即刻App年轻人的同好社区
下载
置顶前两天和前辈交流，学习了一个观点。
claude code像ios，openclaw像安卓。
现在你觉得openclaw不好用，因为他太“原生”。但很多极客已经玩出了花。
未来可能在此基础上迭代出类似小米miu，易用性更好的系统，这时候市场传播度才会更广。
claude code像ios，openclaw像安卓。
现在你觉得openclaw不好用，因为他太“原生”。但很多极客已经玩出了花。
未来可能在此基础上迭代出类似小米miu，易用性更好的系统，这时候市场传播度才会更广。
3 00
最近用claude code总结了两个对我个人很有效的小技巧，特别是遇到难解决的bug的时候。
1.让cc联网搜索找类似案例的解决办法。之前分享过web-scout的mcp，免费好用。
2.针对难题，调用3-5个subagent独立思考和解决，然后再综合出最佳解决方案。
这样的好处是，不占用上下文窗口，而且效果比深度思考模式要好。
1.让cc联网搜索找类似案例的解决办法。之前分享过web-scout的mcp，免费好用。
2.针对难题，调用3-5个subagent独立思考和解决，然后再综合出最佳解决方案。
这样的好处是，不占用上下文窗口，而且效果比深度思考模式要好。
6 00
最适合非编程人士的Openclaw部署方式。
今天装上了Openclaw，云服务器和docker两种配置方式我都试了一遍。
先上结论，仅代表个人的观点。
1.不懂编程的朋友（比如我），其实非常不建议用云服务器部署。
现在各个云厂商都在推一键式部署openclaw，看起来是挺方便的。
但部署后，你尝试去改后端模型或者其他参数，很容易出现报错。
这时候复制代码、截图再去问chatbot，给的信息过于片面，也很容易被错误方案绕来绕去，形成死结。图2
我早上用了阿里云的服务器去接GLM，弄了大半天，默认模型死活改不过来，于是我退订了。
另外我们AGI交流群里有朋友尝试用火山云部署，也遇到类似问题。
毕竟厂商还是希望用户用自家模型，可以理解。
所以，如果你不懂编程，买的服务器和打算用的模型不是同一家的，不建议部署到云服务器。
不是云服务器不好，是对非编程人士来说，障碍太多了。
留下了不懂技术的泪水。
2.如果你本身装了Claude Code，放心地交给他部署吧，他是专业的。
推荐的部署方式：闲置电脑 > 主力电脑虚拟机 > Docker
如果搞不懂上面几种部署方式的优劣势，直接让Claude Code给建议，你做决策就可以。
我最后选择用Docker，是Claude Code自己闭环工作了18分钟完成的，实在太方便了..... 图3
吃个饭回来，我打开网址就能用了，还没花一分钱。
顺带提醒：如果你跟我一样用的是GLM的Coding Plan套餐，设置的端点地址应该是：open.bigmodel.cn
否则默认的通用端点，会被提示API余额不足。
3.最后，如果你还没接过Claude Code，赶紧去整一个吧。
最简单的路径是，下载trae/cursor/codebuddy/Qoder任意一个编程工具，在对话框发：我要安装Claude Code。
或者参考这篇文章：waytoagi.feishu.cn
祝大家玩AI开心！
今天装上了Openclaw，云服务器和docker两种配置方式我都试了一遍。
先上结论，仅代表个人的观点。
1.不懂编程的朋友（比如我），其实非常不建议用云服务器部署。
现在各个云厂商都在推一键式部署openclaw，看起来是挺方便的。
但部署后，你尝试去改后端模型或者其他参数，很容易出现报错。
这时候复制代码、截图再去问chatbot，给的信息过于片面，也很容易被错误方案绕来绕去，形成死结。图2
我早上用了阿里云的服务器去接GLM，弄了大半天，默认模型死活改不过来，于是我退订了。
另外我们AGI交流群里有朋友尝试用火山云部署，也遇到类似问题。
毕竟厂商还是希望用户用自家模型，可以理解。
