首页 文章 精选 留言 我的

精选列表

搜索[WorkBuddy],共4446篇文章
优秀的个人博客,低调大师

WorkBuddy 进阶教程:给网页课件加课堂交互(空表、按键揭示、复位)

上一篇写了怎么把 PPTX 转成网页课件,这篇讲进阶:**课堂上真正好用的交互**。老师要的不是炫酷动画,是"讲到这里能让答案藏起来、让全班先想、再统一揭示"。这种交互 PPT 做起来很别扭,网页课件里却是一句话的事。 **一、我们要的三种交互** 1. **空表**:表格先只留表头,内容空白,学生先自己填; 2. **按键揭示**:教师按一下键,空表填上答案; 3. **一键复位**:这个班讲完,按一下清空,下个班重来。 外加一条硬约束:**投屏可用**——字号大、对比度高、键盘操作,不需要鼠标点小按钮。 **二、怎么提需求(关键在这段)** 模型不会读心,需求必须写得像验收标准。我用的原话: 三个要点: - **状态要写清**:初始态(空)、揭示态(填答案)、复位态(清空); - **动效给参数**:0.3 秒淡入,比"加个动画"有效一百倍; - **给出物理约束**:字号、行高、提示位置——这些决定了能不能投屏用。 **三、实现后的实际体验** 第一次试用是在文言实词复习课上。流程变成: 1. 出空表,学生自己默写词义; 2. 全班安静想 30 秒; 3. 我按 A,答案逐行浮现,边浮现边讲; 4. 下一个班上课前按 R,表清空。 对比原来的 PPT:不用切页、不用遮罩、不会因为动画顺序点错。**课堂上少一个动作,就多一分注意力**。 **四、踩过的三个坑** **坑 1:按键冲突** 早期版本用了空格键,结果和浏览器滚动打架。改成 A / R 这种不常用的字母键之后稳定了。教训:**交互键要避开系统默认行为**。 **坑 2:揭示动画太长** 一开始设了 1 秒,课上显得拖沓。0.2~0.3 秒刚好——足够被看见,又不打断节奏。 **坑 3:复位不彻底** 只清了文字没清样式,第二遍揭示时出现重影。修改时明确要求"复位时同时重置文字内容与透明度",才干净。 **五、还能加什么(按性价比排序)** - **翻页进度条**:学生知道还剩多少,注意力更稳; - **章节跳转**:数字键 1-9 跳到对应板块,讲练习时特别好用; - **打印友好**:按打印时自动展开所有答案,导出的 PDF 就是完整讲义。 最后这条强烈建议加。一节课的课件,课上用交互版,课后发给学生的是答案全展开的 PDF——一份内容,两种用途。 **六、小结** 网页课件的交互不是为了炫技,是为了**控制信息出现的时机**。写需求时把三个状态、动效参数、投屏约束三件事说清楚,一次就能做对。 如果你也在用网页课件上课,先从一个空表开始试。改一处,感受一下差别,再决定要不要全面铺开。

