AI自适应学习 (AI Adaptive Learning) Master OS — automated mastery of AI Adaptive Learning: top builders' mental models, tool stack, current workflows, jargon, and where to keep up. Trigger this skill when the user works on AI Adaptive Learning problems and wants industry-grade thinking, tool selection, or workflow guidance. 触发词：「自适应学习」「智能诊断」「自适应题库」「学习路径规划」「知识追踪」
インストールする前に、エージェントに与えられる指示の中身を確認できます。
This skill makes the agent operate as a senior AI Adaptive Learning practitioner — applying the field's mental models, picking the right tools, knowing the current workflows, speaking the jargon.
收到与 AI Adaptive Learning 相关的问题时（关键词：自适应学习, 智能诊断, 自适应题库, 学习路径规划, 知识追踪, 个性化学习, 智能教育, AI教育, adaptive learning, knowledge tracing, intelligent tutoring, personalized learning, learning path, mastery-based learning, ITS, EdTech AI），先按下方 Agentic Protocol 做功课，再用本 skill 的心智模型 + playbook 给出答复。
如果问题完全跟 AI Adaptive Learning 无关 — 不激活，正常应答。
核心原则：AI Adaptive Learning 不靠训练语料硬答。遇到需要事实支撑的问题，先按本节列出的研究维度做功课。
| 类型 | 特征 | 行动 |
|---|---|---|
| 需要事实 | 涉及具体工具 / 公司 / 版本 / 现状 / 数字 | → Step 2 研究 |
| 纯框架 | 抽象决策 / 概念辨析 / 入门讲解 | → 直接 Step 3 用心智模型回答 |
| 混合 | 用具体案例讨论抽象问题 | → 先取事实，再用框架分析 |
判断原则：如果回答质量会因为缺少最新信息显著下降，必须先研究。
⚠️ 必须使用工具（WebSearch / WebFetch / agent-reach 等）获取真实信息。
研究完成后，把事实摘要内部整理（不直接展示给用户），进入 Step 3。用户应该看到的是经过框架处理的判断，不是 raw research dump。
基于 Step 2 的事实 + 本 skill 的 心智模型 / playbook / 表达-dna 输出回答。
如果要判断一个「自适应学习」产品是否名副其实, 则追问三个问题: (a) 是否维护逐学生概率知识状态? (b) 内容选择是否基于该状态的实时估计? (c) 是否有学习效果的独立 RCT 证据? 三项都否 = 只是分支逻辑的「伪自适应」. 案例: Knewton 声称 "adaptive" 但 Ferreira 离职后曝光核心只是 A/B 内容选择, 非真正的 knowledge tracing (T01-S054, T01-S055)
如果需要选择知识追踪算法, 则按数据量分层: <1万交互 → BKT (参数少, 小样本稳定); 1-100万 → PFA/LFA (线性回归, 可解释); >100万 → DKT/AKT (深度学习, 但需 GPU 训练 + 可解释性补丁). 案例: ASSISTments 平台从 BKT 起步, 数据量增长后引入 DKT, 但始终保留 BKT 作为可解释基线 (T02-S006, T03-S006)
如果在设计题库且目标是自适应测试 (CAT), 则题目必须经过 IRT 校准 (至少 2PL 模型, 每题约 200-500 人, 业内估 Wainer CAT Primer) 才能入库 — LLM 自动生成的题目在未校准前不能用于高利害评估. 案例: ETS 的 GRE/GMAT 每道题经多轮 pilot + 校准, 成本约数千美元/题 (业内估), 但测量精度远超非校准题库 (T04-S006, T06-S005)
如果学习内容需要长期记忆保持 (语言词汇/医学术语/法律条文/认证知识点), 则必须嵌入间隔重复, 且优先选 FSRS v5+ 而非 SM-2 — open-spaced-repetition 在约 500M+ 条复习记录 (业内估) 的 benchmark 上已证明 FSRS 在所有主要指标上优于 SM-2. 案例: Duolingo 从 SM-2 迁移到 HLR, 约 12% 相对改善 (业内估, Settles 2016 ACL) (T02-S007, T03-S013, T04-S009)
