每个场景都是一条能照着跑通的路径:用哪些 skill、怎么装、怎么提示、会踩什么坑。
按场景挑一个开始
社媒内容最大的杠杆是**选题**——社区里普遍认同"选题占一条笔记成败的 60% 以上"。让 AI 先分析近 7 天爆款找方向,再走"脚本→图文/视频→多平台分发→数据复盘"的流水线,比从空白页硬写高效得多。
AI 写 SQL 最怕"跑通了但口径错"——结果看着像那么回事,其实聚合维度错了。让 AI 写查询的核心是:给它表结构和明确口径(按天/按用户、是否去重、是否排退款),让它先解释再出语句,而不是只丢一句"统计一下销量"。
看板的痛不是"画不出图",是"指标没想清就堆图表,最后没人看"。让 AI 搭看板的核心是:先定北极星指标和要回答的问题,再让它选图表类型、写取数查询,而不是一上来就塞一堆花哨图。
数据分析最常见的失败不是"算不出",是"算得快但算错"——单位没统一、空值被当成 0、口径和上次对不上。这套流程的核心是先定义口径,再让 AI 出数,最后人工抽查 3 行。
给 AI 接内部系统,最常见的错误是**把数据库/schema/API 直接暴露成一堆工具**。结果是工具几十个、模型选不对、一调用就出错。正确做法是围绕「人会让 AI 做的那几件事」设计工具,一件事一个工具。
关键不是让 AI "重写一遍"简历,而是三件事:**提取岗位的真实硬要求**、**只映射你确实有的经历**、**把缺失的量化数据留成占位符而不是让 AI 代填**。默认提示词会替你编数字——这是这套流程里唯一必须人工兜底的环节。
heygen-com/hyperframes/skills/talking-head-recut
用定时、设计好的图形叠加卡——动态标题、下三分之一、数据标注、引语、侧栏、画中画——将现有口播、访谈或播客视频打包,同步到转录文本,画布可选 16:9、9:16、4:5;原片段在下方原样播放。触发词:图形叠加、屏幕图形、打包或打扮我的视频。不是纯字幕(/embedded-captions)。不明确时转 /hyperframes。
heygen-com/hyperframes/skills/faceless-explainer
将任意文本(文章、笔记、主题、简报)转为无脸解说视频:没有可抓取的站点或素材,因此每个场景的视觉都是现编的(排版、抽象图形、图示、数据可视化)。用于主题解说、概念拆解、操作教程、清单体内容。不是由网站构建的视频(/product-launch-video——宣传或导览)。不明确时转 /hyperframes。
get-convex/agent-skills/skills/convex-authz
审计并加固 Convex 授权:参数冒充身份、缺失按文档的所有权校验、公开查询泄露 PII、写入不属于调用者的容器。确定性扫描加规范的 requireIdentity/requireOwner 修复加 tsc 验证。用于“加固我的应用”、“审计授权”、“谁能访问这些数据”,而非通用代码审查。
get-convex/agent-skills/skills/convex-verify
证明某 Convex 功能可用——播种数据,通过 convex-test 以多个模拟用户驱动,断言行为(含负面授权场景:拒绝错误用户、强制数据作用域)。
get-convex/agent-skills/skills/convex-seed
向 Convex 数据库播种或导入数据。
get-convex/agent-skills/skills/convex-migrate
使用 @convex-dev/migrations 在已部署的 Convex 应用上迁移 schema 并回填数据。
get-convex/agent-skills/skills/convex-explain-app
解读现有 Convex 应用——数据模型与关系、公开与内部函数、认证/所有权模型、组件、请求到数据流——从 schema 与函数面读取。只读。