即刻App年轻人的同好社区
下载
置顶
把前段时间做的评论分析工作流升级成了skill。
这个过程中我也在思考，龙虾爆火的背后，到底是什么需求被满足了？
我觉得，人们对AI的期待，从来不是工具，而是深度定制化服务。
这也是为什么，我看到95%的人部署完龙虾的第一件事，就是让他每天定时给自己发资讯日报。
是新闻联播不够官方吗？科技媒体不够硬核吗？
都不是。我们只是在享受能够主动被服务的乐趣。
回顾过去几年AI、Agent的发展，其实都在指向一件事：持续降低定制化服务的成本。
Skill 背后隐藏的不是代码，而是一套可以自我迭代的业务流程。
今天借助 AI Coding，我们只需要清晰地定义自己的业务逻辑，Agent就能快速把这种理解力转换成生产力。
这是让我感到兴奋的根源，我也正走在实践如何做出懂业务、会迭代、能真正落地的Skill的路上。
从现在开始，就像照顾家里的花花草草那样，细心打磨自己的Skill吧。
这个过程中我也在思考，龙虾爆火的背后，到底是什么需求被满足了？
我觉得，人们对AI的期待，从来不是工具，而是深度定制化服务。
这也是为什么，我看到95%的人部署完龙虾的第一件事，就是让他每天定时给自己发资讯日报。
是新闻联播不够官方吗？科技媒体不够硬核吗？
都不是。我们只是在享受能够主动被服务的乐趣。
回顾过去几年AI、Agent的发展，其实都在指向一件事：持续降低定制化服务的成本。
Skill 背后隐藏的不是代码，而是一套可以自我迭代的业务流程。
今天借助 AI Coding，我们只需要清晰地定义自己的业务逻辑，Agent就能快速把这种理解力转换成生产力。
这是让我感到兴奋的根源，我也正走在实践如何做出懂业务、会迭代、能真正落地的Skill的路上。
从现在开始，就像照顾家里的花花草草那样，细心打磨自己的Skill吧。
终于完成了！实测效率提升10倍，电商评论深度分析Skill已就位！
3 20
GPT-5.4正式发布！
这次OpenAI真的把效率革命做到了实处——100万上下文长度 + 更强推理+更准输出带来更少token消耗，让你花更少的钱、用更少的时间，产出更多成果。
价格也很惊喜，标准版输入$2.50/百万token，输出$15，超过272K上下文的部分才会进入双倍计费，而Claude则是200k。
来看核心亮点：
（1）1.05M token上下文，彻底解放生产力。
以前塞不下的整个项目代码、半年报告、多轮会议纪要，现在一次性喂给它，都不会出现上下文丢失的情况。
（2）专业工具原生集成。
具备原生computer-use、tool search、多轮agent能力，换句话说，现在模型可以更丝滑操作电脑和自动联网调用合适的工具来完成任务。
（3）编码与通用能力深度融合。
把5.3-Codex的编程能力集成在主模型中，在编程和通用任务场景下，都能获得优秀的效果。
我还没来得及深度玩，收集了一些网上的实测反馈，GPT-5.4还是存在缺陷的。
1. 在上下文长度超过272k后，推理能力会大幅下降。
2.如果丢一些简单任务，会出现过度推理情况，token爆表。
3.前端UI生成效果一般，DesignArena上目前排名第9。
4.任务执行效率不稳定，会间歇性出现循环卡死和幻觉情况。
目前看，GPT-5.4在复杂编码，多步专业工作流场景上有不错的表现，但在简单任务、前端构建上反而有点力不从心。
现在Plus用户即可体验，支持API调用和Codex上使用，大家快去试试吧。
这次OpenAI真的把效率革命做到了实处——100万上下文长度 + 更强推理+更准输出带来更少token消耗，让你花更少的钱、用更少的时间，产出更多成果。
价格也很惊喜，标准版输入$2.50/百万token，输出$15，超过272K上下文的部分才会进入双倍计费，而Claude则是200k。
来看核心亮点：
（1）1.05M token上下文，彻底解放生产力。