如果面向美国 K-12 市场销售自适应学习产品, 则必须满足 FERPA + COPPA (若 <13 岁) + 州级学生数据隐私法 (各州不同, 约 40 州有专门立法, 业内估 SDPC 2024) + ESSA 证据分级 (Tier I-IV, 学区采购越来越要求 Tier II 以上 RCT 证据). 案例: 2025 年 3 月 DOE 发布新 FERPA 指导 (T06-S017, T03-S026, T06-S019)
如果在中国市场运营 AI 教育产品, 则必须先确认双减政策边界 (2021 年 7 月): K-9 学科类校外培训严格限制 (非营利注册/假期禁令/费用政府指导定价); K-9 以外 (高中/成人/素质类) 限制较轻; 所有面向未成年人的 AI 产品受个保法第28条敏感个人信息规定 + 未成年人网络保护条例年度合规审计约束. 案例: 好未来 (TAL) 2021 年后转型 AI 学习机硬件 + 海外业务 (T06-S020, T06-S021)
如果要评估自适应学习产品的效果, 则唯一可信的证据是独立第三方 RCT (随机对照实验) + 报告效果量 (Cohen's d) + 控制 Hawthorne 效应. 厂商自测数据应默认不信. 案例: ASSISTments 是极少数经历多次独立 RCT 验证的平台, Heffernan 团队公开所有数据和代码 (T01-S016, T03-S018, T03-S019)
如果用 LLM (GPT-4/Claude) 构建 AI 辅导系统, 则必须: (a) 用 RAG 锚定到课程知识库 (防幻觉); (b) 设安全护栏 (禁止回答课程范围外问题/禁止直接给答案); (c) 嵌入人类审核回路; (d) 不能替代 IRT 校准的评估功能. 案例: Khan Academy Khanmigo 发布「负责任 AI 框架」(T03-S027, T03-S028, T02-S018)
如果要集成自适应模块到机构 LMS, 则走 LTI 1.3 Advantage (LTI 1.1 约于 2025 年 6 月终止支持, 业内估 1EdTech 公告) + xAPI 事件追踪 → LRS → 分析看板. 不要用 SCORM (遗留标准, 无实时行为追踪能力). 案例: Canvas/Brightspace/Moodle 均已支持 LTI 1.3 + xAPI (T03-S021, T03-S022, T06-S015)
如果知识组件 (KC) 分解不确定该多细, 则遵循 Koedinger 的 KLI 框架: 先用专家判断做初始分解 → 在 DataShop 等平台上用学习曲线分析验证 → 如果学习曲线不下降说明 KC 粒度不对 → 迭代. 案例: CMU 认知导师 (Cognitive Tutor) 经过约 20+ 年的 KC 迭代 (业内估, Koedinger 2012) (T03-S001, T03-S002, T04-S005)
入门 SOP: 1. 收集课程标准和学习目标. 2. 将目标分解为细粒度 KC. 3. 定义 KC 间前置关系. 4. 用学习曲线分析验证. 5. 创建 KC-内容映射表. 6. 领域专家审核迭代.
入门 SOP: 1. 定义题目规格 (KC 覆盖/难度目标/题型). 2. 编写题目 + 评分标准. 3. 内部质量审核. 4. Pilot 测试 (约 200-500 人/题, 业内估). 5. IRT 校准 (mirt/TAM). 6. 入库并标记参数. 7. 监控题目曝光率和参数漂移.
入门 SOP: 1. 采集交互数据 (学生ID/KC/正误/时间戳). 2. 数据清洗和预处理. 3. 特征工程 (如需要). 4. 训练 KT 模型 (BKT/DKT/AKT). 5. 评估 (AUC/RMSE, train-test split). 6. 部署到生产环境. 7. 持续监控模型漂移.
入门 SOP: 1. 查询学生知识状态. 2. 检索候选内容 (匹配未掌握 KC). 3. 排序 (ZPD + 认知负荷). 4. 呈现内容. 5. 收集学生反馈/表现. 6. 更新学生模型.
入门 SOP: 1. 选择算法 (FSRS/SM-2/HLR). 2. 初始化参数 (群体默认值). 3. 部署到学习平台. 4. A/B 测试保持率. 5. 基于数据迭代参数.
入门 SOP: 1. 定义 xAPI 事件词表. 2. 配置 LRS (Learning Locker/Watershed). 3. ETL 数据清洗和聚合. 4. 可视化看板设计. 5. 设置预警规则 (at-risk 学生). 6. 教师培训和反馈收集.
入门 SOP: 1. 形成可测量假设. 2. 样本量估算 (power analysis). 3. 随机化分组 (控制混淆). 4. 实施干预 (注意伦理: 对照组不能被剥夺有效教学). 5. 数据分析 (效果量 + CI + p 值). 6. 撰写报告. 7. 迭代.
入门 SOP: 1. 确认标准 (LTI 1.3 Advantage). 2. 开发 LTI 集成. 3. 1EdTech 认证 (TrustEd Apps). 4. 数据映射 (xAPI 事件 → LRS). 5. 部署和测试. 6. 监控和维护.
入门 SOP: 1. 梳理适用法规 (FERPA/COPPA/GDPR/个保法/双减). 2. 数据映射 (哪些数据被采集/存储/处理). 3. 隐私影响评估 (PIA). 4. 技术实现 (加密/匿名化/同意管理). 5. 文档化 (隐私政策/数据处理协议). 6. 定期审计. 7. 法规变化追踪和更新.
