做产品经理的朋友们，推荐你们都去装一下这个skill，名字叫 lenny-skills。

这个skill，涵盖了86 个资深PM技能，都是从 Lenny's Podcast 的访谈里蒸馏出来。

Lenny's Podcast 如果你没听过，可以去搜一下，它是英文产品圈里最有影响力的播客之一。

这个项目，把 100 多期播客里的内容，整理成 86 个 Skill 文件，每个文件对应一个产品工作场景，然后放进 Claude Code 的 .claude/skills/ 目录里。

我装上去试了一周，说一下我的真实感受。

1
我第一个用的是 writing-prds 这个技能。

我们团队在做一个新功能，大概方向清楚了。

装了 writing-prds 这个技能之后，我重新跟 Claude 对话，说我在做什么、目标用户是谁、想解决什么问题。

Claude 问我的第一个问题是：你现在写这份 PRD，最主要的读者是谁，他们读完之后需要做出什么决定？

我的 PRD 是写给工程师看的、还是给 stakeholder 看的、还是给自己理清思路用的，这三件事对应的写法其实完全不一样。

之后 Claude 给我的建议开始变得不一样了。

它不是在帮我填框架，而是在帮我想清楚一些更根本的东西：这个问题值得现在解决吗、我们真的理解用户痛点还是在假设、成功的标准是什么以及我们有没有能力衡量它。

2
还有competitive-analysis 这个技能。

当时我在研究一个竞品，想搞清楚我们跟它的差距在哪、对方的定位是什么、我们有没有机会。

用 competitive-analysis 技能之后，Claude 先问了我几个问题，有一个是：你现在做这个竞品分析，是要做出什么决定，还是要说服谁？

我当时随口说，是给团队做方向判断用的。

Claude 接下来说的一句话我印象很深：竞品分析最常见的错误，是把描述当成了分析。知道对方有什么功能是描述，但知道他们为什么这么做、这么做意味着什么、我们应该如何回应，才是分析。

然后它引导我沿着这个方向去想：竞品的用户是谁、他们选择竞品的真实原因是什么、对方在哪些地方有结构性优势而不只是暂时领先、我们能差异化的空间在哪里。

3
说实话，如果你是一个经验很丰富的 PM，在某些场景下你可能觉得这东西给出来的框架你早就知道。

但即便是这样，我觉得它的价值可能在另一个地方：帮你快速组织思路，帮你在对话里逼出一些你知道但没有认真想过的东西。

对于刚进入产品岗位不久的人，或者像我这样产品经验不是特别深、但经常需要做产品决策的人，它的价值会更直接。它不会让你跳过学习的过程，但它会在你需要的那个具体时刻，帮你用上一些你原本不知道的思考方式。

有一类人可能最适合：就是那些在小团队里、一个人当多个角色用的创业者或独立开发者。

既要做产品、又要写文案、又要想增长，什么都得懂一点但什么都不够深。这种情况下，能在需要的时候快速调用一个经过验证的框架，是很实用的事情。

最近看到Karpathy发了一条动态，说他现在大量的算力，已经不再是用来写代码，而是用来管理知识。
同时，他也在这条动态里，完整开源了他的知识管理方法。

我花了点时间认真研究了一下他的整套流程，并且在我自己电脑上也完整复刻了一下。

1
在开始之前，请先思考一个问题：你平时一般都是怎么处理信息的🤔

看到一篇好文章，直接收藏；朋友分享过来一个链接，转发给文件传输助手？
然后，这些东西就消失了......

你收进来的是信息，但信息本身不会自动变成知识。
中间差的那一步，是加工。

Karpathy的知识管理法，就是把这个加工过程，完整地设计出来。

2
他的做法其实不复杂。
你所有原始素材，文章、论文、代码仓库、图片，统统扔进一个叫 raw/ 的文件夹。
可以把这个文件夹理解为一个原材料仓库，什么都不用整理，直接堆进去。

然后他用大模型做了一件事：把这堆东西「编译」成一个wiki，也就是一个结构化的知识库。
在编译过程中，AI会提取核心概念，为每个概念单独写一篇文章，再把这些文章互相链接起来，形成一张网。

最后，他会用Obsidian作为可视化工具，查看这一切。
他几乎不会手动编辑知识库里的任何内容，所有的写作和维护，都是AI在做。

AI可以保持高度的一致性，同时处理大量文档，并且主动去找连接点。

3
知识库积累到一定规模之后，有趣的事情就开始发生了。

比如Karpathy某个研究方向的知识库，大概有100篇文章、40万词左右。
到了这个量级，他可以直接对着知识库问各种复杂问题，AI会去翻阅相关文档，综合不同来源的内容，给出完整的回答。

