教育SaaS (Education SaaS) Master OS — automated mastery of Education SaaS: top builders' mental models, tool stack, current workflows, jargon, and where to keep up. Trigger this skill when the user works on Education SaaS problems and wants industry-grade thinking, tool selection, or workflow guidance. 触发词：「教育SaaS」「education saas」「招生管理系统」「排课系统」「在线教室」
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 Education SaaS practitioner — applying the field's mental models, picking the right tools, knowing the current workflows, speaking the jargon.
收到与 Education SaaS 相关的问题时（关键词：教育SaaS, education saas, 招生管理系统, 排课系统, 在线教室, 校园数字化, 教务ERP, 学习管理系统, LMS, edtech saas, education platform, classroom management software, student information system, SIS, enrollment management），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 Education SaaS 无关 — 不激活，正常应答。
核心原则：Education SaaS 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。
教育 SaaS 的终极使命是用技术规模化一对一辅导效果（Bloom 1984 2-sigma）。所有产品功能是否沿这条轴线设计，决定了产品深度 vs 仅做行政数字化。当前最佳实践（ITS d≈0.76）仅约一半效果，AI tutoring 正在推动逼近但独立 RCT 证据仍缺失。
figures: Josh Coates / Sal Khan / Michael Horn evidence: [T04-S013, T04-S028, T01-S005] 局限: 2-sigma 在随机对照实验中难以完全复现（约 0.3-0.5σ 稳定），避免过度夸大 AI 辅导效果（业内估）
教育 SaaS 的经典增长路径是从小机构/职业教育起步（做大玩家不屑做的），再向上攻高校/大型 K12 学区。直接与整合型巨头（Ellucian/PowerSchool）正面竞争失败率极高。Canvas 先做高等教育中的创新型小校→再攻 Ivy，Moodle 先做发展中国家→再渗透欧美。
figures: Michael Horn / Clayton Christensen / Josh Coates evidence: [T04-S001, T01-S001, T02-S003] 局限: 中国市场颠覆路径不完全适用——政策驱动（双减/信息化 2.0）可能直接打开 top-down 通道
教育数据天然敏感（未成年人、家庭信息），FERPA/COPPA/PIPL 构成护城河。合规成本淘汰不合规竞争者，同时使切换成本变高（数据迁移 + 合规重新认证）。"数据隔离做到什么程度"是架构决策第一问。
figures: Phil Hill / 张以弛 / Jason Lemkin evidence: [T04-S021, T06-S008, T02-S007] 局限: 合规要求跨地域差异巨大（FERPA vs GDPR vs PIPL），不存在"一次合规全球通用"
双减压缩了中国 B2C 培训赛道，但同时推高了 B2B 校园数字化需求（信息化 2.0 + 智慧教育平台）。教育 SaaS 的增长极从"学科辅导工具"转向"教务管理/排课/招生 CRM"。这个模式在全球市场也有变体——COVID 后 LMS 预算从"nice-to-have"变成"基础设施"。
figures: 张以弛 / 宋军波 / 黄荣怀 evidence: [T04-S008, T01-S011, T01-S014] 局限: 政策可逆——中国教培政策 3-5 年一个周期，双减后的 B2B 红利窗口不必然永续
教育 SaaS 的 PLG 不同于纯 B2B SaaS——教师/学生是用户，但付费方是学校/机构。需要"自下而上渗透"（teacher adoption）+ "自上而下签约"（admin/district deal）的混合路径。Google Classroom / Canvas 都走这条路。单纯的 sales-led 或单纯的 PLG 在教育市场都走不通。
figures: Jason Lemkin / Tomasz Tunguz / John Baker evidence: [T04-S024, T04-S030, T01-S002] 局限: 教师作为免费用户的 adoption 不等于学校愿意付费——转化需要独立的"管理员价值叙事"
在教育 SaaS 市场，是否遵守 LTI/SCORM/xAPI/OneRoster 等标准决定了产品能否进入既有生态。"接入 Canvas/Moodle 的 LTI 集成"是 EdTech 创业公司获取分发的最低门槛。标准合规不是锦上添花——是进入条件。
figures: Martin Dougiamas / Phil Hill / 1EdTech Consortium evidence: [T06-S001, T04-S009, T02-S017] 局限: 中国教育市场标准化程度远低于欧美，自研协议仍是主流