入门 SOP: 1. 构建课程知识库 (RAG 语料). 2. Prompt 工程 (Socratic method + 不直接给答案). 3. RAG 集成 (向量检索 + reranking). 4. 安全护栏 (topic filter + toxicity + hallucination 检测). 5. 内部测试 (教师审核). 6. 灰度发布. 7. 持续监控 (对话质量 + 学习效果).
voice_confidence: medium
| 学派 | 奠基 | 当前代表 | 核心主张 |
|---|---|---|---|
| BKT 知识追踪 | Corbett & Anderson 1995 | Pardos, Yudelson | 隐马尔可夫 4 参数可解释追踪 |
| DKT 深度学习 | Piech et al. 2015 | Ghosh (AKT), Lan (SPARFA) | 端到端学习, 捕捉 BKT 假设外的模式 |
| 心理测量 IRT/CAT | Lord & Novick 1968 → Rasch | Wainer, ETS | 不变性原理, 高利害评估基石 |
| 知识空间理论 KST | Falmagne & Doignon 1985 | ALEKS 团队 | 组合结构决定学习路径, 数学严格 |
| 学习科学/认知 | Vygotsky/Bloom/Sweller | Koedinger (KLI), VanLehn | 锚定学习科学理论, 非纯数据驱动 |
| 间隔重复/记忆科学 | Ebbinghaus 1885 → SM-2 | Settles (HLR), Ye (FSRS) | 记忆衰减可精确建模 |
| EdTech 产品/商业化 | Knewton, Khan Academy | Khan (Khanmigo), von Ahn | 大规模消费产品中验证 |
| 中国智能教育 | 余胜泉, 黄荣怀 (北师大) | 栗浩洋 (松鼠AI), 好未来 | 本土化路径 (应试/大规模/双减) |
This skill's modules decay at different speeds. Re-run update 大师 {slug}
when the dates below cross the recommended cadence (see references/extraction-framework.md § 八).
| Module | last_updated | decay_risk | Recommended refresh cadence |
|---|---|---|---|
| Mental models | last_updated: 2026-05-25 | decay_risk: low | 1-2 years |
| Standard playbook | last_updated: 2026-05-25 | decay_risk: low | 6-12 months |
| Tool stack | last_updated: 2026-05-25 | decay_risk: high | 3-6 months |
| Workflows / pipeline | last_updated: 2026-05-25 | decay_risk: high | 3-6 months |
| Expression DNA | last_updated: 2026-05-25 | decay_risk: low | 6-12 months |
| Sources (Track 5) | last_updated: 2026-05-25 | decay_risk: medium | 6 months |
| Glossary / standards / regulations | last_updated: 2026-05-25 | decay_risk: medium | 6 months (regulations may force sooner) |
| Intellectual genealogy | last_updated: 2026-05-25 | decay_risk: low | 1-2 years |
| Honest boundaries | last_updated: 2026-05-25 | decay_risk: low | re-assess each refresh |
last_updated values reflect the synthesis date. Individual research notes in
references/research/ may have more granular last_checked dates per item.
まだレビューはありません。使ってみた感想をお寄せください。
概要と使いどころ
科研方法与论文发表 (Academic Research and Publishing) Master OS — automated mastery of Academic Research and Publishing: top builders' mental models, tool stack, current workflows, jargon, and where to keep up. Trigger this skill when the user works on Academic Research and Publishing problems and wants industry-grade thinking, tool selection, or workflow guidance. 触发词：「科研方法」「论文发表」「学术写作」「论文写作」「科研写作」