他原本以为需要搭一套复杂的RAG系统才能做到这件事，但实际上根本不需要。
AI在这个规模下，自己会维护索引和摘要，检索起来已经足够准确。

接下来，他不让AI的答案只存在于对话框里。
每次提问得到的输出，都会被重新归档回知识库。你的每一次探索，都沉淀成了永久的内容。

这个知识库是在生长的，而且它的生长方向，完全由你的好奇心决定。
你越用，它越有价值。

这跟我们日常用AI的方式有一个本质的区别：我们平时问完就忘了，下次遇到类似的问题，重新问。
但用这种方法，你的每一次问答都在给系统加砖。

4
Karpathy还会定期让AI对知识库做「健康检查」，找出哪些地方信息前后矛盾，哪些概念描述不完整，哪些潜在的连接还没有被发现。
这些问题找出来之后，补充、修正、新增文章，知识库的质量就在这个循环里持续提升。

我们自己的知识体系，有没有人在帮我们做这种检查？
大多数时候是没有的，我们脑子里有一堆知识，但哪些是准确的，哪些是模糊的，哪些其实是互相矛盾的，我们并不清楚，因为没有一套机制去把这些东西显化出来。

Karpathy这套流程，在某种程度上解决了这个问题。
至少在他的研究领域里，他对自己知识的掌握程度，是可以被系统性验证的。

5
不过说句实在的，他这套东西要完整复现，门槛确实有点高，需要对工具有一定的熟悉度，也需要持续投入时间去维护。

但这里面有一个思路，我觉得任何人都可以马上开始用。

你不需要搭一套完整的知识库系统，可以从一个最小的动作开始：下次读完一篇让你觉得有收获的文章，不要只是收藏，花三分钟让AI帮你提炼核心观点，然后问它一个问题：这个东西，和我之前知道的哪些东西有关联？

这一步的意义在于，它把"被动接收信息"变成了"主动建立连接"。

时间长了，你会发现自己对知识的感知方式开始变化，不再是"我收藏了很多东西"，而是"这些东西在我的理解框架里处于什么位置"。

今天刷小红书，看到我很喜欢的博主张咋啦分享她做的这个 follow-builders skill，立刻让我的龙虾去装了一下。

这个skill的核心理念源于zara之前说的：关注做产品的builder，而不是kol。

安装过程很简单，直接把这个skill复制给你的龙虾，然后让它安装。

安装好以后，会有一个简单的onboarding流程，你可以根据你的个人偏好回答一下。

我用上这个skill以后，都不需要自己去刷各种信息源站了！

现在 AI 圈子里信息太多了，很多都是故意制造焦虑的信息。真正有价值的，其实是那些在一线做产品的人的原创思考。比如 Karpathy 对模型训练的见解，Kevin Weil 对产品设计的思考，Amanda Askell 对 AI 安全的观点，这些才是真正值得花时间消化的内容。

而 follow-builders 这个skill做的事情，就是帮你把这些人的最新动态和播客内容，自动整理成一份精炼的摘要，每天或每周定时推送给你。

它追踪的内容源是精心筛选过的。包括 Latent Space、No Priors 这些顶级 AI 播客，还有 25 位真正在做事的建设者的 Twitter 账号。