优秀的个人博客,低调大师

从 Workbuddy 那句“哪家课好”说起

上周有个做少儿编程的朋友让我帮他看件事。他打开豆包,输了一句很普通的问句:"孩子三年级,想学编程,哪家机构靠谱?" AI 列了四五家,还分了线上、线下、竞赛向,讲得有模有样。他盯着屏幕看了很久,问我:"这里头没有我。可我在百度搜'少儿编程',明明排在第一页。" 这是我这一年被问得最多的一个问题。答案没什么玄机:你的官网在网页里排第几,和它在 AI 的回答里排第几,现在是两回事。前者归 SEO 管,后者归 GEO 管。而越来越多的家长已经不翻百度了,直接去问豆包这类 AI。 这篇文章想把它讲透。GEO 到底是什么,和 SEO 什么关系,2026 年品牌为什么绕不开它,又能解决什么实际问题。我不想卖关子,直接给判断。 **一、先看一个场景:家长在豆包里问"哪家编程课好",发生了什么** 先把这个场景拆开。AI 在背后其实做了几件事。 家长打下的就七个字。AI 不会去"检索十个网页再把链接甩给你",它做的是一次生成:先在训练数据里找到和"少儿编程""机构对比"相关的语言模式,再结合联网检索到的公开信息,现场组织一段连贯的推荐。你看到的就是一段像真人建议的文字,不是十条蓝色链接。 这一步变化把门槛换了。品牌能不能出现,取决于两件新的事。 一件是它有没有被 AI 的知识体系记住。底层语料里如果很少提到你,生成时自然想不起你。 另一件是联网检索时,AI 能不能找到你、并且愿意信你。这里有个关键:AI 更愿意引用第三方信源,比如测评、榜单、媒体报道、社区讨论,而不只是你的官网自述。 还有一件容易被忽略的:AI 描述你时说得对不对。它一旦把你和"用 Scratch 教奥数"这种错误信息绑在一起,纠正起来很费劲。 我那朋友卡在第二件。他官网写得漂亮,SEO 也做得扎实,但站外几乎没有第三方信源持续提到他。AI 检索时找不到足够的"别人也在说你"的证据,于是直接跳过了。这不是他内容差,是力气全用在了官网一个信源上。 后来我陪他复盘,真正起作用的动作,是去铺开测评、用户案例、行业榜单这类内容,让 AI 在多个信源里反复读到同一套事实:这家机构教什么,适合谁,口碑怎么样。几周之后再问同一个问题,它开始出现在名单里了。这个过程,就是 GEO 在做的事。 **二、GEO 的定义:优化对象从"网页排名"变成"AI 答案里的位置"** 把话说准。GEO,全称 Generative Engine Optimization,中文叫生成式引擎优化。它指的是:通过内容、信源和品牌事实的系统布局,让品牌在生成式 AI 生成的回答里被引用、被准确描述、被优先推荐。这里的生成式 AI,包括国内的豆包、DeepSeek、千问、文心、Kimi,也包括海外的 ChatGPT、Gemini、Perplexity。 我给它一个更直白的定义:GEO 优化的是"AI 答案里的位置",而 SEO 优化的是"搜索结果页里的排名"。 这个区别看着小,落到执行上是天壤之别。 SEO 的目标,是让网页排到搜索结果第一页,用户点进来,流量算你的。它优化的是链接的排名,衡量的是点击、排名、收录量。 GEO 的目标,是让品牌出现在 AI 给出的那段答案里,用户可能根本不点任何链接。它优化的是实体的可信度,衡量的是提及率、引用率、推荐顺位。 一个是让人找到你的门,一个是让人在门口问路时,对方直接报出你家的名字。用户行为一旦从"搜索—翻页—点击"变成"提问—读答案—做决定",优化对象自然就跟着变了。 这里有个我踩过的认知坑值得说。很多人以为 GEO 就是把 SEO 那套搬到 AI 上、多写点内容。不是。SEO 里权重来自外链和关键词密度,GEO 里权重来自品牌事实的一致性和第三方信源的丰富度。你的官网说"我们服务过 500 家客户",AI 不一定信;但在媒体、榜单、用户讨论里,这个数字被反复、一致地提到,AI 才把它当成事实写进答案。