日本語の概要は準備中です。原文の説明を表示しています。
广告外包公司绩效管理 (广告外包公司绩效管理 (Ad Agency / Marketing-Outsourcing Firm Performance Management) — 广告/营销外包公司(乙方 agency:创意热店/4A/本土广告公司/传媒公司/数字营销代理/MCN/设计工作室/内容外包)的『怎么做绩效管理』职业认知操作系统,面向老板/合伙人、运营总监(COO)、HR/HRBP、项目总监、team lead、以及想搭绩效体系的从业者。覆盖: (a) 第一性张力 — 绩效管理的核心世界观分歧: **创意/知识工作『不可量化』 vs 『必须可考核』(创意难归因、难标准化,硬套 KPI 杀创意;但不考核养懒人——这是本行绩效的元矛盾) ⇄ 结果导向(KPI/业绩/回款) vs 过程导向(OKR/能力/成长) ⇄ 个人绩效 vs 团队协作(广告是集体产物,创意-AE-媒介-设计协作,难拆到个人) ⇄ 强激励(提成制:多劳多得但抢单/短视/不协作/吃老客户) vs 稳定(固定+奖金:公平但大锅饭) ⇄ 规模/流水 vs 利润/人效(低价接单冲规模 vs 保毛利)**; (b) 绩效体系设计 — KPI(关键指标法)/OKR(目标与关键成果)/BSC(平衡计分卡)/360 环评/MBO(目标管理)/KSF(关键成功因子)/积分制/计件提成;考核周期(月/季/年+项目制);绩效面谈、绩效改进 PIP、强制分布(271/活力曲线)争议、绩效结果应用(调薪/晋升/淘汰/奖金); (c) 分岗位绩效(本行难点,各岗量化差异极大) — 创意(文案/美术/创意总监:作品质量、获奖、比稿命中率——最难量化)、AE/客户执行(客户满意度、续约、回款、增购、客诉)、媒介/投放(可量化:ROI/ROAS/CPM/转化——最易量化)、策略/策划(方案通过率、洞察)、设计(产能/返稿率/品质)、项目管理(交付准时率、利润率)、销售/BD(新签、回款、毛利); (d) 项目与客户维度绩效(agency 特有,专业服务公司逻辑) — 项目利润率(收入-人力成本-外部成本)、工时制与人效(billability 可计费工时率/utilization 利用率/realization 实现率,借鉴咨询律所)、人均产值/人均毛利、客户续约率与 LTV、客户集中度风险、比稿投入产出、改稿次数失控; (e) 激励与分配机制 — 提成制(按签单/毛利/回款抽成)、项目奖金分成(如何在创意-AE-媒介间分)、年终奖包、合伙人制/事业合伙人/工作室 studio 制/阿米巴、股权期权、创意人才的非物质激励(署名/获奖/成长); (f) 人效、成本与文化 — 人效比(人力成本占收入比,业内估计通常 40-55%,非普适)、毛利率、加班/血汗工厂文化批判(乙方 996/改稿到凌晨)、人才流失率与保留、招聘与培养、组织架构(客户组 vs 职能组 vs 项目制矩阵); (g) 外包/乙方特有张力对绩效的侵蚀 — 甲乙方权力不对等(甲方压价、无限改稿、比稿白嫖创意、账期长垫款重回款难)、低价内卷与红海、项目制不确定性(旺淡季、大客户依赖)、创意工时不可控如何计入绩效、外包 vs 自建团队的成本对比; (h) 争议/批判 — KPI 量化派 vs 创意不可考核派、提成制养蛊 vs 团队协作、强制分布/末位淘汰是否适合小 agency、工时制(billable hours)被咨询律所验证但绑架员工健康、『向甲方看齐做 OKR』水土不服、绩效主义扼杀创意(索尼绩效主义之殇式批判)、乙方绩效本质是『用考核对冲甲方不确定性』的转嫁; (i) 流派/思想谱系 — 专业服务公司管理派(David Maister《Managing the Professional Service Firm》PSF 圣经:leverage 杠杆/utilization 利用率/billing;借鉴咨询律所会计所) vs agency 专家经营派(David C. Baker《The Business of Expertise》+2Bobs podcast、Blair Enns《Win Without Pitching》《Pricing Creativity》定位与定价) vs OKR/目标管理派(John Doerr《Measure What Matters》、Google/Intel OKR、字节/飞书 OKR 本土化) vs 中式绩效工具派(KSF 薪酬全绩效/积分制/阿米巴/华为绩效体系被广告公司借用) vs 本土 4A/广告公司实战派(省广/蓝色光标/华扬联众/利欧 等上市广告公司管理 + 创意热店工作室制)。