这个名单是集中维护的，会自动更新，你完全不用操心。

我之前也试过用 RSS 订阅或者 Twitter 列表来管理信息，但问题是信息量还是太大了。

一个两小时的播客，你可能没时间完整听完。一个建设者一天发十几条推文，你也不知道哪条最重要。

而 follow-builders 会帮你把播客总结成关键要点，把推文筛选出最有价值的部分，配上原文链接。

你可以快速扫一遍摘要，对感兴趣的内容再去看原文。这样一来，半小时就能掌握这些顶级建设者一周的思考精华。

我现在的习惯是，每天早上直接看一遍我的虾给我整理的摘要，标记几个想深入了解的话题，晚上再去看原文或者听完整的播客。

信息焦虑没有了，反而对行业动态的把握更清晰了。

而且如果你想调整摘要的风格，也可以随时跟 agent 说。比如让摘要更简洁一点，或者更关注技术细节，或者换成更轻松的语气。它会自动帮你调整，下次推送就生效。

对于做产品的人来说，这个 skill 还有一个隐藏价值：它帮你建立了一个高质量的信息参照系。

就像 Ovitz 说的那样，当你见过的人越多、读过的东西越多，你对新事物的判断就越准确。

持续追踪这些顶级建设者的思考，你会慢慢形成自己对行业的判断框架。

什么是真正的创新，什么是炒作，什么方向值得投入，什么坑不要踩，这些感觉会越来越清晰。

而这种判断力，才是做产品最核心的能力。

所以如果你也有信息焦虑，如果你也想更高效地追踪 AI 行业的动态，如果你也想关注那些真正在做事的人而不是网红，真的可以试试这个 skill。

装上它，你会发现，原来信息管理可以这么轻松。

我最近又发现了一个项目，叫Claude Superpowers，目前它在 GitHub 上已经有 83,000 个星标了，几乎每天都挂在热门榜上。

用它的几乎全是开发者，市场营销的朋友们好像完全不知道这个东西的存在。

你可能会问，Superpowers是什么？

这是一个让 AI 变得更聪明的技能框架，它会强制 AI 在开始干活之前，先退一步问你：你到底想要什么？

然后把你的需求整理成一份清晰的方案，分段展示给你看。

等你确认没问题了，它才会开始执行。

而且执行的时候也不是乱来的，它会把整个任务拆成一个个小步骤，每个步骤只需要 2 到 5 分钟，然后一步步推进，每完成一步都会检查一遍，确保没跑偏。

1

我知道你在想什么：这听起来像是给程序员用的东西啊？

但你仔细想想，做市场营销的时候，你是不是经常遇到这些情况：

你想策划一个活动，跟 AI 聊了半天，它给你输出了一大堆内容，看起来挺像那么回事。

但仔细一看，要么是跟你的品牌调性不搭，要么是根本没抓住你的目标用户。

你想写一篇深度的产品文章，AI 给你写了 3000 字，但通篇都是那种很空的话，没有具体的案例，没有真正能打动人的细节。

你想做一套完整的内容矩阵，AI 给你列了 20 个选题，但你不知道该从哪个开始，也不知道这些选题之间有什么逻辑关系。

这些问题的本质都是一样的：AI 太着急给你答案了，它没有真正理解你要什么。

而 Superpowers 的工作方式，恰好能解决这个问题。

2

那具体怎么用呢？

举个例子，假设你要策划一个新品发布的传播方案。

如果你直接问 AI，它可能会给你输出一个看起来很完整的方案，但你总觉得哪里不对劲。

但如果你用了 Superpowers，流程会变成这样：

首先，它会问你一堆问题。

你的新品是什么？目标用户是谁？预算多少？时间线是怎样的？你希望达到什么效果？你有哪些渠道资源？

然后，它会根据你的回答，整理出一份方案大纲，分成几个部分展示给你：传播策略、内容规划、渠道选择、时间安排、预算分配。每个部分都足够短，你可以快速看完并给反馈。

等你确认了大方向，它才会开始细化。

它会把整个执行过程拆成具体的任务：第一步做什么，第二步做什么，每一步需要产出什么内容，怎么验证效果。

而且在执行的过程中，它会不断检查：这个文案是不是符合我们定的调性？这个渠道选择是不是跟目标用户匹配？这个时间节点是不是合理？

这种工作方式，其实就是一个靠谱的市场总监会做的事情。

3

它帮你省下最直接的，是时间。

以前你可能需要跟 AI 来来回回沟通好几轮，才能得到一个勉强能用的结果。

现在有了 Superpowers，它会在一开始就把事情问清楚，大大减少返工的次数。

其次是质量。

因为它会强制 AI 在每个环节都做检查，所以输出的内容会更符合你的要求，更有逻辑性，更容易落地。

最重要的是，它能帮你建立一套可复用的工作流程。

你第一次用它策划活动的时候，可能还需要花点时间适应。

但当你用过几次之后，你会发现你已经形成了一套自己的方法论。下次再做类似的事情，你就知道该问哪些问题，该怎么拆解任务，该在哪些环节重点检查。

这套方法论，不只是你自己能用，你还可以教给团队里的其他人。这样整个团队的工作效率和质量都会提升。

4

我不是说 Superpowers 能解决所有问题。

市场营销本质上还是一个需要创意、需要洞察、需要对人性有深刻理解的工作。

但它能做的，是帮你把那些重复性的、结构化的、需要严谨逻辑的工作做得更好。让你有更多时间和精力，去做那些真正需要人来做的事情。

这其实是一个机会，当所有人都在用同样的工具、同样的方法做市场营销的时候，你如果能用一套更高效、更系统的方式，你就有了竞争优势。

推荐所有做 AI 产品的朋友们一定要用一下Prompt Engineering Guide，这是我见过最全面的提示词工程学习指南。

内容很多，但全是干货，我身边很多人都把这个指南作为他们团队的必备参考资料。

不论你现在是刚开始接触大语言模型的新手，还是已经在用AI但总觉得效果不够好，亦或是正在开发 AI 产品需要更专业的提示词技巧，都可以从这个指南中学到一些干货。