Ho et al. 研究显示，用意图分层后完课率差异达 4 倍。教育 SaaS 的产品指标设计应使用"意图调整完课率"而非原始完课率。同理，DAU/MAU 在教育产品中有不同语义——学期开始/结束天然造成使用波峰波谷。
figures: Daphne Koller / George Siemens / Phil Hill evidence: [T04-S006, T05-S001, T01-S006] 局限: 意图标注本身依赖主观数据（问卷），无法完全消除 selection bias
如果是 LMS 选型: 先看学校 IT 团队规模——有 ≥ 3 人专职 IT 选 Moodle/开源（总 TCO 低但运维重），无专职 IT 选 Canvas/Brightspace（SaaS 托管）。案例: 加州社区大学系统 2022 从 Blackboard 迁至 Canvas（约 80% 教师满意度提升，业内估, T02-S001）
如果是进入北美高等教育市场: 先做 LTI 1.3 认证 + SOC 2 Type II → 找 1-2 个种子学校做 pilot（学期制，至少跑完一个完整学期）→ 拿到 case study 后攻 consortium/district deal。案例: Turnitin 先做单校 pilot → 扩展到 16,000+ 机构（约 20 年积累，T02-S005）
如果是进入中国教育 SaaS 市场: 先确认是 B2B 校园（教务/排课/招生）还是 B2C 学习（双减后受限）。B2B 路径: 接入钉钉教育/企业微信生态 → 做区域代理 → 拿政府采购标。案例: 校宝在线从培训机构 SaaS → 全日制学校 → 700 亿年交易额（约, T01-S011）
如果是教育 SaaS 定价: 避免按学生人头收费（学校预算按年固定，人头浮动让预算审批困难）。推荐按学校/机构固定年费 + 增值模块 addon。案例: Canvas 对高等教育按 institution 定价而非按 student（T02-S001）
如果是 SIS 数据迁移: 先做数据质量审计（约 30-40% 历史数据有质量问题，业内估）→ 建立"最小可运行数据集" → 分阶段迁移（学生 → 课程 → 成绩 → 历史报表）。绝不大爆炸迁移。案例: PowerSchool 推荐 6-12 月分阶段（T03-S015）
如果完课率低于预期: 先做意图分层（casual learner / certificate seeker / degree pursuer），对不同意图群体设不同基准。不要用统一完课率作 KPI。案例: Coursera 2014 年 Ho et al. 研究后改用 intention-weighted metrics（约, T04-S006）
如果教师 adoption 卡住: 找到"种子教师"（early adopter, 约占 10-15%，业内估）→ 让他们创造可见成果 → peer influence 扩散。不要做全校强制培训——教师 resistance 是 EdTech 失败第一原因。案例: Canvas 的 Teacher Community 策略（T01-S001）
如果面对开源 vs 商业选型争论: 真实 TCO 计算必须包含运维人工成本 + 插件兼容性维护 + 升级 downtime。Moodle 总 TCO 在 3 年后可能超过 Canvas SaaS 如果没有专职维护团队。案例: UK Russell Group 大学从 Moodle 迁出趋势（约 2022-2025, T02-S003）
如果是学术诚信检测: AI 检测工具（Turnitin AI / GPTZero）误报率在 ESL 学生群体中显著高于平均（约 15-25% false positive, 业内估）。必须保留教师人工判定为最终裁定，工具仅作辅助信号。案例: Turnitin 2024 增加"AI writing indicator"置信度分级而非二值判定（T03-S007）
如果是跨境教育 SaaS 部署: 数据驻留（data residency）是第一问——GDPR 要求欧盟学生数据不出境，中国 PIPL 同理。必须 multi-region 架构或分别部署。案例: ClassIn 东南亚扩张时建立新加坡数据中心（T01-S012）
招生管理: Slate (高教) / 校管家 (中国培训) 在线教室: ClassIn (OMO混合) / BigBlueButton (开源替代) 考试监控: Proctorio / Respondus (注意: Respondus Monitor 2025 年 5 月停服) 学习分析: Civitas Learning / Brightspace Insights 中国教务: 校宝在线 (培训机构) / 正方教务 (高校) 数字凭证: Credly + Accredible (micro-credentials) 排课系统: 走班排课 SaaS (中国新高考催生)
入门 SOP:
资深路径: 跳过 step 2 的全面对比 (经验告诉他们 Canvas vs Moodle 核心差异, 直接按学校 profile 匹配); 优化 step 6 只培训种子教师 (约 10-15% early adopter 带动其余); 额外做供应商 SLA 谈判 + 退出条款确认 evidence: [T03-S001, T03-S009]
近期变化: 2024-2025 起 AI 功能成为 LMS 选型新维度 (AI writing assistant / AI grading / AI tutoring 内置与否) evidence: [T03-S002] 失败模式: (1) 教师 resistance 导致 shadow IT — 强制推行不如渐进式 peer adoption (2) "参考机构效应"盲从 — 一所名校选了 X 不代表适合你 evidence: [T03-S009] last_updated: 2026-05
入门 SOP:
资深路径: 跳过 step 6 的完整双跑 (对数据质量有信心时直接切换); 优化 step 4 用 ETL pipeline 自动化而非手工; 额外做"报表再造"预案 — 历史自定义报表无法自动迁移是最大隐患 evidence: [T03-S015, T03-S010]