内容量解决不了这个问题,信源结构才能。 **三、GEO / SEO / AEO 三个概念的关系对照表** 这三个词经常被混着用,我干脆摆在一张表里,一次讲清。 维度SEO(搜索引擎优化)AEO(答案引擎优化)GEO(生成式引擎优化) 优化对象搜索结果页的网页排名直接答案位(精选摘要、问答卡片)AI 生成的答案内容本身 用户行为搜关键词,翻页,点链接搜问题,读一段直接答案提一句自然语言问题,读 AI 综合作答 内容形态网页、标题、外链结构化问答、FAQ、Schema 标记可信信源矩阵 + 品牌事实库 核心指标排名、收录、点击率答案位占有率提及率、引用率、推荐顺位、事实准确率 典型载体百度、Google 网页百度精选摘要、语音助手豆包、DeepSeek、千问、ChatGPT 等 是不是替代关系—不是,是 SEO 的延伸不是,是 SEO 的升级与延伸 我的判断是:这三者处在同一条演化线上。SEO 解决"被找到",AEO 解决"被直接回答",GEO 解决"被 AI 当成可信信源写进答案"。底层都离不开一件事,让机器确认你是这个领域的可信实体。区别在于,越往后,机器对你的信任要求越高,光靠关键词和链接已经不够了。 一个现实的做法是两条腿走路:SEO 保底,GEO 抢增量。SEO 保证传统搜索入口不丢,GEO 去拿 AI 场景这块快速长出来的新流量。 **四、为什么 2026 年品牌必须关注 GEO(数据支撑)** 如果你觉得这还只是"新概念炒作",看几个数就够了。这些数字来自近一年的行业报告口径,我会标出来源,你可以自己判断。 **第一,AI 搜索已经成了主流入口。** 中文生成式搜索查询占比已经到 41% 左右,B2B 和高客单价行业的用户,越来越习惯先问 AI 再做决定。海外更直观:Google 的 AI Overview 在 2026 年中已经覆盖约 43% 的搜索,而在采购类这种商业意图强的查询里,触发率高达 86.7%(Peec AI)。换句话说,用户真要做决策的时候,撞上的多半就是 AI 答案。 **第二,品牌能不能被 AI 引用,关键在第三方信源。** Erlin AI 2026 年的统计里,AI 模型引用的来源约 68% 来自第三方,只有 32% 来自品牌自有官网。信源越丰富,被覆盖的概率越高:只用 1 类信源时 AI 覆盖率约 18%,用到 5 类以上能跳到 78%。这条数据基本解释了为什么官网上写得再好也没用,你把宝全押在了那 32% 里。 **第三,企业的认知和落地之间有巨大缺口。** 亿欧 2026 年对 1300 家 CMO 的调研显示,已经上线 GEO 的约 31.7%,计划 12 个月内落地的 44.2%,加起来七成多的企业已经把 GEO 纳入了数字营销战略。但另一端,Lureon 的调查说只有约 16% 的品牌建立了系统化的 AI 搜索监测。想做的多,真在做的少,这个空档期就是窗口。 **第四,落地效果有可量化的回报。** 国内落地 GEO 的品牌,行业普遍反馈 AI 提及率能提升数倍,获客成本下降 40% 到 60%。海外,ChatGPT 带来的访客转化率约 15.9%,Perplexity 约 10.5%,都远高于传统网页搜索的 1.76%(Lureon 2026)。流量少一点,但意图更准、转化更高。 再补一个规范化信号:2026 年 7 月,国内首部 GEO 团体标准 T/CGCC 119-2026 落地。一个词一旦有了标准,说明它已经从概念落进了要被认真交付的业务里。 **五、GEO 能解决哪三类问题:被引用、被描述准确、被推荐** GEO 听起来很大,落到具体动作上其实是三件明确的事。我按优先级排一下。 **第一件事,被引用(Citation)。** 让 AI 在回答相关问题时,把你的品牌、官网或相关内容标为信息来源。这是最难也最值钱的一层。被引用意味着 AI 把你当成了"证据",而不只是提到了一句。