1

Prompt Engineering Guide 是什么？

它汇集了从基础入门到高级技巧的所有提示词工程知识，零样本提示、少样本提示、思维链、检索增强生成……你能想到的前沿技术，几乎都有详细讲解。

而且这个项目在 GitHub 上已经获得了数百万学习者的认可，还登上过 Hacker News 第一名。

提示词工程不只是写几句话让 AI 听话，而是一种理解和驾驭大语言模型能力边界的思维方式。

2

简单讲一下这个指南的价值。

很多人刚开始用AI的时候，就是随便问几句话，得到的回答要么太泛泛，要么答非所问。

那怎么办？

这个指南做了一件很系统的事：它把提示词工程拆解成了可学习、可复制的技巧。

从最基础的提示词元素、LLM 参数设置，到高级的思维链提示、自洽性技术、思维树方法，每一个技巧都有详细的解释和实例。

你不需要有技术背景，只要跟着学，就能明显提升你和 AI 对话的质量。

而且指南里还专门讲了一个很重要的观点：提示词工程的本质是建立参照系。

当你见过的提示词案例越多、尝试过的技巧越多、理解的模型特性越深，你对新任务的提示词设计就越准确。

3

举个例子，同样是让 AI 做数学推理题，普通提示可能只有 30% 的准确率，但如果你用思维链提示，让模型一步步展示推理过程，准确率能提升到 80% 以上。

这种判断力不是天赋，而是你见过足够多的案例、参照系足够丰富。

指南就像一个知识库，在不断给你的大脑输入最佳实践。

但光有技巧还不够，这个指南还讲了另一个非常重要的观点：所有 AI 应用的底层逻辑都是相通的。

当然，具体场景不同，但核心原则是一样的。

无论是做内容生成、代码编写、数据分析还是客户服务，你都需要清晰的指令、合适的上下文、对输出格式的控制，以及对模型局限性的理解。

4

指南里有个应用案例特别有意思。有人用提示词工程做职位分类任务，一开始准确率只有 60%，后来他们用了少样本学习，给模型提供了几个标准示例，准确率立刻提升到 90% 以上。

而且同样的思路可以迁移到其他分类任务：情感分析、内容审核、意图识别……底层逻辑完全一样，只是换了个应用场景。

这套思路和做产品时的思路一模一样：找到可复用的模式、建立标准化流程、不断优化迭代。

5

真正有价值的学习资源，不是把知识藏起来卖高价，而是通过开放共享让整个社区受益，然后在更高层次提供专业服务。

如果你现在正在用 AI 工具但总觉得效果不够好，也许问题并不是工具本身，而是你还没有掌握正确的使用方法。

给做一人公司的朋友们推荐一下The Agency这个项目，让你可以拥有自己的AI专家团队！
这个项目非常🔥，现在已经15.2k star了！

这个项目把一个完整公司拆解成了 61 个专业角色：前端开发、后端架构、UI 设计、增长黑客、社交媒体运营、项目管理、质量测试。
你能想到的专业分工，几乎都有对应的Agent。

而且，每个Agent都有明确的个性、工作流程、交付标准和成功指标，你会感觉就像真的在和一个有脾气、有风格的专业人士合作。

1
这套系统的由来也很有意思。

它最初是从 Reddit 上的一个讨论帖子演化出来的，作者花了好几个月时间不断迭代，发布后的 12 小时内就收到了 50 多个请求。

这套系统做对了一件很多人没做的事：它不是简单地告诉 AI“你现在是个开发者”，而是给每个Agent建立了完整的身份系统。

比如有一个叫 Reality Checker 的测试Agent，它的口头禅是：我不只是测试你的代码，我默认会找出 3 到 5 个问题，而且所有问题都要有截图证据。

再比如 Reddit Community Builder 这个营销Agent，它会提醒你：你不是在 Reddit 上做营销，而是要成为一个恰好代表某个品牌的、有价值的社区成员。

还有 Whimsy Injector 这个设计Agent，它的原则是：每个有趣的元素都必须服务于功能或情感目的。设计的愉悦感应该是增强体验，而不是分散注意力。

这些Agent不只是工具，更像是有专业判断力的协作伙伴。

作者把这叫做建立参照系，当一个Agent见过的案例越多、处理过的场景越多、积累的模式越丰富，它对新问题的判断就越准确。

2
举个实际应用的例子。
有个团队用这套系统做了一个叫 Nexus Spatial Discovery 的项目，同时启动了 8 个Agent：产品趋势研究员、后端架构师、品牌守护者、增长黑客、支持响应员、用户体验研究员、项目协调员和 XR 界面架构师。

这 8 个Agent在一次会话中，就产出了一份覆盖市场验证、技术架构、品牌策略、上市计划、支持系统、用户体验研究、项目执行和空间界面设计的完整产品蓝图。

这种协作效率，是单个通用 AI 很难做到的。

但光有专业分工还不够，这套系统还做对了另一个非常重要的事情：它把所有Agent都设计成了可以跨工具使用的格式。

现在它支持 Claude Code、Cursor、Aider、Windsurf、Antigravity、Gemini CLI 和 OpenCode 这些主流的 AI 编程工具。
你不需要被绑定在某个特定平台上，可以在自己习惯的环境里使用这些Agent。

3
下面这部分，是我觉得这套系统最有价值的地方。

很多人问：AI 工具这么多，为什么还要专门搞一套Agent系统？直接用通用 AI 不就行了吗？
作者的回答很直接：因为专业化才是效率的来源。

通用 AI 就像一个什么都懂一点的通才，但当你需要解决具体问题时，你需要的是在某个领域深耕多年的专家。
这些专家不仅知道怎么做，还知道什么时候该做、什么时候不该做、遇到什么情况该调整策略。