所以，如果你不懂编程，买的服务器和打算用的模型不是同一家的，不建议部署到云服务器。
不是云服务器不好，是对非编程人士来说，障碍太多了。
留下了不懂技术的泪水。
2.如果你本身装了Claude Code，放心地交给他部署吧，他是专业的。
推荐的部署方式：闲置电脑 > 主力电脑虚拟机 > Docker
如果搞不懂上面几种部署方式的优劣势，直接让Claude Code给建议，你做决策就可以。
我最后选择用Docker，是Claude Code自己闭环工作了18分钟完成的，实在太方便了..... 图3
吃个饭回来，我打开网址就能用了，还没花一分钱。
顺带提醒：如果你跟我一样用的是GLM的Coding Plan套餐，设置的端点地址应该是：open.bigmodel.cn
否则默认的通用端点，会被提示API余额不足。
3.最后，如果你还没接过Claude Code，赶紧去整一个吧。
最简单的路径是，下载trae/cursor/codebuddy/Qoder任意一个编程工具，在对话框发：我要安装Claude Code。
或者参考这篇文章：waytoagi.feishu.cn
祝大家玩AI开心！
4 02
继续分享如何用AI高效完成电商竞品分析。
前两天提到用Chatbot分析的方式，只适合竞品数量不多、需要快速获取基础信息的场景。
一旦分析的竞品数量增加，重复对话很浪费时间，且容易丢失上下文。
于是，我开始琢磨用n8n来实现竞品分析的批量化和自动化。
n8n是开源的可视化工作流工具，特别适合用来执行那些标准化、重复性的任务。
这次我设计了一个亚马逊竞品分析的工作流，你只需要在表格里填写一个ASIN，就能自动爬取到商品页面内容，并生成几千字的深度竞品分析报告。
这个分析报告包含了以下内容：基础信息：商品标题、价格、评分情况等。
内容分析：listing文案的方法论总结，高频卖点和内容亮点，TOP10高频关键词分析。
视觉分析：主图和A+的设计方法论总结，视觉动线拆解。
评论分析：统计评论数量和星级分布，并详细分析最新的100条评论内容，分别总结3条产品优势和缺陷，输出改进建议。
其他分析：包括asin排名和市场动态，Q&A中的高频问题分析，以及整体的分析总结。
即使要一次性分析100个ASIN，也只需要几分钟内就能完成。
我简单讲讲这个自动化流程的核心思路。
Step 1: 竞品ASIN输入。
工作流会从 Google Sheets 读取待分析的 ASIN 列表（支持分行批量输入）。这里也可以换成飞书文档，或是做一个前端页面，手动输入。
Step 2: 商品页面信息爬取。
爬取信息这一步，我一开始想着通过网页截图的方式来做，但这样识别准确度太低，抓不到商品缩略图，而且没办法覆盖到我们最关注的评论内容。
最后我选择了用Olostep API（网页抓取服务商，每月有1000次免费额度）抓取产品页面数据，并转化成Markdown内容。
抓取的主要内容包括：页面全量文案，商品图片的链接，以及最新的100条评论内容。
这些是我们接下来要喂给AI分析的重要信源，特别是评论中的1~3星的差评，这是最有含金量的信息，会直接反映用户的真实感受，帮助我们找竞品的问题和弯道超车的机会。
有一说一，大部分老外会真的很用心，客观地对产品进行评价。
Step 3: AI深度分析，产出报告。
这一步我还是喜欢用Gemini来干，提示词还是上面chatbot那一段。大家也可以选择其他自己喜欢的AI模型，比如ChatGPT或者Claude。
Step 4: 分析内容写回表格。
在数据回写这一步前，我还加了一个结构化内容提取的节点，将分析内容中的标题、价格这些信息，提取后放在单独的列中，更加一目了然。你也可以自定义提取其他信息，比如把差评总结，高频关键词都单独整一列。
最后你就可以在Google Sheets里看到所有的ASIN的分析内容了。
有了这个东西，能干的事情可就多了。