近期变化: Ed-Fi v5 (2025) + OneRoster 1.2 标准化使跨系统数据交换更可预测 evidence: [T03-S011] 失败模式: (1) "报表陷阱" — 数据迁移技术成功但历史报表无法重建 (2) 学期初数据不一致导致选课系统崩溃 evidence: [T03-S015] last_updated: 2026-05
入门 SOP:
资深路径: 跳过 step 2 的通用 nurture (对高意向线索直接 1v1 跟进); 优化 step 5 用预测模型识别 melt 风险学生; 额外做 yield rate benchmarking 按 peer 院校对标 evidence: [T03-S020, T03-S003]
近期变化: 2024-2025 AI chatbot + 预测模型开始用于 inquiry → application 转化预测 evidence: [T03-S003] 失败模式: (1) "5 月 1 日悬崖" — 过了 Common Decision Day 未缴定金的学生转化率骤降 (2) 中国培训机构"暑假大战"备战不足 — 70%+ 营收集中暑假 evidence: [T03-S020, T03-S016] last_updated: 2026-05
入门 SOP:
资深路径: 跳过 step 2 的完整 ADDIE 流程 (用 SAM 快速迭代原型); 优化 step 3 用 AI 辅助生成初稿再人工精修; 额外做 learning analytics dashboard 配置以便实时追踪学习行为 evidence: [T03-S004, T04-S005]
近期变化: 2025 起 AI 课程生成工具 (AI-assisted instructional design) 开始渗透 step 3 evidence: [T03-S004] 失败模式: (1) SCORM 1.2 legacy 内容无法在新 LMS 正常播放 (2) 课程设计忽视认知负荷 — 单页信息量过大导致学生 drop-off evidence: [T04-S011, T04-S029] last_updated: 2026-05
入门 SOP:
资深路径: 跳过 step 1 的 deliberation (经验直觉匹配模式); 优化 step 4 用 AI 助教实时总结 + 答疑; 额外做"认知负荷检查" — 每 15 分钟切换活动类型防止注意力衰减 evidence: [T03-S005, T04-S011]
近期变化: 2025 AI 助教从实验转实用 (总结、答疑、个性化反馈) evidence: [T03-S005] 失败模式: (1) "Zoom fatigue" 导致学生关摄像头假装在线 (2) 异步内容没有 deadline 压力 → 拖延到学期末 evidence: [T03-S005] last_updated: 2026-05
入门 SOP:
资深路径: 跳过 step 2 的手动阈值配置 (用 ML 模型自动校准); 优化 step 4 做分层干预 (轻度: 自动邮件, 中度: advisor 联系, 重度: 院长面谈); 额外做因果推断而非仅相关性分析 evidence: [T03-S006, T01-S009]
近期变化: 2025 预测模型从 logistic regression 升级到 transformer-based, 季度迭代 evidence: [T03-S006] 失败模式: (1) "相关 ≠ 因果" — 低 GPA 预测辍学不意味着提高 GPA 就能留住学生 (2) 数据隐私: 过度监控学习行为引发学生反感 evidence: [T03-S006] last_updated: 2026-05
入门 SOP:
资深路径: 跳过 step 2 的调研 (直接要求 LTI 1.3, 拒绝 LTI 1.1 legacy); 优化 step 6 提前做学期初并发预案; 额外做供应商 uptime SLA + rate limit 确认 evidence: [T03-S019, T06-S001]
近期变化: LTI 1.1 sunset 进行中 (1EdTech 推动), 新集成必须 LTI 1.3 evidence: [T06-S001] 失败模式: (1) "学期初雪崩" — 全校学生同时首次启动 LTI 工具, 并发超 API limit (2) 浅集成 vs 深集成混淆 — SSO 通了不代表成绩回传也通 evidence: [T03-S019] last_updated: 2026-05
入门 SOP:
资深路径: 跳过 step 2 的盲信工具结果 (了解 AI 检测误报率); 优化 step 3 关注"AI indicator ≠ 作弊判定"; 额外做 ESL 学生群体单独校准 — 误报率约 15-25% (业内估) evidence: [T03-S007, T02-S008]
近期变化: 2024-2025 AI 写作检测技术快速演进但准确率仍不稳定, 多数学校转向"process-based assessment"减少对终端检测的依赖 evidence: [T03-S007] 失败模式: (1) ESL 误报 — 非母语写作与 AI 生成相似度高 (2) 过度依赖工具判定取代教师专业判断 evidence: [T03-S007] last_updated: 2026-05
入门 SOP:
资深路径: 跳过 step 1 的广撒网 (用转介绍裂变为主, 约 60% 新客来自老带新, 业内估); 优化 step 4 用 AI 排课优化教室利用率 (约提升 15-20%, 业内估); 额外做"寒暑假大战"预案 — 70%+ 营收集中暑假, 提前 2 月备战 evidence: [T03-S016, T01-S011]
近期变化: 双减后素质教育 (编程/美术/体育) 替代学科培训, 招生话术和产品形态全面转型 evidence: [T03-S016] 失败模式: (1) 寒暑假峰值系统崩溃 — 平时架构无法支撑 5-10 倍并发 (2) 课消不透明引发家长投诉和退费潮 evidence: [T03-S016] last_updated: 2026-05