而这种专业判断力，恰恰是通过大量的领域知识、工作流程和成功案例积累出来的。

The Agency 的每个Agent都内置了这些经验，它们不是从零开始学习，而是站在已经被验证过的最佳实践基础上工作。

这就像你不需要每次都从头教一个新人怎么做项目管理，而是直接和一个有十年经验的项目经理合作。

现在已经有社区维护的中文版本了，覆盖了 26 个翻译Agent，还增加了 4 个针对中国市场的专门Agent。

4
能用一辈子的工具，不是因为它功能最全，而是因为它能随着你的成长而进化。

The Agency 这套系统的核心价值，就是它提供了一个可以不断扩展的专业协作框架。
今天你可能只需要前端开发和 UI 设计两个Agent，明年你可能需要增长黑客和数据分析，后年你可能要加入 XR 界面设计。

这个框架会一直在那里，随时可以调用你需要的专业能力。

如果你现在正在用 AI 辅助工作，但总觉得效率还不够高，也许问题不是 AI 本身，而是你还没有找到合适的协作方式。

我非常推荐你们去了解一下 Nick Saraev 这套关于 Claude Skills 的实战教程！

虽然长达一个多小时，但全程都是可以直接落地的干货。
评论区很多人也说，这可能是目前关于 AI Skills 最实用的一期内容，有人已经看了好几遍了。

不论你是正在做自由职业想要提升效率，还是经营着小团队需要自动化流程，亦或是已经在运营成熟业务，都可以从这套方法论中获益。

1

Claude Skills 是什么？
它像是一个可以 24 小时不间断工作的数字员工，而且不需要你付工资。Nick 现在经营着一家年利润 400 万美元的公司，而他管理这家公司主要靠的就是 AI agents 和这些 skills。

他教的 2000 多个学生也在用同样的方法。

2

简单讲一下 Nick 展示的几个核心技能。

第一个是自动跟进潜在客户。

你只需要输入/follow-up nurture 这个命令，系统就会自动扫描你的 CRM 里所有处于不同阶段的客户，查看之前的邮件往来记录，然后给每个人发送个性化的跟进邮件。

这些邮件读起来就像是你亲手写的一样自然，不会让人觉得是机器人在发。

整个流程从以前需要花几个小时，现在变成几秒钟就搞定。

第二个是一键生成视频缩略图。

Nick 拿一张著名的约翰·哈姆的照片举例，只需要说 reproduce the John Ham thumbnail，系统就会自动提取你的面部特征，生成多张不同风格的缩略图供你选择。

整个过程也就几十秒，效果相当惊艳。

第三个是 LinkedIn 潜在客户抓取。

你可以直接说 scrape me 50 management consultants in Arizona，系统就会自动去 LinkedIn Sales Navigator 抓取目标客户的姓名、邮箱等信息，整理成 Excel 表格。这在以前可能需要外包给数据公司做，现在几分钟就完成。

第四个是冷邮件营销自动化。

输入客户信息后，系统会参考你之前表现最好的邮件模板，自动重写适合新客户的版本，还能生成多个变体用于 A/B 测试。

把原本需要三四个小时的工作压缩到几分钟。

第五个是快速网站生成器。

给系统一个简单指令，它就能生成一个高质量的网站并部署到 Netlify，你可以直接把链接发给潜在客户。这种价值赠送往往能让客户印象非常深刻。

3

除此之外，Nick 还展示了两个很有趣的个人生活技能。

一个是自动预订 WeWork 工位，另一个是 Amazon 购物助手。

前者让他不用再每天手动预订，后者帮他比较 Amazon 上的商品，自动选出性价比最高的选项。

这些 skills 最强大的地方在于，它们不只是执行预设指令的工具，而是会自我修复和进化的智能体。

如果运行过程中遇到 API 限制、服务中断或者逻辑漏洞，系统会自动识别问题并修复，甚至重写 skill 本身。

就像 Nick 说的，这相当于雇了一个既聪明又有上进心的员工，看到问题会主动解决，而不是等着你来指挥。

4

从底层逻辑来说，skills 其实就是传统 SOP 的进化版。

以前我们给员工写操作手册，现在我们给 AI agent 写 skills。

你把任何一个业务流程写成清单，喂给 Claude 或 Gemini，它就能帮你转成 skill 格式。整个过程比你想象中简单得多。

Nick 说了一句话让我印象很深：现在大多数人在用 AI 做花哨的 demo，但真正能创造价值的，是那些能解决具体业务问题的应用。

如果你现在做的事情让你感到繁琐重复，也许问题并不是事情本身，而是你还没有找到合适的自动化方案。

这就是技术改变工作的最好例子。

我非常推荐做付费广告投放的朋友们去体验一下这个 Claude Ads Skill！

不论你现在是在甲方做投放负责人，还是在乙方服务多个客户，亦或是刚入行还在学习广告优化的新人，都能从这个 Skill 里获得实实在在的帮助。

1

Claude Ads 到底是什么？

这么说吧，它就像是给你的 Claude Code 装上了一个专业的广告审计大脑。

Google Ads、Meta Ads、YouTube Ads、LinkedIn Ads、TikTok Ads、Microsoft Ads，市面上主流的广告平台它全都覆盖。