不含: 广告投放/信息流/SEM 的技术操作本身、甲方市场部/品牌方内部绩效、通用 HR 招聘薪酬全流程(仅取与绩效相关部分)、纯财务会计做账、MCN 达人孵化运营细节。) Master OS — automated mastery of 广告外包公司绩效管理 (Ad Agency / Marketing-Outsourcing Firm Performance Management) — 广告/营销外包公司(乙方 agency:创意热店/4A/本土广告公司/传媒公司/数字营销代理/MCN/设计工作室/内容外包)的『怎么做绩效管理』职业认知操作系统,面向老板/合伙人、运营总监(COO)、HR/HRBP、项目总监、team lead、以及想搭绩效体系的从业者。覆盖: (a) 第一性张力 — 绩效管理的核心世界观分歧: **创意/知识工作『不可量化』 vs 『必须可考核』(创意难归因、难标准化,硬套 KPI 杀创意;但不考核养懒人——这是本行绩效的元矛盾) ⇄ 结果导向(KPI/业绩/回款) vs 过程导向(OKR/能力/成长) ⇄ 个人绩效 vs 团队协作(广告是集体产物,创意-AE-媒介-设计协作,难拆到个人) ⇄ 强激励(提成制:多劳多得但抢单/短视/不协作/吃老客户) vs 稳定(固定+奖金:公平但大锅饭) ⇄ 规模/流水 vs 利润/人效(低价接单冲规模 vs 保毛利)**; (b) 绩效体系设计 — KPI(关键指标法)/OKR(目标与关键成果)/BSC(平衡计分卡)/360 环评/MBO(目标管理)/KSF(关键成功因子)/积分制/计件提成;考核周期(月/季/年+项目制);绩效面谈、绩效改进 PIP、强制分布(271/活力曲线)争议、绩效结果应用(调薪/晋升/淘汰/奖金); (c) 分岗位绩效(本行难点,各岗量化差异极大) — 创意(文案/美术/创意总监:作品质量、获奖、比稿命中率——最难量化)、AE/客户执行(客户满意度、续约、回款、增购、客诉)、媒介/投放(可量化:ROI/ROAS/CPM/转化——最易量化)、策略/策划(方案通过率、洞察)、设计(产能/返稿率/品质)、项目管理(交付准时率、利润率)、销售/BD(新签、回款、毛利); (d) 项目与客户维度绩效(agency 特有,专业服务公司逻辑) — 项目利润率(收入-人力成本-外部成本)、工时制与人效(billability 可计费工时率/utilization 利用率/realization 实现率,借鉴咨询律所)、人均产值/人均毛利、客户续约率与 LTV、客户集中度风险、比稿投入产出、改稿次数失控; (e) 激励与分配机制 — 提成制(按签单/毛利/回款抽成)、项目奖金分成(如何在创意-AE-媒介间分)、年终奖包、合伙人制/事业合伙人/工作室 studio 制/阿米巴、股权期权、创意人才的非物质激励(署名/获奖/成长); (f) 人效、成本与文化 — 人效比(人力成本占收入比,业内估计通常 40-55%,非普适)、毛利率、加班/血汗工厂文化批判(乙方 996/改稿到凌晨)、人才流失率与保留、招聘与培养、组织架构(客户组 vs 职能组 vs 项目制矩阵); (g) 外包/乙方特有张力对绩效的侵蚀 — 甲乙方权力不对等(甲方压价、无限改稿、比稿白嫖创意、账期长垫款重回款难)、低价内卷与红海、项目制不确定性(旺淡季、大客户依赖)、创意工时不可控如何计入绩效、外包 vs 自建团队的成本对比; (h) 争议/批判 — KPI 量化派 vs 创意不可考核派、提成制养蛊 vs 团队协作、强制分布/末位淘汰是否适合小 agency、工时制(billable hours)被咨询律所验证但绑架员工健康、『向甲方看齐做 OKR』水土不服、绩效主义扼杀创意(索尼绩效主义之殇式批判)、乙方绩效本质是『用考核对冲甲方不确定性』的转嫁; (i) 流派/思想谱系 — 专业服务公司管理派(David Maister《Managing the Professional Service Firm》PSF 圣经:leverage 杠杆/utilization 利用率/billing;借鉴咨询律所会计所) vs agency 专家经营派(David C. Baker《The Business of Expertise》+2Bobs podcast、Blair Enns《Win Without Pitching》《Pricing Creativity》定位与定价) vs OKR/目标管理派(John Doerr《Measure What Matters》、Google/Intel OKR、字节/飞书 OKR 本土化) vs 中式绩效工具派(KSF 薪酬全绩效/积分制/阿米巴/华为绩效体系被广告公司借用) vs 本土 4A/广告公司实战派(省广/蓝色光标/华扬联众/利欧 等上市广告公司管理 +
日本語の概要は準備中です。原文の説明を表示しています。
AI 产品经理 (LLM 应用 / 生成式 AI / Agent 产品 / Copilot 嵌入 — 跨模型评估 / 工作流设计 / 产品-工程协同) (AI Product Manager — LLM application / generative AI / agent product 的产品经理实战) Master OS — automated mastery of AI Product Manager — LLM application / generative AI / agent product 的产品经理实战: top builders' mental models, tool stack, current workflows, jargon, and where to keep up. Trigger this skill when the user works on AI Product Manager — LLM application / generative AI / agent product 的产品经理实战 problems and wants industry-grade thinking, tool selection, or workflow guidance. 触发词：「AI 产品经理」「AI PM」「LLM 产品」「Generative AI product」「RAG 产品」
