
AI 眼里的我们长什么样:一次 GEO 采集的复盘
我想知道客户在 DeepSeek 或豆包里搜索时,AI 会怎么描述一家本地门店。为此我写了一个采集 Skill:用真实浏览器逐题提问,把回答、引用链接、截图全部存成可回溯的证据。这篇复盘设计思路、实现边界,以及为什么采集只是第一步。
关于 AI 应用、营销工作流与工具实践的记录。保留过程、判断和踩过的坑。

我想知道客户在 DeepSeek 或豆包里搜索时,AI 会怎么描述一家本地门店。为此我写了一个采集 Skill:用真实浏览器逐题提问,把回答、引用链接、截图全部存成可回溯的证据。这篇复盘设计思路、实现边界,以及为什么采集只是第一步。
我一个人要同时推进网站维护、求职、知识库、英语学习和日常事务。这一篇写我为什么把 AI 助手拆成四个专职 Bot,以及这套分工方式怎样从个人多线任务,推演到一个门店的内容生产组织。
我最近试用了 ChatGPT 网页端的 Notion 连接器:先把 YouTube 逐字稿整理成文章,再把当前对话写入 Notion。它让我重新思考,AI 的成果应该怎样离开聊天窗口,进入自己的知识系统。
记录一组韩式高精度半写实二次元人物图的风格拆解方法,并整理出统一风格母版、负面约束和宋制汉服、唐制汉服、现代旗袍 3 组可直接复用的完整提示词。
夏冰雹讲 Jeffrey Pfeffer《7 Rules of Power》的这期视频,我把它拆成四条可执行的动作:解除自我封印、不等待许可、经营第一印象、打造个人品牌。前三条我认同,第四条「敢于发火」我认为有性别与地位的前置条件,照抄会翻车。真正的收获不是技巧,是承认权力是一种中性工具。

把 Vercel Labs 这个 17k star 的项目从 0 到 1 读了一遍:它用一棵扁平元素树加 RFC 6902 流式 patch,把「AI 生成界面」这件不可控的事变成可校验、可剪枝、可导出代码的工程问题。真正的取舍不在生图不在模型,而在数据结构。

Google 的 cwebp 是个 单文件转化器:cwebp input.png -o output.webp。它没有 --glob 也没有文件夹模式 —— 这不是设计缺陷,而是 Unix 哲学:保持一个目标单一,让 find/for/xargs 去编排。本文整理 5 个真实场景下的批量写法,以及 quality/preset/lossless 怎么选。

这是我拆的第六个技能仓库,也是唯一一个「私人工作流」型——微信解密、剪映无头生成、火山 ASR、X 切片、公众号批量导出,19 个技能。但最让我意外的是它的 fork 率:41.5%,是前五个仓库的 4 到 6 倍。原因不复杂——这些技能必须被改才能用(你自己的微信、你的 Obsidian 路径、你的账号),而每个 fork 出去的人第一件事就是改路径和配置。它的许可证也因此不是开源的,是「源可用 + 商用需授权」。另外有一个细节我觉得前五个仓库都该学:它的 CI 里装着一个隐私扫描器,会拦截私人路径、私钥和六种凭据形态——把「别提交敏感信息」从 README 里的一句请求,变成了会挂红的门禁。

这是我拆的第四个 Skill 仓库,也是 star 最多的一个(95,125)。前三个都在解决「怎么让 agent 做对一件事」,它解决的是另一个问题:「当你有 25 条规则,你怎么知道它们还在生效」。答案是一套三层评测框架——其中第二层用词法近似把「路由」变成了可确定、免费、能进 CI 的检查。另外两个我觉得该抄的是:每个技能都附一张「agent 的借口 vs 现实」反合理化表,以及一句关于训练与架构腐坏的洞察——「架构腐坏要几个月才显现,永远进不了权重,棘轮就是那个缺失的惩罚项」。

这是我拆的第五个仓库,也是第一个「会动手打东西」的——AI 自主渗透测试工具,6.3 万 star。但真正让我停下来的是一个不到 300 行的技能文件:反证与结案纪律。它规定每个候选漏洞只能以三种状态之一结束,没有第四种,「我往下看了」不算其中一种。而要判一个候选「安全」,你必须能说完一句话:因为某个具体位置的某个具体控制,在攻击者可达的每一条路径上、在危险动作之前生效。说不出这句话,你就不能标 ruled_out——那是把「我没证明出来」伪装成「我证明了没有」,而真实漏洞就是这样被漏掉的。