以前塞不下的整个项目代码、半年报告、多轮会议纪要，现在一次性喂给它，都不会出现上下文丢失的情况。
（2）专业工具原生集成。
具备原生computer-use、tool search、多轮agent能力，换句话说，现在模型可以更丝滑操作电脑和自动联网调用合适的工具来完成任务。
（3）编码与通用能力深度融合。
把5.3-Codex的编程能力集成在主模型中，在编程和通用任务场景下，都能获得优秀的效果。
我还没来得及深度玩，收集了一些网上的实测反馈，GPT-5.4还是存在缺陷的。
1. 在上下文长度超过272k后，推理能力会大幅下降。
2.如果丢一些简单任务，会出现过度推理情况，token爆表。
3.前端UI生成效果一般，DesignArena上目前排名第9。
4.任务执行效率不稳定，会间歇性出现循环卡死和幻觉情况。
目前看，GPT-5.4在复杂编码，多步专业工作流场景上有不错的表现，但在简单任务、前端构建上反而有点力不从心。
现在Plus用户即可体验，支持API调用和Codex上使用，大家快去试试吧。
2 00
你满怀期待地部署好了龙虾，然后发现gateway经常莫名其妙断开，再然后好不容易你修好了，你又发现他是个笨蛋，然后你又继续学着网上给他装了很多skill，尝试让他做了两个任务，发现token爆炸，最后你又用回了claude code
是你吗？我的朋友。
是你吗？我的朋友。
7 40
skill更新了更新了。
🚀 电商评论深度分析工具 (Review Analyzer Skill) V1.0.2
项目简介： 这是一款专为电商场景设计的AI评论洞察分析工具。它能将数百条海内外电商评论，通过 22 个维度的 AI 深度打标，瞬间转化为极具商业价值的战略洞察报告。无论是分析竞品缺陷，还是挖掘用户隐形需求，都能一键搞定。
🎯 适用场景：
新品调研：快速复盘同类竞品的优缺点，寻找差异化切入点。
产品改良：深度挖掘现有产品的用户吐槽点，为下一次迭代指明方向。
视觉/文案优化：提取用户最高频的使用场景和购买动机，精准打动消费者。
运营汇报：一键生成高品质动态看板，让你的周报/月报数据更有说服力。
核心亮点：
🧠 深度打标：涵盖 22 个维度（使用场景、痛点、购买动机等），比人工分析更细腻。
🏆 动态看板：自动生成奢华质感的交互式 HTML 报告，图表精美，汇报利器。
🤖 Agent 兼容：原生支持 Claude Code 等 AI Agent 调用，实现全自动分析流。
⚡ 灵活模式：支持使用Claude Code内置模型或 Gemini Pro/Flash 增强模式（极致质量）。
🎨 用户画像：智能识别不同类型的消费者，精准锁定黄金样本评论。
完整项目地址（GitHub）: 👉 github.com
SKILL 地址（支持 AI Agent 直接调用）: 👉 github.com/blob/main/SKILL.md
Created by Buluu@新西楼
更多AI+商业深度实践请关注公众号【新西楼】
🚀 电商评论深度分析工具 (Review Analyzer Skill) V1.0.2
项目简介： 这是一款专为电商场景设计的AI评论洞察分析工具。它能将数百条海内外电商评论，通过 22 个维度的 AI 深度打标，瞬间转化为极具商业价值的战略洞察报告。无论是分析竞品缺陷，还是挖掘用户隐形需求，都能一键搞定。
🎯 适用场景：
新品调研：快速复盘同类竞品的优缺点，寻找差异化切入点。
产品改良：深度挖掘现有产品的用户吐槽点，为下一次迭代指明方向。
视觉/文案优化：提取用户最高频的使用场景和购买动机，精准打动消费者。
运营汇报：一键生成高品质动态看板，让你的周报/月报数据更有说服力。
核心亮点：
🧠 深度打标：涵盖 22 个维度（使用场景、痛点、购买动机等），比人工分析更细腻。