日本語の概要は準備中です。原文の説明を表示しています。
AI 短剧 (AI 微短剧) (AI 短剧 (AI 微短剧) (从业者视角) — 用 AIGC 工具（AI 视频生成 / AI 脚本 / AI 生图 / AI 配音 / 对口型 / 角色一致性）制作竖屏微短剧并变现的新兴行业。覆盖: (a) 创作工作流 — 选题→剧本/分镜→AI 生图→图生视频(首尾帧/运镜/参考)→配音/对口型→剪辑/调色→成片，其中角色/场景一致性是第一性难题; (b) 工具栈 — 视频生成(可灵 Kling / 即梦 Seedance / 海螺 Hailuo / Vidu / Runway Gen / OpenAI Sora / Pika / Luma / Pixverse)、脚本(LLM)、生图(Midjourney/SD/即梦)、配音(TTS)、对口型、剪辑(剪映/CapCut); (c) 商业/变现 — 国内付费投流(IAP + ROI + 平台分账, 抖音/快手/红果/微信小程序短剧)与海外订阅(ReelShort/DramaBox/ShortMax/GoodShort)两套打法、品牌定制、成本结构; (d) 合规 — 中国《人工智能生成合成内容标识办法》(2025-09 强制 AI 标识)、广电微短剧备案与分类分层审核、版权与肖像权。主战场 = 抖音/快手/视频号/B站 + 海外短剧 App。学派分歧: 纯 AI vs AI+实拍混合、国内投流 vs 海外订阅、视频工具派之争、「AI 短剧是真需求还是伪风口」。不含: 传统实拍短剧制作、通用影视编剧(已有 scriptwriting skill)、短视频信息流投放(已有 short-video-ads skill)、纯 AI 视频底层技术研发。) Master OS — automated mastery of AI 短剧 (AI 微短剧) (从业者视角) — 用 AIGC 工具（AI 视频生成 / AI 脚本 / AI 生图 / AI 配音 / 对口型 / 角色一致性）制作竖屏微短剧并变现的新兴行业。覆盖: (a) 创作工作流 — 选题→剧本/分镜→AI 生图→图生视频(首尾帧/运镜/参考)→配音/对口型→剪辑/调色→成片，其中角色/场景一致性是第一性难题; (b) 工具栈 — 视频生成(可灵 Kling / 即梦 Seedance / 海螺 Hailuo / Vidu / Runway Gen / OpenAI Sora / Pika / Luma / Pixverse)、脚本(LLM)、生图(Midjourney/SD/即梦)、配音(TTS)、对口型、剪辑(剪映/CapCut); (c) 商业/变现 — 国内付费投流(IAP + ROI + 平台分账, 抖音/快手/红果/微信小程序短剧)与海外订阅(ReelShort/DramaBox/ShortMax/GoodShort)两套打法、品牌定制、成本结构; (d) 合规 — 中国《人工智能生成合成内容标识办法》(2025-09 强制 AI 标识)、广电微短剧备案与分类分层审核、版权与肖像权。主战场 = 抖音/快手/视频号/B站 + 海外短剧 App。学派分歧: 纯 AI vs AI+实拍混合、国内投流 vs 海外订阅、视频工具派之争、「AI 短剧是真需求还是伪风口」。不含: 传统实拍短剧制作、通用影视编剧(已有 scriptwriting skill)、短视频信息流投放(已有 short-video-ads skill)、纯 AI 视频底层技术研发。: top builders' mental models, tool stack, current workflows, jargon, and where to keep up. Trigger this skill when the user works on AI 短剧 (AI 微短剧) (从业者视角) — 用 AIGC 工具（AI 视频生成 / AI 脚本 / AI 生图 / AI 配音 / 对口型 / 角色一致性）制作竖屏微短剧并变现的新兴行业。覆盖: (a) 创作工作流 — 选题→剧本/分镜→AI 生图→图生视频(首尾帧/运镜/参考)→配音/对口型→剪辑/调色→成片，其中角色/场景一致性是第一性难题; (b) 工具栈 — 视频生成(可灵 Kling / 即梦 Seedance / 海螺 Hailuo / Vidu / Runway Gen / OpenAI Sora / Pika / Luma / Pixverse)、脚本(LLM)、生图(Midjourney/SD/即梦)、配音(TTS)、对口型、剪辑(剪映/CapCut); (c) 商业/变现 — 国内付费投流(IAP + ROI + 平台分账, 抖音/快手/红果/微信小程序短剧)与海外订阅(ReelShort/DramaBox/ShortMax/GoodShort)两套打法、品牌定制、成本结构; (d) 合规 — 中国《人工智能生成合成内容标识办法》(2025-09 强制 AI 标识)、广电微短剧备案与分类分层审核、版权与肖像权。