用途留下该留的信息——用途不同，该提取的重点也完全不同。 一份长内容 给高管：结论 · 风险 · 决策点 做研究：方法 · 发现 · 局限 转执行：待办 · 负责人 · 截止 这个技能能帮你提炼出什么 它先判断摘要的用途——是为决策、背景了解、研究、快速理解还是参考回忆，再匹配对应的摘要类型：关键点提取、抽象概括、主旨提炼、信息压缩、执行摘要、学术摘要、多源综合、批判性摘要或行动型摘要。输出形式也随之调整，可以是叙述段落、要点列表、层级大纲、对比结构或渐进摘要。多篇资料时，它能整合共识、分歧和互补信息，区分证据强弱，得出统一结论；会议记录则能转为待办、负责人、截止时间、决策和风险。核心是按受众和用途保真核心信息，方便后续决策、传播、复盘或归档。 先定用途 决策 / 研究 / 速读 › 匹配摘要类型 执行 / 学术 / 批判 › 选输出格式 段落 / 要点 / 大纲 用前须知 该技能无需 API Key、Python 或 Node 依赖，直接基于你提供的文本、文档或多来源内容执行。若需要处理外部网页或文件，要能访问到原文，技能才能据此提炼。 怎么用它 用法是把要摘要的内容、用途和受众用自然语言交给它，它会据此选类型和格式。例如可以这样对它说： 可以这样对它说 "把这份长报告压成高管摘要，保留关键风险、数据、预算影响和决策点。" "把这三篇竞品文章做综合摘要，区分共识、分歧和证据，也标出机会空白。" "会议纪要太散，按项目提炼待办、负责人、截止时间、决策和风险，语气口语一点。" 它适合这些场景：长文档要压成管理层可快速阅读的执行摘要；研究论文需保留方法、发现和局限形成学术摘要；多篇资料要整合共识、分歧和互补信息得出统一结论；会议记录或报告要转为行动项、风险和下一步建议。 大家常问 抽取式摘要和生成式摘要的核心区别是什么？ 抽取式（Extractive）从原文里直接挑选高分句子拼接，本质是排序问题，事实保真度高但句间不连贯；生成式（Abstractive）先理解语义再用新词句重写，本质是 Seq2Seq 生成，流畅度高、压缩更灵活，但存在幻觉风险。实践中常先抽取关键句，再生成式改写，兼顾忠实度与可读性。 为什么写给高管的执行摘要要把结论、风险和决策点放在最前面？ 高管不复盘推导过程，只做"接受结论与否"的判断。结论前置利用锚定效应让后续内容自动归到验证框架；风险前置让决策修正窗口最大，并建立"提交者掌控全局"的信任；决策点前置（含选项、截止时间、未决策默认后果）直接降低决策摩擦，让"决策发生"而非"提供信息"成为摘要目标。 怎么判断一篇生成式摘要是否出现了幻觉、对原文忠实度不够？ 将摘要拆成原子事实单元，逐条用蕴含关系（Entailment）或 QA 反查在原文中找证据：找不到证据=外在幻觉，与原文矛盾=内在幻觉，粒度凭空变细=虚假精细化。再辅以片段对齐定位错位主体、关系或时序。判别核心是可验证性、矛盾性检测、粒度守恒与核心信息完整性。 多文档摘要里怎么区分共识、分歧和互补信息？ 先将各文档分句原子化、按主体/动作/时间/数值对齐成信息簇；再判定：要素一致或语义等价=共识，数值/方向/时序/归因矛盾=分歧，主题相关但覆盖不同子方面、可拼接成完整图景=互补。摘要时共识优先呈现，互补按逻辑整合并标来源，分歧显式标注各方说法，不强行折中。 想用上这个技能？ 「内容摘要」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