你可以直接使用Gemini in Google Sheets，对所有分析结果再进行一次批量处理。比如总结100个ASIN的产品缺陷，生成一个1000字的竞品分析报告。
大浪淘沙，沙里淘金，这基本就可以看出整个类目当前最最最痛的问题和缺陷了。
再或者可以把这个表当成轻量级的RAG，丢进Gemini APP或者NotebookLM，用于后面自己新品上架时写标题、定价、做图方案、写文案的辅助参考资料。
有了这套工作流，我相信在分析效率上已经领先行业中大部分卖家了。
我已经将这个工作流开源，感兴趣的朋友可以在我的【公众号：新西楼】后台回复关键词【竞品分析】，免费获取完整的JSON代码。
前两天提到用Chatbot分析的方式，只适合竞品数量不多、需要快速获取基础信息的场景。
一旦分析的竞品数量增加，重复对话很浪费时间，且容易丢失上下文。
于是，我开始琢磨用n8n来实现竞品分析的批量化和自动化。
n8n是开源的可视化工作流工具，特别适合用来执行那些标准化、重复性的任务。
这次我设计了一个亚马逊竞品分析的工作流，你只需要在表格里填写一个ASIN，就能自动爬取到商品页面内容，并生成几千字的深度竞品分析报告。
这个分析报告包含了以下内容：基础信息：商品标题、价格、评分情况等。
内容分析：listing文案的方法论总结，高频卖点和内容亮点，TOP10高频关键词分析。
视觉分析：主图和A+的设计方法论总结，视觉动线拆解。
评论分析：统计评论数量和星级分布，并详细分析最新的100条评论内容，分别总结3条产品优势和缺陷，输出改进建议。
其他分析：包括asin排名和市场动态，Q&A中的高频问题分析，以及整体的分析总结。
即使要一次性分析100个ASIN，也只需要几分钟内就能完成。
我简单讲讲这个自动化流程的核心思路。
Step 1: 竞品ASIN输入。
工作流会从 Google Sheets 读取待分析的 ASIN 列表（支持分行批量输入）。这里也可以换成飞书文档，或是做一个前端页面，手动输入。
Step 2: 商品页面信息爬取。
爬取信息这一步，我一开始想着通过网页截图的方式来做，但这样识别准确度太低，抓不到商品缩略图，而且没办法覆盖到我们最关注的评论内容。
最后我选择了用Olostep API（网页抓取服务商，每月有1000次免费额度）抓取产品页面数据，并转化成Markdown内容。
抓取的主要内容包括：页面全量文案，商品图片的链接，以及最新的100条评论内容。
这些是我们接下来要喂给AI分析的重要信源，特别是评论中的1~3星的差评，这是最有含金量的信息，会直接反映用户的真实感受，帮助我们找竞品的问题和弯道超车的机会。
有一说一，大部分老外会真的很用心，客观地对产品进行评价。
Step 3: AI深度分析，产出报告。
这一步我还是喜欢用Gemini来干，提示词还是上面chatbot那一段。大家也可以选择其他自己喜欢的AI模型，比如ChatGPT或者Claude。
Step 4: 分析内容写回表格。
在数据回写这一步前，我还加了一个结构化内容提取的节点，将分析内容中的标题、价格这些信息，提取后放在单独的列中，更加一目了然。你也可以自定义提取其他信息，比如把差评总结，高频关键词都单独整一列。
最后你就可以在Google Sheets里看到所有的ASIN的分析内容了。
有了这个东西，能干的事情可就多了。
你可以直接使用Gemini in Google Sheets，对所有分析结果再进行一次批量处理。比如总结100个ASIN的产品缺陷，生成一个1000字的竞品分析报告。
大浪淘沙，沙里淘金，这基本就可以看出整个类目当前最最最痛的问题和缺陷了。
再或者可以把这个表当成轻量级的RAG，丢进Gemini APP或者NotebookLM，用于后面自己新品上架时写标题、定价、做图方案、写文案的辅助参考资料。
有了这套工作流，我相信在分析效率上已经领先行业中大部分卖家了。
我已经将这个工作流开源，感兴趣的朋友可以在我的【公众号：新西楼】后台回复关键词【竞品分析】，免费获取完整的JSON代码。
3 00