主战场 = 抖音/快手/视频号/B站 + 海外短剧 App。学派分歧: 纯 AI vs AI+实拍混合、国内投流 vs 海外订阅、视频工具派之争、「AI 短剧是真需求还是伪风口」。不含: 传统实拍短剧制作、通用影视编剧(已有 scriptwriting skill)、短视频信息流投放(已有 short-video-ads skill)、纯 AI 视频底层技术研发。 problems and wants industry-grade thinking, tool selection, or workflow guidance. 触发词：「ai 短剧」「ai 微短剧」「ai short drama」「ai 短剧制作」「ai 短剧工作流」
日本語の概要は準備中です。原文の説明を表示しています。
AIGC 创作工作流 (AIGC 创作工作流 / AIGC Creative Workflow — 以「生成式 AI 视觉创作（图像 + 视频）的工程化创作流水线」为对象的认知操作系统：从「需求/概念（要做什么画面/镜头/风格）→ 模型与工具选型（Midjourney / Stable Diffusion·SDXL·Flux / ComfyUI / 可灵 Kling / 即梦 Jimeng / Runway / Vidu / Sora）→ Prompt 与参数设计（提示词工程、风格描述、负向、种子、CFG/步数/采样器、参考图）→ 可控生成（ControlNet / LoRA / IPAdapter / inpainting / 图生图 / 局部重绘 / 区域控制）→ 批量出图与筛选 → 精修与合成（放大/超分、修手修脸、PS/AE 后期、抠图合成）→ 图生视频/文生视频（首尾帧、运镜、时长、一致性、对口型）→ 商业交付与迭代复现（参数留存、工作流文件复用、版权与可商用判断）」的完整创作-工程-交付决策链。覆盖 (a) 第一性张力 — **可控性/工程化复现（ControlNet/LoRA/ComfyUI 节点工作流/固定种子与参数/可复现可迭代）⇄ 随机性/抽卡玄学（出图随机、prompt 玄学、抽卡刷图、靠运气）**；**审美/创意/艺术指导主导（人的审美判断、概念设计、构图、镜头语言、艺术总监能力——'模型是地板，审美是天花板'）⇄ 工具/模型/参数主导（堆模型能力、堆参数、堆 LoRA、以为换个大模型就行）**；**开源生态/本地可控（Stable Diffusion / ComfyUI / Flux / civitai / liblib 本地部署可定制可控可商用、显卡门槛）⇄ 闭源商业/易用黑盒（Midjourney / 可灵 / 即梦 / Runway 开箱即用但不可精控、按量付费、黑盒）**；**图像生成（T2I/I2I：Midjourney / SDXL / Flux）⇄ 视频生成（T2V/I2V：可灵 / Runway Gen-3 / Vidu / 即梦 / Sora，2024-2025 前沿从图迁移到视频）**；**生产力/商业量产（替代或增强传统设计/插画/电商/广告/影视分镜流程、降本提效、批量）⇄ 纯艺术创作/作者表达（个人风格、实验性、作品集）**；**效率/批量（一次出几十张筛选、商单走量、自动化 pipeline）⇄ 质量/精控（单张精修、商业可用级细节、修手修脸修穿帮）**。(b) 核心工作流 / pipeline（最标准、最易蒸高质量 + CLI 化）— 单图创作链：概念/参考收集（moodboard/风格定位/竞品）→ 模型工具选型（按可控性/风格/成本/可商用判断 MJ vs SD/Flux vs 国产）→ Prompt 与参数设计（主体/风格/光影/镜头/负向词/CFG/采样器/分辨率/种子）→ 首轮出图与方向筛选 → 可控迭代（ControlNet 控构图/姿态/线稿、LoRA 控风格/角色一致性、图生图重绘、inpainting 局部修）→ 放大超分与精修（高清放大/修手修脸/后期调色合成）→ 交付与参数留存（工作流文件/种子/参数复现）。视频创作链：分镜/脚本→首帧出图（图像链产出关键帧）→图生视频（运镜/时长/首尾帧/动态强度）→多镜头一致性（角色/场景/风格统一）→对口型/配音/配乐→剪辑合成→交付。ComfyUI 工程链：节点工作流搭建（加载器/采样/ControlNet/放大/面部修复节点）→ 参数化与复用→批量队列→工作流分享（civitai/openart workflow json）。(c) 工具栈 — 闭源图像（Midjourney v6/v7、DALL·E 3、Adobe Firefly、Ideogram、Recraft）、开源图像与底座（Stable Diffusion 1.5/SDXL/SD3、Flux.1 dev/schnell（Black Forest Labs）、ComfyUI（节点式）、Automatic1111/Forge WebUI、Fooocus）、可控生成插件（ControlNet、LoRA、IPAdapter、AnimateDiff、inpainting/outpainting、ReActor 换脸、面部修复 CodeFormer/GFPGAN、放大 ESRGAN/SUPIR/Topaz）、模型/资源社区（Hugging Face、Civitai、liblib 哩布、吐司 Tusi、openart）、视频生成（可灵 Kling、即梦 Dreamina/Jimeng、Runway Gen-3/Gen-4、Luma Dream Machine、Pika、Vidu、海螺 Hailuo、Sora、Wan 通义万相、MiniMax）、辅助（Magnific 放大、Krea、Photoshop/After Effects 后期、ChatGPT/Claude 写 prompt、reverse prompt 反推）。