WorkBuddy技能评测 #194 | 推特算法优化器与 LangSmith 取数：一个教你怎么被推荐，一个帮你查 AI 出错在哪

2026-11-05silcano

基本信息

• 技能名：twitter-algorithm-optimizer / langsmith-fetch
• 来源仓库 Star 数：27,769
• 分类：Data & AI
• 数据来源：SkillKit 中央技能库（第三方技能市场，非 WorkBuddy 官方自研）

它解决了什么痛点

两个完全不相干的技能被热度绑在一起。

twitter-algorithm-optimizer 解决的是「发出去没人看」：它按平台推荐机制的特点改你的文案——开头是否能在两行内给出钩子、是否有互动触发点、是否避免外链降权、串文怎么拆。本质上是一份平台运营规则的浓缩。

langsmith-fetch 解决的是另一件事：「AI 应用出错了，但不知道错在哪一步」。它把 LangSmith 的追踪数据拉出来，让你看到一次调用里每个环节的输入输出与耗时——提示词在哪一步被污染、检索结果是否为空、为什么这次回答跑偏。

对我有没有用（技术 / 自媒体 / AI / 读书）

AI：langsmith-fetch 有价值。你在给评测系统做自动化（生成一句话结论、批量分类）时，最常见的失败是「某几篇结论明显跑偏」，但看不出原因。有了追踪数据，你能定位是输入太长、还是提示词冲突。自媒体：twitter-algorithm-optimizer 的思路可迁移——你主要发中文平台，规则不同，但「前两行给结论、少外链、留互动钩子」是通用的。技术：弱。读书：无关。

提醒：推特那份是按英文平台规则写的，直接照搬到微信公众号/知乎会水土不服。取结构，别照抄。

典型场景

你让 AI 给 168 篇评测生成一句话结论，其中 20 篇明显是废话。做法：装 langsmith-fetch，把失败那批的调用链拉出来，对比成功样本，发现「正文超过 3000 字时结论质量骤降」→ 改成先摘要再下结论。成果：结论合格率从 88% 提到 98%，且你知道原因，不是碰运气。

一句话结论

做 AI 应用调试的话 langsmith-fetch 值得装；推特那份当运营思路参考，别当规则书。

📊 完整对比数据见在线总表：WorkBuddy 技能市场全量调研总表（腾讯文档）