而且它不是泛泛而谈，而是实打实的 190 项审计检查。

从搜索广告到 PMax，从 Pixel 配置到创意疲劳检测，从预算分配到合规审查，几乎所有你在日常工作中需要关注的关键点，它都帮你列出来了。

更厉害的是它的并行代理机制。

你跑一个完整的全平台审计，它会同时启动 6 个专门的子代理分别检查不同模块，最后给你一个统一的健康评分和优先级行动计划。

简单来说，以前你可能需要花一整天去挨个检查账户问题，现在喝杯咖啡的功夫就能拿到一份详细的诊断报告。

2

我来具体讲讲它的一些核心亮点。

首先是这个健康评分系统。

它会给你的广告账户打一个 0 到 100 分的分数，然后按照 A 到 F 的等级划分。

90 分以上说明账户状态不错，只需要做一些微调；60 到 74 分意味着有明显的问题需要关注；如果低于 40 分，那就是在喊救命了，必须马上干预。

这个评分不是拍脑袋给的，而是用加权算法算出来的。

比如某些关键错误会乘以一个严重系数，真正影响你花钱效率的问题会被优先标红。

其次是它的行业模板功能。

做 SaaS 的和做电商的投放策略完全不同，B2B 企业和服务本地商家的打法也差得很远。

这个 Skill 内置了 11 种行业模板，包括 SaaS、电商、本地服务、B2B 企业、信息产品、移动应用、房地产、医疗健康、金融服务等等。

你告诉它你的业务类型，它就能加载对应的策略框架。该投什么平台、预算怎么分配、KPI 定多少合理，这些都有参考标准。

还有一个我觉得特别实用的功能叫质量门禁。

它内置了几条硬规则，比如绝不推荐在没有智能出价的情况下使用广泛匹配；如果发现某个广告系列的 CPA 超过目标值 3 倍，会直接建议暂停；Meta 的预算必须至少是 CPA 的 5 倍，TikTok 至少 50 倍。

这些都是血泪教训换来的经验，现在成了系统自动执行的底线。

3

另外它还有竞争对手情报功能，可以帮你监测同行在各平台的广告动态。以及着陆页质量评估，用 Playwright 实时分析你的落地页体验。

有意思的是，这个 Skill 的设计思路其实挺像一位经验丰富的优化师带团队。

主 Skill 负责统筹协调，把任务分发给各个专业子 Skill，子 Skill 在各自领域做深度分析，最后汇总输出结构化的结果。

参考文件按需加载，不会一股脑全塞给你，而是用 RAG 模式只加载当前分析需要的内容。

这种架构让它既能做全面的体检，也能做单平台的深度分析。

你想快速过一遍所有账户，就用/ads audit；你想重点研究 Google Ads，就用/ads google；你要做跨平台创意对比，就用/ads creative。

4

我自己用了一段时间的最大感受是，它帮我把很多原本依赖经验的判断，变成了可以复用的检查清单。

以前带新人，总是担心他们漏掉一些关键点。

现在有了这 190 项检查做兜底，至少能保证基础的质量门槛。而且每次审计都有详细的输出报告，新人也能从中学到系统的优化思路。

说实话，市面上类似的广告审计工具不是没有，但大多是封闭的黑盒系统，你只能看到结果，不知道它怎么判断的。

这个 Skill 完全开源，所有的检查逻辑都写在代码里，你可以根据自己的需求调整规则权重，甚至增加新的检查项。

这种开放性和可定制性，对于有一定技术能力的团队来说，价值可能比功能本身还要大。

5

如果你平时就在用 Claude Code 写代码、做分析，那这个 Skill 几乎是无缝衔接。不需要额外学习什么新工具，还是在你熟悉的环境里，只是多了一个强大的广告投放助手。

