电商销售看板怎么搭？跟GMV转化率统一口径
「电商销售看板」是「龙虾部署大师」技能市场中的销售分析看板技能：它构建面向日、周、月经营复盘的销售仪表盘，跟踪 GMV、净销售额、转化率、AOV、回购率和渠道表现；建立电商后台为主、GA4 为辅的唯一数据源口径，指导 Shopify、WooCommerce、Amazon 和 Looker Studio 的配置，并识别异常信号。 技能效果 搭运营早会销售看板时，它定义了营收、客单价、转化率等六项指标口径，给出三张核心表，还用模拟数据演示了异常分级和五分钟早会流程。 看板上的数字，常常自己打架 做销售复盘最怕数字对不上：电商后台的财务订单口径和 GA4 的行为数据口径天然不同，谁是准的没人说得清；跨境店铺还要处理多币种历史汇率和报表时区，一不留神同比环比就错位；某天转化率突然掉下来，到底是噪声、机器人流量，还是结账环节真出了故障，光看一个数字判断不了。 这个技能能帮你建什么 它帮你把销售看板建在一个统一、可信的基础上。指标上，它定义 GMV、净销售额、转化率、AOV、回购率等核心 KPI；口径上，它建立"电商后台为主、GA4 为辅"的唯一数据源，避免两套数字打架；配置上，它指导 Shopify、WooCommerce、Amazon Seller Central 和 Looker Studio 的看板搭建，并处理环比同比、多币种和时区一致性；判断上，它帮你识别转化率骤降、AOV 异常和机器人流量这类运营信号。 核心 KPI 一屏看 GMV净销售额 转化率下单效率 AOV客单价 回购率老客占比 渠道表现对比 口径上它先立"唯一事实源"：以电商后台的财务数为主、GA4 行为数为辅，先把口径、时区和归因统一，再谈分析： 电商后台（主）财务订单口径 统一口径 GA4（辅）行为/归因 用前须知 该技能无需专用 API Key，但实际使用需要访问 Shopify、WooCommerce、Amazon、GA4 或 Looker Studio 等平台数据。它给的是看板与口径设计，数据接入与权限由你的账号提供。 怎么用它 用法是把看板用途和当前困扰用自然语言说清楚即可。例如可以这样对它说： 可以这样对它说 "销售看板按日看营收、AOV、转化率和新老客占比，早会直接用。" "Shopify 和 GA4 数字不一致，先统一销售口径、时区和归因。" "给运营做周报看板，重点看渠道表现和异常波动，标出异常日期。" 它适合这些场景：团队每天要看销售速度、订单效率和转化趋势；运营想统一 Shopify、GA4 和 Stripe 之间的数据口径；跨境店铺要处理多币种历史汇率和报表时区一致性；站点突然转化下降、需要判断是噪声还是结账故障。 大家常问 电商销售看板里 GMV、净销售额、AOV 这几个指标到底有什么区别，分别反映什么？ GMV 是所有订单的成交流水（含税费运费、未扣折扣退款），反映交易规模；净销售额是扣除折扣、退款、取消后的实际营收，更贴近现金流，是运营决策主口径；AOV＝净销售额÷订单数，衡量客单价与销售效率。一句话：GMV 看流水、净销售额看真钱、AOV 看每单价值。 为什么 Shopify 后台的销售额和 GA4 报表里的数字总对不上？应该以哪个口径为准？ 两者采集方式不同：Shopify 是服务器端订单记录、不会漏；GA4 靠浏览器追踪代码，可能被拦截器或页面未触发而少记，通常比 Shopify 低 5%–15%。财务对账、利润、回款一律以 Shopify 为准，GA4 只用于渠道归因和趋势分析。差距超 15%–20% 才需排查追踪部署。 看板上转化率突然下降，怎么判断是正常波动还是结账故障这类异常信号？ 关键看漏斗哪一层断：各层同步微降多为流量或季节性的正常波动；若某一层（如结账页访问、提交率）单独骤降，多是按钮、表单或支付通道故障。再交叉看错误率是否同步飙升、是否集中在某设备或渠道，最后自己真机走一遍结账即可确认。 做跨境店铺的销售看板，为什么一定要统一币种和时区，不统一会带来什么问题？ 不统一币种，多站点金额带着不同货币符号无法相加，还会因实时汇率换算让历史趋势线天天变动、利润对不上；不统一时区，同一笔订单在不同平台被归到不同"天"，造成日销曲线虚假峰谷、同环比失真、ROAS 归因错位。统一后看板才是驾驶舱而非后视镜。 想用上这个技能？ 「电商销售看板」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 把经验沉淀成数字分身