(d) 知识正典 — AIGC 创作 canon 横跨论文/工程/社区教程：奠基论文（DDPM、Latent Diffusion/Stable Diffusion（Rombach et al）、DiT、ControlNet（Zhang et al）、LoRA、DreamBooth、Textual Inversion、SDEdit、IP-Adapter、视频扩散 SVD/Sora 技术报告）、官方文档与模型卡（Stability AI、Black Forest Labs Flux、ComfyUI 文档、Midjourney docs、可灵/即梦官方教程、Hugging Face diffusers）、社区教程与工作流（ComfyUI 官方示例、civitai 文章、B站/YouTube 创作者长教程、openart workflow）、prompt 工程资源（Midjourney 风格库、提示词指南）。(e) figures/流派 — 模型/工具创造者（Midjourney David Holz、Stability AI Emad/Robin Rombach、Black Forest Labs（Flux，原 SD 团队）、ComfyUI comfyanonymous、ControlNet 张吕敏 Lvmin Zhang、AUTOMATIC1111、可灵/即梦/快手字节团队）、创作者 KOL 与教育者（Midjourney/SD 头部创作者、ComfyUI 工作流大神、AI 视频创作者、国内 B站/抖音 AIGC 教程作者、独立 AI 艺术家）、行业分析与评测（AI 工具评测、生成式 AI 创作生态观察者）。流派分歧：开源可控派（SD/ComfyUI/Flux 本地精控）vs 闭源易用派（MJ/可灵开箱即用）、工程化派（节点工作流/可复现/参数化）vs 玄学抽卡派（prompt 玄学/堆词/抽卡）、审美主导派（'模型是地板审美是天花板'）vs 工具主导派（堆模型堆参数）、图像派 vs 视频派、艺术创作派 vs 商业生产力派、国产工具派（可灵/即梦/liblib）vs 海外工具派（MJ/Flux/Runway）。(f) 行业话术/黑话 — 出图 / 抽卡 / 刷图 / 炼丹（训练 LoRA）/ 喂图 / 垫图（参考图/图生图）/ 控图 / 锁种子 seed / CFG / 采样器 sampler / 步数 steps / 重绘幅度 denoise / 提示词 prompt / 咒语 / 负向 negative / 权重 / tag / 大模型 checkpoint / 底模 / LoRA / ControlNet / 控线稿/openpose/depth / IPAdapter / inpainting 局部重绘 / outpainting 扩图 / 高清放大 / 超分 / 修手 / 崩手 / AI 味 / 风格 / 角色一致性 / 工作流 workflow / 节点 / 跑图 / 队列 / 文生图 T2I / 图生图 I2I / 文生视频 T2V / 图生视频 I2V / 首帧/尾帧 / 运镜 / 动态强度 / 时长 / 对口型 / 一致性 / 可商用 / 训练集 / 过拟合 / 翻车 / 穿帮。(g) 争议/批判 — 「版权与训练数据」（模型训练用未授权作品、生成图版权归属、可商用风险、洗图/伪原创）、「AI 替代创作者就业」（替代画师/插画师/设计师/摄影、行业冲击与转型）、「AI 味与审美趋同」（生成图同质化、套模板、缺乏原创审美）、「玄学 prompt 神话与割韭菜」（'咒语'神秘化、'7天 AIGC 变现/月入过万'付费课割韭菜、抽卡当能力）、「工具快速迭代与淘汰焦虑」（模型月月换、工作流频繁失效、追新疲劳）、「开源 vs 闭源之争」（可控可商用 vs 易用黑盒）、「质量天花板」（修手修脸穿帮、长视频一致性、可控性仍有限）。(h) 大量隐性创作手艺 + 审美 + 工程 + 沟通软技能（prompt 的描述功底与审美词汇、参数与采样的手感、ControlNet/LoRA 的组合控制经验、节点工作流的搭建与调试、批量筛选的审美眼力、修图合成的后期功底、镜头语言与运镜设计、角色/风格一致性的控制、商业需求的翻译与交付、版权与可商用的判断）是高 tacit、靠大量实操跑图 + 审美积累 + 工程调试经验的核心。水分极高（大量'咒语速成/一键变现/AI 绘画割韭菜'营销
日本語の概要は準備中です。原文の説明を表示しています。
Aleyda Solis (Orainti 创始人 + SEOFOMO + LearningSEO.io) 视角. Technical + 国际化 SEO 派代表. 调用此 skill 时, 用 Aleyda 框架做技术 + 跨语言 SEO 决策.
日本語の概要は準備中です。原文の説明を表示しています。