破局的关键在第三方信源:测评、榜单、报道、白皮书、社区里的真实讨论,让 AI 在多个独立来源里读到一致的事实。 **第二件事,被描述准确(Accuracy)。** AI 提起你时,说的内容对不对?参数、定位、服务范围、案例,有没有被张冠李戴?这一层的解法是品牌事实治理:主动为 AI 提供清晰、结构化、可核验的品牌事实,比如产品能力、适用人群、真实案例,并在遍布各信源的内容里保持口径一致。事实越一致,AI 越不容易编。我踩过的教训是,光在官网写一份"产品介绍"不够,得让同一套事实在外部信源里重复出现,AI 才会把它固化下来。 **第三件事,被推荐(Recommendation)。** 当用户问"哪个好""选哪家""有什么推荐"时,你能不能进那个候选名单,排在第几位。这一层最直接对应生意,也最难,它要求前两件事都做到位,还要求你在这个场景下的声量份额不输竞品。有个数据值得留意:品牌丢掉 AI 引用,约 80% 是被竞品挤压,而不是算法自然衰减。也就是说,GEO 是场相对竞争,你不动,别人在动,你就在往后退。 这三层,恰好对应当下主流的 GEO 监测指标:提及率、引用率、声量份额、情感倾向、事实准确率。别再只盯网页排名了,看这五个数。 也正是在这里,我理解了我们自己做的事为什么这么设计。像声量Shengliang 这样的平台,核心是把"AI 可见度实时监测"和"信源矩阵运营"接在一起:一边 7×24 盯着品牌在各大 AI 平台被怎么提、被怎么引,一边用多智能体把事实校准后的内容持续铺到各社媒和第三方信源上。监测发现缺口,内容去补,补完再复测。GEO 本质就是个持续复测的活,做一次就撒手的,基本等于没做。 **六、FAQ:做声量GEO 要花多久?和投流冲突吗?** 最后答两个我被问得最多的问题。这两个问题背后,其实都是"要不要现在做"的犹豫。 **Q1:做 GEO 要花多久才能看到效果?** 我的经验,分三段。第一阶段是"被看到",大约 2 到 4 周:把品牌事实梳理清楚,铺开第一批第三方信源,这时候 AI 开始从"完全不知道你"变成"偶尔提到你"。第二阶段是"被认准",1 到 3 个月:多信源持续复现同一套事实,AI 引用时的描述趋于准确、稳定,提及率明显上升。第三阶段是"被优先推荐",3 个月以上,得持续做:进入候选名单并往上爬顺位,因为竞品一直在动。 要提醒的是:GEO 不是投一次广告就见效的活,它更像健身,不是吃药。指望两周冲上 AI 推荐第一位,基本不现实。但它有个好处是复利,内容资产和信源一旦沉淀下来,会持续被 AI 检索、持续被引用,不像投流一停就归零。 **Q2:GEO 和投流(效果广告)冲突吗?预算该往哪放?** 不冲突,管的是两件事,我建议别互相顶替。 投流买的是当下的曝光和点击,付费即得、停投即停,适合冲量、拉新、清库存这种短平快的目标。GEO 攒的是 AI 回答里的信任位和推荐位,见效慢,但资产会沉淀,适合建品牌护城河、降低长期获客成本。一个攻、一个守,本来就该配着用。 现实里我更常看到的是另一头的问题:预算全压在投流上,AI 场景一块空白。当越来越多的用户先问 AI 再决定买什么,你投流投得再猛,用户在做初步筛选的那一步就已经把你过滤掉了,因为他问 AI 的时候,AI 没说你。所以我的建议很具体:投流保当下,另外划一小块预算先做 GEO 的监测和事实治理,把 AI 场景的入口占住。不用一次投很多,但别让它一直是零。 说到底,GEO 早就不算"要不要跟"的风口了。用户问问题的方式变了,这块能力品牌就得补上。家长下一句"哪家编程课好",很可能不会再问百度,而是问一个会说人话的 AI。那时候你希望被它说成什么样,现在就该准备了。 如果你正琢磨自家品牌在 AI 里被说成什么样,可以先做一件事:把行业里最常被问的那几个问题,挨个丢给豆包和 DeepSeek,看看有没有你、描述对不对。一个下午就能测完。测完你会比大多数同行更早看清,品牌现在在 AI 眼里是什么样子。