🏆 动态看板：自动生成奢华质感的交互式 HTML 报告，图表精美，汇报利器。
🤖 Agent 兼容：原生支持 Claude Code 等 AI Agent 调用，实现全自动分析流。
⚡ 灵活模式：支持使用Claude Code内置模型或 Gemini Pro/Flash 增强模式（极致质量）。
🎨 用户画像：智能识别不同类型的消费者，精准锁定黄金样本评论。
完整项目地址（GitHub）: 👉 github.com
SKILL 地址（支持 AI Agent 直接调用）: 👉 github.com/blob/main/SKILL.md
Created by Buluu@新西楼
更多AI+商业深度实践请关注公众号【新西楼】
杜雷撕: 做跨境电商选品时，你们是不是也盯着Best Seller的评论发愁？ 那些霸榜产品动不动几万条评论，老外还爱写小作文——一条评论几百上千字。 500条评论看下来，眼睛都看瞎了，还不一定真能看出什么门道。 我搭了一套n8n自动化工作流解决这个问题。 一、整个流程就4步 1. 用卖家精灵插件导出500条评论的CSV文件，导入到Google Sheets 2. 调用Gemini给每条评论打上22个标签（可以替换为别的AI模型），并写回Google Sheets 3. 继续调用Gemini生成深度洞察分析报告，储存在Google Sheets 4. 手动复制一下报告内容，用我做好的Gem，生成可视化看板 核心是22个标签体系。不是简单的好/坏二分法，而是从8大维度精细拆解： 人群：性别、年龄段、职业、购买角色 场景：使用场景 产品：功能满意度、具体功能 质量：材质、做工、耐用性 服务：发货、包装、客服 体验：舒适度、易用性、外观 市场：竞品对比、复购意愿 情感：总体评价 标签还能自定义，比如服装类目加"图案偏好"，充电宝加"续航、充电速度"。 每条评论单独处理，AI记住每一条，打标准确，统计数据真实。不会出现"差评占比30%"这种瞎编的结论，因为每个数字背后都有真实的标签支撑。 一个使用小提示：因为每条评论都是单独循环打标，500条评论大概需要跑1小时左右。建议日常使用控制在200-300条就够用了。 二、能得到什么样的报告 开头部分：数据概览和标签统计，包括总评论数、好评率、各维度标签占比。 中间部分：五大核心洞察。用户画像（谁在买），核心卖点（他们喜欢什么），主要痛点（他们在吐槽什么），改进建议（可以怎么优化），潜在机会（未被满足的需求）。 最后部分：根据评论价值进行综合打分，筛选出TOP3最有价值的好评和差评，逐条深度解析。 完整的n8n工作流JSON代码，我开源在【公众号:新西楼】，后台回复【评论分析】即可获取。 可视化看板的Gem： https://gemini.google.com/gem/1TXLMugna7EGFu_ENfZ3IEKEYO2N33?usp=sharing 已经同步在做claude code skill，会适配openclaw
3 02
今天，Vercel官方发布了vercel-cli skill。
在安装之后，你的AI Agent就能够直接通过命令行，自主地发现、安装和配置 Vercel 市场里的各种服务（比如数据库、鉴权、日志等）。
举个简单的例子。
以前，如果你要给项目加个数据库，你需要：
1.打开浏览器登录 Vercel。
2.在市场里找数据库。
3.点击安装并手动复制环境变量。
4.回到代码编辑器，照着文档写连接逻辑。
而装了这个skill后，你只需要在命令行中说一句：
“帮我把这个项目部署到 Vercel，并顺便帮我集成一个在美东地区的 Redis 数据库。”
AI Agent就可以利用这些 CLI 命令，帮你完成查找服务、创建数据库实例、获取连接代码并写进你的代码里这一整套流程。
这是给 AI 准备的一套“标准化接口”，让 AI升级为熟悉Vercel后台的助手，轻松操作 Vercel 提供的第三方云基础设施。