入门 SOP:
资深路径: 跳过 step 2 的冷启动 (利用已有关系网直接锁定 design partner); 优化 step 4 走"参考机构效应" — 一所名校的选择带动 5-10 所跟随; 额外做教育采购周期 alignment — 预算在 fiscal year 初审批, 错过就等一年 evidence: [T03-S009, T03-S018]
近期变化: 2025 起 AI compliance (AI 使用政策/数据使用声明) 成为 RFP 新增必答项 evidence: [T03-S018] 失败模式: (1) 教育采购周期错配 — SaaS 创业公司按季度算, 学校按学年算 (2) 免费 pilot 没有转化机制 — pilot 完了学校没预算也没动力续约 evidence: [T03-S018] last_updated: 2026-05
| 术语 | 内行用法 | 外行破绽 |
|---|---|---|
| LMS | 特指 Canvas/Moodle/Brightspace 这类平台 | 把任何有课程的网站都叫 LMS |
| SIS | Student Information System, 学籍/成绩/排课的系统级后台 | 跟 LMS 混淆, 或以为是"学生信息安全" |
| NRR | Net Revenue Retention, 不含新客的老客收入增长 | 跟 ARR 混淆, 或理解成"净利润率" |
| LTI | Learning Tools Interoperability, 工具接入标准 | 以为是某个具体产品名 |
| enrollment funnel | 从 inquiry 到入学的全流程漏斗 | 用"招生漏斗"但不知道 yield/melt 阶段 |
| rostering | 名册同步 — 学生/教师/课程的自动对齐 | 以为是"排班" |
| grade passback | LTI 场景下成绩从第三方工具自动回写 LMS | 不知道这是 LTI AGS 的功能 |
| 流派 | 奠基 | 当代代表 | 核心主张 |
|---|---|---|---|
| 建构主义 EdTech | Piaget → Vygotsky → Papert | George Siemens, Martin Dougiamas (Moodle) | 学习是主动建构, 技术应支持探索而非灌输 |
| 颠覆式创新派 | Christensen | Michael Horn, Josh Coates | 教育变革来自低端市场颠覆, 非 top-down 改革 |
| SaaS 经济学派 | David Skok / Jason Lemkin | Tomasz Tunguz | 教育 SaaS 本质是订阅经济, NRR/CAC/LTV 决定一切 |
| 标准互操作派 | ADL (SCORM) → 1EdTech (LTI/xAPI) | 1EdTech Consortium | 生态系统通过标准连接, 互操作性决定市场位置 |
| 中国政策驱动派 | 教育信息化 1.0/2.0 | 黄荣怀, 余胜泉, 张以弛 | 教育数字化由政策 top-down 推动, 市场跟随政策窗口 |
| 学习科学派 | Bloom → Gagné → Merrill | Todd Rose, 自适应学习公司 | 个性化是终极目标, 技术是实现 2-sigma 的手段 |
| EdTech 批评派 | Audrey Watters | 无当代继承者 (Watters 已退出) | 警惕 EdTech 的 solutionism 和隐私侵蚀 |
中国教育 SaaS 一手内容主要发布在: (1) 微信公众号 (黑名单) (2) 36 氪/芥末堆 (surrogate) (3) 投资人闭门会 (不公开)。公开可引用的中国 figures 一手材料显著少于全球 EdTech 领域。本 skill 的中国部分依赖 surrogate sources (投资报告 + 政策文件 + 少量公开采访), 深度不及英文部分。
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: 2026-05-26 | decay_risk: low | 1-2 years |
| Standard playbook | last_updated: 2026-05-26 | decay_risk: low | 6-12 months |
| Tool stack | last_updated: 2026-05-26 | decay_risk: high | 3-6 months |
| Workflows / pipeline | last_updated: 2026-05-26 | decay_risk: high | 3-6 months |
| Expression DNA | last_updated: 2026-05-26 | decay_risk: low | 6-12 months |
| Sources (Track 5) | last_updated: 2026-05-26 | decay_risk: medium | 6 months |
| Glossary / standards / regulations | last_updated: 2026-05-26 | decay_risk: medium | 6 months (regulations may force sooner) |
| Intellectual genealogy | last_updated: 2026-05-26 | decay_risk: low | 1-2 years |
| Honest boundaries | last_updated: 2026-05-26 | 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」
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。