「永续知识蒸馏」是「龙虾部署大师」技能市场中的数字分身构建技能：它从聊天记录、社交平台、文档和归档材料中提取某个人的技能包，按角色模板完成伦理确认、材料采集，提取程序性、互动性、记忆和性格四个维度，按证据等级合并冲突内容，再初始化目录、组装可加载的 SKILL.md 并登记版本。系统提供自己、同事、导师、亲人、伴侣、朋友和公众人物七类模板，强调授权、脱敏与后续增量演化。 技能效果 给它几句导师的口头禅，它把这种风格蒸馏成一个分身skill，归纳出先厘清边界、再拷问逻辑、最后追问失败场景的三层提问框架。 把一个人的经验"沉淀"下来，为什么这么难 一个人的工作方式、判断标准、沟通风格和长期经验，往往只存在于其本人和散落的记录里。想把它沉淀成可复用的资产，会遇到三重难题：素材跨越多个平台且良莠不齐，哪些可信、哪些只是一时的玩笑话，需要分级；不同来源相互矛盾时，该采信哪一条没有依据；而处理他人资料还涉及授权和脱敏的伦理边界，做不好就越界。结果是经验难以传承，导师一走、骨干一离职，方法论也跟着流失。 从多源材料提取四个维度 数字 分身 程序性 · 怎么做事 互动性 · 怎么协作 记忆 · 经历过什么 性格 · 是个怎样的人 这个技能怎么把经验蒸馏成可加载的技能包 它把"沉淀一个人"做成一条有伦理把关、有证据分级的流程。先按角色模板进行伦理确认和材料采集，再从材料中提取程序性（做事方法）、互动性（协作习惯）、记忆（经历）和性格四个维度；遇到不同来源的内容，按 verbatim（原话）、artifact（产出物）、impression（印象）三个证据等级排序并合并冲突，确保可信的内容压过道听途说；随后初始化技能目录、记录冲突、组装出可直接加载的 SKILL.md，并登记版本快照。它提供自己、同事、导师、亲人、伴侣、朋友和公众人物七类模板，覆盖不同关系下的整理需求。 证据分级：可信内容优先 verbatim 原话最高可信 artifact 产出物有据可查 impression 印象参考为主 它的价值在于"可追溯、可演化"：每条内容都标了来源和等级，生成物还能随新增材料持续修订、处理纠正并保留快照，让分身越用越准、越来越像本人。 用前须知 该技能无需固定 API Key，本地归档或粘贴材料可直接处理，需要 Python3。若要自动采集飞书、Slack、邮箱等平台，需对应账号授权和平台凭证。处理他人资料时务必重视授权与脱敏，守住伦理边界。 怎么用它 用法是说明要蒸馏谁、用哪些材料、希望保留什么。例如可以这样对它说： 可以这样对它说 "把我和导师的聊天记录蒸馏成教学风格分身，保留他的反馈方式，别联系他本人。" "用这些公开采访和文章做一个公众人物方法论技能包，只用可溯源的材料。" "把妈妈的语音文字整理成家族记忆型数字分身，留给亲戚查询，语气别跑偏。" 它适合这些场景：希望把个人工作方式、沟通风格和长期经验整理成数字分身；团队需要沉淀导师或同事的教学方法、判断标准和协作习惯；家人或朋友资料需要在伦理边界内整理为可追溯的记忆档案；以及已有分身技能包需要追加材料、处理纠正并保留版本快照。 大家常问 为什么把一个人的经验沉淀成数字分身这么难？ 难点在表征鸿沟、因果缺失和时变不可逆三层：专家级判断里大量是隐性的直觉，文本只能拿到事实层和部分逻辑层，情境与情绪层信号本就稀疏；模型学到的是关联模式，不是「因为经历了 X 所以判断 Y」的因果链；而人的认知会自我否定、不断演化，静态快照天然跟不上。 数字分身和 AI 数字人是一回事吗？ 不是一回事。