最后想说，工具终究是工具，它不能替代你对业务的理解和对创意的敏感度。

但它能把那些重复、机械、容易出错的检查工作接过去，让你有更多精力去思考策略、研究用户、打磨素材。

对于每天和数据打交道、被各种账户问题追着跑的投放同学来说，这可能是最实在的价值了。

所以，如果你也在找一种更高效、更系统的方式来管理广告账户，不妨花点时间试试这个 Claude Ads Skill。

最近发现了一套非常适合做科研的AI提示词合集，分享给正在为科研头疼的朋友们！

如果你现在正在写论文，或者刚开始接触学术写作，你一定懂那种痛苦：明明脑子里有想法，但写出来的英文就是怪怪的。

要么太生硬，要么一看就是机翻的味道。改来改去，一个段落能磨上两小时，最后还是不满意。

更难受的是，你会发现隔壁实验室的师兄师姐好像总能很快写完初稿？

其实，很有可能因为人家手里都有一套现成的写作模板和技巧库，而你还在从零摸索。

今天就来给大家分享这个信息差。

1

这套提示词叫awesome-ai-research-writing，是一个开源的学术写作工具包，里面包含了两大块内容：

一是各种场景的 Prompt 模板。

比如把中文草稿翻译成英文论文、给论文润色、做逻辑检查、去掉那种一看就是 AI 写的机械感等等。

这些模板都是从微软亚洲研究院、字节 Seed 团队、上海 AI Lab 这些顶尖机构的研究员那里收集来的，是他们日常真实在用的东西。

二是 Agent Skills。

这个稍微高级一点，可以理解成给 AI 助手装上的专业技能包。

装好之后，你只需要告诉它你要做什么，它就能按照专业流程帮你完成，不用你再去记那些复杂的指令。

2

先说 Prompt 模板这部分。

我自己试了一下中转英的模板，真的很惊喜。

它不只是翻译，还会帮你调整成学术论文的语气，把口语化的表达转成正式的书面语，甚至连 LaTeX 里的特殊字符转义都帮你处理好了。

更重要的是，它会要求输出三部分：英文 LaTeX 代码、对应的中文直译、还有修改说明。

这个设计很贴心，因为你可以对照中文直译检查有没有改变原意，看修改说明了解它做了哪些调整。

这样你不是盲目接受 AI 的输出，而是在这个过程中学习怎么写得更好。

还有一个我很喜欢的功能是逻辑检查，它不会像普通润色工具那样给你一堆可改可不改的建议，而是只在遇到致命问题时才提醒你，比如前后矛盾的陈述、术语混乱、严重语病这些。它的原则是：默认你的稿子已经不错了，只挑出那些真正会影响理解的问题。

再说 Agent Skills 这部分。

如果你用 Cursor 或者 Claude Code 这类 AI 编程工具，那 Skills 真的能帮你省很多事。

比如有一个叫 20-ml-paper-writing 的 Skill，专门用来写机器学习论文的。

你只需要告诉它你的研究代码在哪里、想投什么会议，它就能帮你从零起草一篇完整的论文，从摘要到引言到实验部分全都有。

更实用的是，它还能帮你做格式迁移。

比如你本来准备投 NeurIPS，后来改主意想投 ICML 了，它可以直接帮你把稿子迁移到新的模板里，连页数限制、Broader Impact 这些会议特定要求都会提醒你。

还有一个 humanizer 的 Skill 我觉得特别有意思，它专门用来去掉 AI 写作的痕迹，让文字读起来更像人写的。

它会识别那些 AI 常用的套路，比如过度强调意义、空洞的分析、破折号滥用、三点式堆砌这些，然后重写成更自然的表达。

3

怎么开始用呢？

Prompt 模板这部分最简单，直接复制到你常用的 AI 对话框里就行，ChatGPT、Claude、Gemini 都可以。

每个模板都写得很详细，包括角色设定、任务说明、输出格式这些，你只需要把自己的内容粘贴到最后的 Input 部分就好。

Agent Skills 稍微需要一点配置，但其实也不复杂。

如果你用 Cursor 的话，装一个叫 OpenSkills 的工具，然后用命令行安装需要的 Skills 就行。

装好之后 Cursor 会自动识别，你在对话时直接说需求就能触发对应的流程。

项目的 GitHub 页面上有详细的安装说明，跟着一步步来基本不会出错。

4

创建者在开头说了一句话：当你第三次调试同一个润色 prompt 时，隔壁组的同学可能已经用现成的模板改完了三篇论文。

这句话戳中了很多人的痛点。

学术圈里确实存在这种隐性的信息差，有些人因为在好的研究组，能接触到成熟的工具和方法，而更多人还在自己摸索。这个项目想做的，就是把这些原本只在小圈子里流通的经验开源出来，让更多人能用上。