目前vercel-cli skill已经兼容包括Claude Code、Cursor、Windsurf在内的主流 AI coding工具。
在命令行中输入以下指令：npx skills add vercel/vercel --skill vercel-cli
现在有个共识，vibe coding能够短时间内做出个80分的东西。
剩下20分是极致的细节优化，以及运维、工程、基建，这些依旧是无非被ai替代的事情。
但这个skill的发布，让我这种非技术背景的小白，第一次真正感受到了独立把产品从想法做到上线，似乎不再是天方夜谭了。
在安装之后，你的AI Agent就能够直接通过命令行，自主地发现、安装和配置 Vercel 市场里的各种服务（比如数据库、鉴权、日志等）。
举个简单的例子。
以前，如果你要给项目加个数据库，你需要：
1.打开浏览器登录 Vercel。
2.在市场里找数据库。
3.点击安装并手动复制环境变量。
4.回到代码编辑器，照着文档写连接逻辑。
而装了这个skill后，你只需要在命令行中说一句：
“帮我把这个项目部署到 Vercel，并顺便帮我集成一个在美东地区的 Redis 数据库。”
AI Agent就可以利用这些 CLI 命令，帮你完成查找服务、创建数据库实例、获取连接代码并写进你的代码里这一整套流程。
这是给 AI 准备的一套“标准化接口”，让 AI升级为熟悉Vercel后台的助手，轻松操作 Vercel 提供的第三方云基础设施。
目前vercel-cli skill已经兼容包括Claude Code、Cursor、Windsurf在内的主流 AI coding工具。
在命令行中输入以下指令：npx skills add vercel/vercel --skill vercel-cli
现在有个共识，vibe coding能够短时间内做出个80分的东西。
剩下20分是极致的细节优化，以及运维、工程、基建，这些依旧是无非被ai替代的事情。
但这个skill的发布，让我这种非技术背景的小白，第一次真正感受到了独立把产品从想法做到上线，似乎不再是天方夜谭了。
3 00
做跨境电商选品时，你们是不是也盯着Best Seller的评论发愁？
那些霸榜产品动不动几万条评论，老外还爱写小作文——一条评论几百上千字。
500条评论看下来，眼睛都看瞎了，还不一定真能看出什么门道。
我搭了一套n8n自动化工作流解决这个问题。
一、整个流程就4步
1. 用卖家精灵插件导出500条评论的CSV文件，导入到Google Sheets
2. 调用Gemini给每条评论打上22个标签（可以替换为别的AI模型），并写回Google Sheets
3. 继续调用Gemini生成深度洞察分析报告，储存在Google Sheets
4. 手动复制一下报告内容，用我做好的Gem，生成可视化看板
核心是22个标签体系。不是简单的好/坏二分法，而是从8大维度精细拆解：
人群：性别、年龄段、职业、购买角色
场景：使用场景
产品：功能满意度、具体功能
质量：材质、做工、耐用性
服务：发货、包装、客服
体验：舒适度、易用性、外观
市场：竞品对比、复购意愿
情感：总体评价
标签还能自定义，比如服装类目加"图案偏好"，充电宝加"续航、充电速度"。
每条评论单独处理，AI记住每一条，打标准确，统计数据真实。不会出现"差评占比30%"这种瞎编的结论，因为每个数字背后都有真实的标签支撑。
一个使用小提示：因为每条评论都是单独循环打标，500条评论大概需要跑1小时左右。建议日常使用控制在200-300条就够用了。
二、能得到什么样的报告
开头部分：数据概览和标签统计，包括总评论数、好评率、各维度标签占比。
中间部分：五大核心洞察。用户画像（谁在买），核心卖点（他们喜欢什么），主要痛点（他们在吐槽什么），改进建议（可以怎么优化），潜在机会（未被满足的需求）。