数字分身是认知代理，目标是「想得像我」——延展个人的知识体系、决策逻辑和价值判断，可以代你分析问题、给出建议；AI 数字人是交互界面，目标是「看起来像人」——靠形象、语音、表情提供拟人化对话。一个解决「替我怎么想」，一个解决「看起来像谁在说」。 多源材料相互矛盾时，应该按什么标准决定信哪一条？ 核心是按证据强度赋权、按语境合并差异。行为证据高于言语陈述、一手记录高于他人转述、跨场景反复出现的观点高于单次表态；遇到对立内容先找条件变量（对象、时间、场景）能不能解释，能就拆成「在 X 条件下成立」并存，不能就标注「未解决矛盾」保留双方，不要硬抹平。 整理他人的聊天记录、社交平台资料做成数字分身，伦理上的红线是什么？ 红线有三条：授权要分数据来源、形象人格、使用场景三层书面同意，缺一层即越界；脱敏不是去掉名字，而是要让说话风格、时间线、社交关系组合起来都无法反向定位到具体个人；可追溯则要求每条输出能查回原始数据来源、保留使用日志，并且本人可以随时要求物理删除分身。 想用上这个技能？ 「永续知识蒸馏」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。
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。
如何用 AI 抓取动态网页数据
「网页抓取」是「龙虾部署大师」技能市场中的网页采集技能：作用是基于 Scrapling，按页面难度分层处理——从简单的 HTTP 请求，到需要 JavaScript 渲染的动态页面，再到受反爬保护（如 Cloudflare Turnstile）的站点，用 CSS、XPath、文本匹配提取目标内容，并能构建支持并发、多会话、代理轮换、断点续爬的爬虫，输出 Markdown、HTML、文本或结构化数据。 技能效果 让它抓取 example.com 时，它真的请求了页面，把标题和正文整理成 Markdown 存成本地文件，并展示出保存下来的内容和摘要。 抓网页的难度，为什么差这么多 "抓个网页"听起来简单，实际难度跨度很大。最简单的静态页面，一个 HTTP 请求就能拿到完整 HTML；但现代 Web 应用大量靠 JavaScript 渲染，直接请求只能拿到空壳，必须等内容渲染出来才提取得到；更进一步，不少站点上了 Cloudflare Turnstile 等反爬保护，普通请求直接被拦。再加上大规模采集时还要处理并发、会话保持、代理轮换、跑挂了能不能续爬——用一套固定的抓法去硬碰各种页面，要么抓不到，要么很快被封。 按难度分层处理 静态页面 get · 一次 HTTP 请求拿全文 动态页面（JS 渲染） fetch · 等内容渲染后再提取 反爬保护页面 stealthy-fetch · 隐身浏览绕过 Turnstile 这个技能能帮你抓到和产出什么 它基于 Scrapling，把抓取按难度分成三层：get 处理静态页面，fetch 处理需要 JavaScript 渲染的动态页面，stealthy-fetch 用隐身浏览应对受反爬保护、需要绕过 Cloudflare Turnstile 的页面——先用轻量方式试，必要时再升级到浏览器抓取。内容提取上，它支持 CSS 选择器、XPath、文本匹配和元素关系定位目标内容。产出格式按文件扩展名决定，可输出 Markdown、HTML、纯文本或结构化数据（如 JSON）。面对大规模站点，它还能构建支持并发、多会话、代理轮换、暂停恢复（断点续爬）和实时统计的爬虫。 目标 URL+ 选择器 分层抓取get / fetch/ stealthy-fetch 提取 + 清洗CSS / XPath文本 / 关系 结构化输出Markdown/JSONHTML/文本 这种"先轻量、再升级"的分层策略是关键：能用 HTTP 请求解决就不动用浏览器，既快又省资源；只有遇到 JS 渲染或反爬时才升级到更重的抓法，避免一上来就用最重的方案拖慢整体。 用前须知 该技能需要 Python 3.10+，并安装 scrapling[all]>=0.4.2 与配套的浏览器安装命令；默认无需 API Key。