不要在工具和格式上浪费太多时间，把精力留给真正的科研。

天，我真的非常推荐你们看一下 Frey Chu 最近分享的这期内容。

这是完全值得花一个晚上认真研究的教程，评论区很多人也说，这一期解决了他们在构建在线目录时最头疼的问题。

不论你现在是想做个副业赚点零花钱，还是已经在折腾在线目录但数据清洗让你崩溃，亦或是对 AI 编码感兴趣但不知道从哪里入手，都可以从这个方法中获益。

1

先说说在线目录是什么生意。

简单讲，就是把某个行业的供应商信息整理成一个网站，比如你搜豪华移动洗手间、养老院、加油站价格，出来的那些对比网站。

听起来很无聊，但 Frey 展示的几个案例让我大开眼界。

有个做殡仪馆对比的网站，每月 6 万多访问量，年收入超过 100 万美元。

还有个做养老院推荐的，每月 82 万访问量，年收入估计在 5000 万到 1 亿美元之间。

最牛的是 GasBuddy，一个众包加油站价格的网站，每月 110 万访问量，靠广告和联名借记卡赚得盆满钵满。

这些网站的共同点是帮人省时间、省钱或者赚钱。而且都在那些看起来特别无聊但很重要的领域里提供价格透明度，

2

但问题来了，做这种目录最难的是什么？

是数据。

Frey 说得特别实在，他之前做一个豪华移动洗手间的目录，从 Google Maps 抓了 7 万多条数据。

但这些数据乱七八糟的，有些是关门的店，有些根本不是做移动洗手间的，有些网站上连照片都没有。

要是手动清理，一条条去看网站、验证信息、找图片、整理服务范围，得花 2000 多个小时。按每天工作 8 小时算，那就是 250 天，大半年就没了。

而且这还不是最惨的，最惨的是你好不容易整理完了，发现有一半数据其实没用，或者质量太差根本没法放到网站上。

Frey 之前就干过这种傻事。他做了个 WordPress 版本的移动洗手间目录，首页还挂着 Lorem Ipsum 占位文字，列表页全是 AI 生成的千篇一律的描述，图片都是同一张。他自己都觉得这网站烂得没法看。

但神奇的是，就这么个烂网站，居然有人提交询价表单。

有人要租移动洗手间拍电影，有人办婚礼要多隔间的豪华款，甚至新墨西哥州博览会都来问价，订单金额超过 2 万美元。

这让 Frey 意识到，这个领域确实有需求，只是他的数据太烂了，没法把潜力发挥出来。

3

然后他学会了 Claude Code，一切都变了。

他用了一个叫 Crawl4AI 的开源工具配合 Claude Code，把整个数据清洗和验证的过程自动化了。

具体怎么做的呢？

第一步，用 Outscraper 从 Google Maps 抓数据，全美 7 万多条潜在供应商信息。

第二步，让 Claude Code 做初步清洗，去掉那些明显没用的，比如没有名称、地址的，或者已经关门的。这一步就从 7 万条筛到了 2 万条。

第三步是关键，用 Crawl4AI 自动访问这 2 万个网站，让 Claude Code 去看每个网站的内容，识别哪些真的是做豪华移动洗手间的。这一步又筛到了 725 个高质量供应商。

第四步，继续用同样的方法去抓每家的产品信息，比如他们有几个隔间的款式、什么配置。

第五步，抓图片。而且不是随便抓，是让 Claude Vision 去看图片质量，自动筛选出最好的那几张。

第六步，提取设施和功能信息，比如有没有流动水、空调、音响这些。

第七步，整理服务范围，看他们能覆盖哪些城市和地区。

整个过程，4 天完成，花了不到 250 美元。

其中 100 美元是 Claude Code 订阅费，100 美元是买数据，50 美元是 Claude API 调用费用。

要是手动做，2000 多小时，按时薪 20 美元算都得 4 万美元了。

更重要的是，做出来的新网站质量完全不一样，每个列表页都有清晰的产品信息、真实的照片、详细的设施列表、服务范围，用户一看就知道这家靠不靠谱。

4

Frey 说，数据就是护城河。

现在有了 AI 工具，你可以做那些以前根本做不了的超细分目录。

比如不做养老院目录，而是专门做失智症护理养老院目录。不做浴室装修目录，而是专门做无障碍浴室改造目录。

这些细分领域搜索量不算大，但都是强需求。

对用户来说，如果一家养老院不能照顾失智症患者，那就是交易破裂点，根本不用考虑。

而且这种细分目录在 SEO 上反而更容易做起来，因为竞争小，你很快就能在这个小领域建立权威性。

有人可能会问，现在都 2026 年了，大家都用 ChatGPT 搜索了，在线目录还有前途吗？

Frey 的回答我觉得特别有道理。

他说，LLM 擅长的是帮你发现信息，但当你真的要做决策的时候，尤其是那些高风险的决策，你还是会去目录网站仔细比较。

给父母找养老院，你会只看 ChatGPT 推荐的第一个就定吗？不会的，你会把所有选项看一遍，对比价格、设施、评价。找律师、找会计、找医生，都是一样的逻辑。

而且本地化搜索的格局其实没怎么变。

你搜洛杉矶理发店，Google 还是会给你地图、赞助商、然后是自然排名结果。

这个格局很稳定，做本地化目录的机会依然存在。

而且在线目录是一个分销优先的模式。

现在获取流量的主要方式就三种，付费广告、社交媒体、SEO。

目录天生在 SEO 上有优势，因为你一上线就有几百上千个相关页面，很容易建立主题权威性。

5

如果你对这个方向感兴趣，真的建议你去看看 Frey 的完整分享。他把每一步的提示词、工具选择、常见坑都讲得很清楚，照着做基本不会走弯路。

那些能干一辈子的事业，本质上不是一份工作，而是你大脑的一种运作方式。

做在线目录也好，做其他项目也好，关键是找到一种你不会腻的玩法。

而学会用 AI 工具解决真实问题，这本身就是一种值得培养一辈子的能力。