最后部分：根据评论价值进行综合打分，筛选出TOP3最有价值的好评和差评，逐条深度解析。
完整的n8n工作流JSON代码，我开源在【公众号:新西楼】，后台回复【评论分析】即可获取。
可视化看板的Gem：
gemini.google.com
已经同步在做claude code skill，会适配openclaw
那些霸榜产品动不动几万条评论，老外还爱写小作文——一条评论几百上千字。
500条评论看下来，眼睛都看瞎了，还不一定真能看出什么门道。
我搭了一套n8n自动化工作流解决这个问题。
一、整个流程就4步
1. 用卖家精灵插件导出500条评论的CSV文件，导入到Google Sheets
2. 调用Gemini给每条评论打上22个标签（可以替换为别的AI模型），并写回Google Sheets
3. 继续调用Gemini生成深度洞察分析报告，储存在Google Sheets
4. 手动复制一下报告内容，用我做好的Gem，生成可视化看板
核心是22个标签体系。不是简单的好/坏二分法，而是从8大维度精细拆解：
人群：性别、年龄段、职业、购买角色
场景：使用场景
产品：功能满意度、具体功能
质量：材质、做工、耐用性
服务：发货、包装、客服
体验：舒适度、易用性、外观
市场：竞品对比、复购意愿
情感：总体评价
标签还能自定义，比如服装类目加"图案偏好"，充电宝加"续航、充电速度"。
每条评论单独处理，AI记住每一条，打标准确，统计数据真实。不会出现"差评占比30%"这种瞎编的结论，因为每个数字背后都有真实的标签支撑。
一个使用小提示：因为每条评论都是单独循环打标，500条评论大概需要跑1小时左右。建议日常使用控制在200-300条就够用了。
二、能得到什么样的报告
开头部分：数据概览和标签统计，包括总评论数、好评率、各维度标签占比。
中间部分：五大核心洞察。用户画像（谁在买），核心卖点（他们喜欢什么），主要痛点（他们在吐槽什么），改进建议（可以怎么优化），潜在机会（未被满足的需求）。
最后部分：根据评论价值进行综合打分，筛选出TOP3最有价值的好评和差评，逐条深度解析。
完整的n8n工作流JSON代码，我开源在【公众号:新西楼】，后台回复【评论分析】即可获取。
可视化看板的Gem：
gemini.google.com
已经同步在做claude code skill，会适配openclaw
4 13
我第一次尝试运营社群，选择了做AI交流群，虽然人数不多而且是免费的，但活跃度也挺高。
一些很粗浅的心得。
1.群成员必须是被吸引来的，比如通过内容。而不是利益驱动所致的，比如领取什么token福利之类的。
2.作为发起人，必须分享亲身实践经验，而不只是传递行业资讯。builder的信息价值远超单纯作为influencer。
3.将社群看作一个大学课堂，发起人就是讲台上的老师。
老师只需要讲自己的课，台下一定会有积极互动的前排学生，玩着手机偶尔听两句跟着鼓掌的中间学生，完全不感兴趣的后排学生。
“后排学生”需要被定时清理出去，如果符合1的准则，这类学生的比例会比较少。
PS：老师和学生的比喻仅是相似场景的类比，不指向身份高低差异...
一些很粗浅的心得。
1.群成员必须是被吸引来的，比如通过内容。而不是利益驱动所致的，比如领取什么token福利之类的。
2.作为发起人，必须分享亲身实践经验，而不只是传递行业资讯。builder的信息价值远超单纯作为influencer。
3.将社群看作一个大学课堂，发起人就是讲台上的老师。
老师只需要讲自己的课，台下一定会有积极互动的前排学生，玩着手机偶尔听两句跟着鼓掌的中间学生，完全不感兴趣的后排学生。
“后排学生”需要被定时清理出去，如果符合1的准则，这类学生的比例会比较少。
PS：老师和学生的比喻仅是相似场景的类比，不指向身份高低差异...
2 20