中国大陆网络环境下可能需要固定 Playwright 版本并配置镜像源。请在合规、获得授权的前提下采集公开网页内容，遵守目标站点的使用条款。 怎么用它 用法是把目标网址、要提取的内容和保存格式用自然语言交给它，抓取层级和选择器策略由它按页面情况选择。例如可以这样对它说： 可以这样对它说 "抓这个新闻站的文章标题和正文，先用 Markdown 保存成本地文件。" "这个页面靠 JS 加载商品列表，要等内容出现再提取价格和库存字段。" "目标站有 Cloudflare 拦截，试试隐身浏览抓指定选择器的内容。" 它适合这些场景：把博客、新闻或文档页面抓成 Markdown 便于阅读归档；现代 Web 应用必须等 JavaScript 渲染后才能提取内容；受反爬保护的页面需要更稳健的浏览器抓取和选择器策略；大规模站点采集需要并发爬虫、断点续爬和实时统计。适合数据工程师、研究人员、自动化开发者、增长分析师，以及需要合规采集公开网页的团队，尤其是从小规模提取扩展到爬虫项目的场景。 大家常问 为什么很多网页直接用 HTTP 请求抓，拿到的内容是空的？ 纯 HTTP 请求只拿到服务器返回的初始 HTML。现代页面常是「空壳」，真正的数据由浏览器执行 JavaScript、再调接口异步填进 DOM。请求端没有 JS 引擎、不会跑后续脚本，所以拿到的是没装修的毛坯，内容自然缺失。 静态网页和动态网页在抓取上有什么区别？ 静态页的数据已嵌在初始 HTML 里，一次请求加解析就能取到，开销低；动态页初始 HTML 只是壳，要等 JavaScript 渲染、DOM 稳定后才提取，需无头浏览器执行，开销高。工程上优先走静态路径，能嗅探内嵌 JSON 就别开浏览器。 网页抓取里说的「反爬」到底是什么，为什么普通请求会被拦？ 反爬是网站靠多维信号判断请求是否「像人」：检查请求头是否完整、单 IP 频率是否过高、行为模式是否机械、能否执行 JS 计算挑战签名。普通请求缺这些特征，就被限流或拦截。合理做法是控制频率、遵守 robots，而非硬碰。 抓取公开网页数据时，怎样才算合规？ 围绕四条原则：检查并遵守目标站 robots.txt 的 Disallow；阅读使用条款，公共可访问不等于可随意复用；两次请求间留足间隔、收到 429 就停；绝不绕过登录、验证码等访问控制。需要破解才能拿到的，就不属于公开数据。 想用上这个技能？ 「网页抓取」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。
微信小程序开发怎么优化性能
「微信小程序开发」是「龙虾部署大师」技能市场中的原生小程序开发技能：作用是按官方规范生成原生小程序的页面、组件、API 调用、生命周期和路由代码，用 Data Path 局部 setData、wx:key、rpx、分包等手段优化性能，并预防 iOS 日期、页面栈、原生组件覆盖、隐私协议等常见兼容性 Bug，输出符合规范的代码与处理方案。 技能效果 让它写原生小程序登录页时，它给出 wxml/wxss/js 整套代码，串起隐私授权弹窗、wx.login 取 code 和调后端换登录态三个环节。 原生小程序开发，坑都藏在哪 微信原生小程序有自己一套规则，照搬 Web 经验很容易踩坑。性能上，最典型的是把整个数据对象全量 setData，列表一长、页面一滑就卡；图片不做懒加载、不分包，首屏加载也被拖慢。兼容性上，iOS 的日期格式解析和安卓不一样、页面栈层级有上限、原生组件（如 video、map）会盖住普通视图、跳 tab 页用错跳转 API——这些问题往往要等真机上才暴露。还有审核环节，隐私协议、HTTPS、域名白名单、敏感接口配置没补齐，直接被打回。 全量 setData vs 局部 setData 全量更新（卡） 整对象重传 · 渲染开销大 局部更新（顺） Data Path 只更新变化项 这个技能能帮你写什么、避什么 它把原生小程序的工程规范落进具体代码。