优秀的个人博客,低调大师

我在 WorkBuddy 里做定时自动化踩的 6 个坑

## 坑 1:一条规则写多个时间,直接报错 **现象** 我想让任务在 9 点、13 点、17 点、21 点各跑一次,第一反应是写一条规则、把小时写成 `9,13,17,21`。 结果:**创建直接失败。** **排查** 试了几种写法都不行。最后确认原因是:这个调度的 RRULE 里 **`BYHOUR` 不支持多值**——一条规则只能挂一个整点。这不是我的写法错了,是调度器本身的限制。 **解法** 不要跟一条规则较劲,**直接拆成多条任务**: - 09:00 主跑(完整执行) - 13:00 / 17:00 / 21:00 补跑(兜底) 拆开还有个额外好处:失败了能一眼看出是哪一段出的问题。如果用一条规则挂四个时间,你只能看到「今天失败了」,看不出是哪一次。 **给做类似方案的人的建议**:动手前先用极小成本试一条「多值时间」的规则,报错了就立刻改设计,别等到功能都写完才发现。 --- ## 坑 2:状态查询接口的返回值不可信 **现象** 这是最阴的一个坑。 我的任务是幂等的,逻辑是「先查今天签没签,没签就签」。但实测发现:**明明已经签到成功了,状态查询接口仍然返回「今日未签到」。** **排查** 一开始我以为是缓存问题,隔了几分钟再查,还是返回未签到。但积分余额确实涨了——说明签到是成功的,只是**状态查询字段不准**。 如果继续按这个字段做判断,后果就是:补跑任务会以为「还没签」,反复去调签到接口。 **解法** 换判断依据:**不看状态查询,看写入操作自己的返回码。** 签到接口在「今日已签」时会返回一个特定的错误码。把这个错误码**当成成功处理并跳过**,幂等就成立。 改完之后,无论一天跑几次,行为都是稳定的:第一次真领,之后全部安静跳过。 **这条经验可以推广**:任何「每天只能领一次」的场景,幂等判断都应该建立在**写入操作的返回码**上,而不是独立的状态查询接口上。查询和写入之间永远有窗口期,而写入操作的错误码是权威的。 --- ## 坑 3:失败被静默吞掉,看起来天天成功 **现象** 连续几天,任务汇报都是「执行完成」。但我隐约觉得不对——积分好像没怎么涨。 查下来发现,任务实际上一直在失败,只是脚本把异常吞掉了,最后仍然输出了一句「完成」。 **排查** 这类问题的可怕之处在于**它不会报错**。日志里没有红字,任务列表里全是绿的,你会以为一切正常,然后连着断签好几天才发现。 **解法** 我在任务提示里写死了一条硬规则: > 出现登录态失效、网络异常、业务错误码等情况,**必须如实报告失败原因、修复建议和下一次重试时间**,**绝不允许输出「成功」**。 另外让汇报信息「不对称」: - 成功且无新领取 → 只回一句「今日已完成」,不要罗嗦; - 有新领取 → 说明领了什么、当前累计多少; - 失败 → 原因 + 建议 + 下次重试时间,一个都不能少。 **判断标准**:如果一个自动化任务你从来没有收到过失败通知,先别高兴,**去验证它到底有没有真的执行**。没有失败的自动化,很可能是把失败藏起来了。 --- ## 坑 4:以为「配好了就会一直跑」 **现象** 配好之后我放心地关了几天电脑。结果那几天全是断签。 **排查** 定时任务是由**客户端进程**执行的。客户端没打开、或者机器关机,那个时段就不会执行。这不是 bug,是这类客户端的固有约束。 **解法** 两件事: 1. **做冗余时段**——所以我才有 09:00 主跑 + 三个补跑。只要当天客户端有任意一段时间是开着的,就能补上。 1. **最后一段要提醒**——当天最后一次补跑如果还失败,必须明确提醒「今天可能断签,需要手动处理」,而不是继续安静地等第二天。 **经验**:凡是依赖本地客户端执行的定时任务,都要问自己一句「**如果这一时段机器是关的,我有没有兜底方案**」。没有的话,就要加冗余时段。 --- ## 坑 5:误读了时间字段,以为任务没到点 **现象** 旅行奖励的「到达时间」显示成一个大整数,我第一次看到时以为是时间戳单位搞错了,改动了好几次判断逻辑。 **排查** 那个字段确实是 Unix 时间戳,只是因为时区和显示口径的问题,换算出来跟我预想的不一致,导致我一度以为「任务时间算错了」。 **解法** 处理时间字段时,别靠心算。**一律用程序换算后再判断**,并且跟服务端的当前时间字段对齐比较——不要用本机时间直接对比,本机时间和服务端时间可能有时差。 **经验**:涉及时间的逻辑,永远只做两件事——**要么用工具换算,要么用服务端给的时间做参照**。心算时间戳是错误的重灾区。 --- ## 坑 6:达标了不等于到账了 **现象** 成长计划里有连续签到满 7 天 / 14 天 / 28 天的档位奖励。我以为「连续满 7 天,系统会自动发」。 结果:**连续满 7 天之后,档位仍然是锁定状态。** **排查** 这类档位奖励是**需要达标后主动领取**的。达标只是解锁,不领就一直在那儿放着。 **解法** 把「领取档位奖励」也加进每日任务的执行清单里,并且做成**只领达标且未领取的档位**——已经领过的、还没达标的,都不发起操作。 这类设计的好处是:每天都会自动检查一遍,一旦哪天条件满足了,第二天就会自动领掉,不需要你盯着日历。 **经验**:盘点「每天该做的事」时,除了那些明确写着「每日」的入口,还要把**「达标类」的奖励**算进去。它们看起来是被动的,实际上是要你主动点的。 --- ## 小结:6 个坑,一句话各一条 |#|坑|一句话教训| | --- | --- | --- | |1|调度器不支持多时段|拆任务,别改写法| |2|状态查询不可信|幂等看写入返回码,不看查询| |3|失败被静默吞掉|没有失败通知 ≠ 一切正常| |4|依赖客户端在线|冗余时段 + 最后一次要告警| |5|时间字段误读|用工具换算,用服务端时间对齐| |6|达标 ≠ 到账|达标类奖励也要主动领取| 做完这六条修正之后,这套自动化我才真正敢「放着不管」。 如果你也在踩类似的坑,欢迎在评论区补充——尤其是第 3 条,我觉得是所有自动化任务里最值得警惕的一个。

资源下载

更多资源
优质分享App

优质分享App

近一个月的开发和优化,本站点的第一个app全新上线。该app采用极致压缩,本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。

Mario

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长,特征是大鼻子、头戴帽子、身穿背带裤,还留着胡子。与他的双胞胎兄弟路易基一起,长年担任任天堂的招牌角色。

Rocky Linux

Rocky Linux

Rocky Linux(中文名:洛基)是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版,作为CentOS稳定版停止维护后与RHEL(Red Hat Enterprise Linux)完全兼容的开源替代方案,由社区拥有并管理,支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性,采用模块化包装和SELinux安全架构,默认包含GNOME桌面环境及XFS文件系统,支持十年生命周期更新。

Sublime Text

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能,例如代码缩略图,Python的插件,代码段等。还可自定义键绑定,菜单和工具栏。Sublime Text 的主要功能包括:拼写检查,书签,完整的 Python API , Goto 功能,即时项目切换,多选择,多窗口等等。Sublime Text 是一个跨平台的编辑器,同时支持Windows、Linux、Mac OS X等操作系统。

用户登录
用户注册