生成代码方面，它产出符合官方规范的页面、组件、WXML、WXSS 和 JS，使用 ES6+、Component 构造器，遵循 wx:key、rpx、BEM 等约定。API 封装方面，它把 wx 系列 API 封装成 Promise 或 async/await 风格，避免回调嵌套。性能优化方面，它用 Data Path 做局部 setData、优化列表渲染、图片懒加载和分包加载。Bug 预防方面，它针对性处理 iOS 日期解析、页面栈层级、原生组件覆盖、隐私协议配置等已知坑点。当路由跳转、下拉刷新、上拉加载或生命周期行为不符合预期时，它能定位是哪个 API 用法出了问题。 生成代码页面/组件/WXML 封装 APIPromise / async 性能优化局部 setData/分包 Bug 预防iOS/页面栈/隐私 把局部 setData、wx:key、分包这些规范固化进生成的代码，意义在于性能问题不是写完再优化，而是从第一行代码就避开反模式；同理，隐私协议和兼容性处理前置进开发阶段，能省掉审核被打回、真机才暴露问题的来回。 用前须知 该技能无需专用 API Key。实际开发通常需要微信开发者工具、小程序 AppID 和已配置好的请求域名白名单。代码中不得暴露 appid、secret 等敏感凭据。它面向的是原生小程序框架，不适用于 Taro、Uni-app、Vue 或 React 等跨端方案。 怎么用它 用法是把要实现的页面、组件需求或遇到的问题用自然语言交给它，由它产出符合规范的代码或定位 Bug。例如可以这样对它说： 可以这样对它说 "写一个原生小程序登录页，用 wx.login 并处理隐私授权弹窗。" "这个列表页滚动很卡，改成局部 setData 和图片懒加载写法。" "小程序跳转到 tab 页失败，检查 navigateTo 用法哪里错了。" 它适合这些场景：需要开发登录页、列表页、详情页或自定义组件的原生实现；小程序页面滑动卡顿，要优化数据更新和资源加载；路由跳转、下拉刷新、上拉加载或生命周期行为不符合预期；审核前要补齐隐私协议、HTTPS、域名白名单和敏感接口配置。适合微信小程序原生开发者、前端工程师、技术负责人，以及需要在官方框架内实现页面、组件和性能优化的产品技术团队。 大家常问 为什么微信小程序列表一长、用 setData 更新就会卡？ 小程序是逻辑层与渲染层双线程隔离，setData 要把数据序列化后跨进程传到渲染层再做 diff。列表一长却全量 setData，数据体积大、通信和渲染开销都成倍上升，单次超过约 200KB 就会有可感知卡顿。改成 Data Path 局部更新、只传变化项才顺。 微信小程序为什么要做分包加载，主包 2M 限制是怎么回事？ 主包限制 2MB 是为了保证冷启动时下载、解压够快，给用户"秒开"体验。分包加载把按业务划分的页面拆成子包，启动时只下载主包，用户首次进入分包页面才动态下载对应子包。这样主包瘦身、首屏更快，整包还能放下更多功能（总和有上限）。 微信小程序的云开发是什么，和自己写后端服务有什么区别？ 云开发是小程序生态内的后端即服务套件，把云函数、云数据库、云存储打包好，不用自己买服务器、配域名和 HTTPS、做运维。区别在于：自写后端语言、数据库和网络可完全自定义、查询能力强；云开发省运维但受云函数冷启动、查询能力和网络控制的限制，两者也可混用。 微信小程序用 wx.login 授权登录后，登录态是怎么保持的？ wx.login 只返回临时 code，由后端拿去换 openid 和 session_key，再签发自定义 token 返回前端。前端把 token 存进本地 storage，每次请求带上，登录态就靠这个 token 维持。session_key 留在服务端不下发；token 过期时再静默走一次 wx.login 刷新，用户无感知。 想用上这个技能？ 「微信小程序开发」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。
提示