📖 学习速查（8 条）

1. lark-doc「14.3M vs 422K」矛盾裁定：14.3M 不是 lark-doc 单技能下载量，而是 skills.sh 上飞书官方发布者 open.feishu.cn 整套 24-28 个 lark-* 技能的聚合安装量（家族页当日实测 15.6M，14.3M 是 4 天前的更早快照）。lark-doc 单技能权威值 = 425-428K（skills.sh 428,253 ↔ skillselion 425,407 双源互证；gitcodar 257.3K 是 2026-06 陈旧快照被驳）。

   • 人话：14.3M 像是全家桶超市的营业额，不是某一瓶酱油的销量——飞书把 28 个技能打包一起装，每个技能都记一次数。
   • 已排除口径：≠ GitHub stars（16.8k）≠ npm 下载（2.62M）≠ 飞书 MAU（3000 万）≠ API 调用。「最畅销的 AI 技能可能是一张说明书」是下载口径制造的幻觉。

2. lark-doc 同技能双渠道（同平台内对照）：同一个 lark-doc 在 skills.sh 上有两个独立页面——open.feishu.cn 官方企业渠道 616.4K vs larksuite/cli GitHub 开发者渠道 428.3K，官方渠道领先 44%。同平台、同安装机制（都是 npx skills add），仅渠道不同。

   • 人话：同一款软件，从「官方应用商店」装的人比从「开发者 GitHub」装的人多 44%——离官方越近的入口，装的人越多（组织背书的优势）。

3. runcomfy「算力税」分层裁定：平台层成立、技能作者层不成立。RunComfy 作为第三方模型聚合计费方，每次 runcomfy run 按次收单（每图/每秒视频，单一共享余额跨 Models/ComfyUI/Trainer，Pro $19.99/月年付含 20%+ GPU 折扣）；但 4 组佣金/分润搜索全部落空，不存在任何技能作者按调用抽佣机制——技能 MIT 开源、调用走用户自己的余额、链接带 utm_source=skills.sh 追踪参数 → 技能是获客漏斗，不是分润通道。

   • 人话：技能作者像商场里的免费试吃摊——摊位不赚钱，但把客流引进商场，商场（平台）在每笔消费上抽成。
   • 对照：RunningHub 在 ComfyUI 生态真实存在作者分润（50-70% 行业报道）→ RunComfy 不做是商业选择不是不可能。

4. D4「技能不赚钱」压力测试结论：技能作者直接收入中位数 ≈$0 依然成立；真正赚钱的是拥有调用通道的一方（平台抽成）。技能的商业价值是导流不是收费——这解释了「为什么技能中位数 ≈$0 却仍然有人疯狂做」：技能是平台的获客资产，不是作者的收入资产。

5. 供给侧三足修正（垂直决定结构）：媒体生成垂直榜前全部是公司（runcomfy/heygen/larksuite，无个人、无框架腿）；D4「一厂商一框架一个人」三足只在编码教学垂直成立。归因：媒体生成需要「模型 API + GPU 算力」双重资源，个人无独立供给能力；编码教学只需「知识 + 注意力」，个人可入场。

   • 数据对比：runcomfy GitHub 仅 38★（但 30 技能 / 10.9M 安装）vs heygen/hyperframes 42,852★——runcomfy 星标低恰恰证明它是「算力厂商分发」而非「个人 KOL 分发」（个人 KOL 依赖星标/注意力，厂商依赖平台与算力）。

6. 范式对照：RunComfy 水平分发 vs HeyGen 垂直整合：RunComfy = 聚合 20+ 第三方模型家族（PRD「5 模型」是最低保底）、共享余额按次计费、「多模型封装不是技术偏好是计费拓扑」；HeyGen = 自家数字人/声音/翻译/渲染闭栈（「Claude writes the script. HeyGen ships the video.」）、订阅买「成片」、HyperFrames 开源（Apache-2.0）做获客漏斗变现上移付费 SaaS。

   • 人话：RunComfy 像「模型超市」（什么牌子都卖、按件收费），HeyGen 像「品牌专柜」（只卖自家成套产品、买的是成品效果）。

7. 模型轮换保险假说「半成立」：编排层确实在吸收模型轮换（路由技能按能力标签而非品牌选模型 + 仓库同步更新）✅；但技能版本钉死（wan-2-7/kling-3-0），保险由中央维护者更新提供而非用户 star 行为 ❌。

   • 人话：你以为 star 技能 = 给自己买保险（模型换代自动跟上），其实保险是平台（中央维护者）替你买的——用户 star 不提供自动对冲。
   • 推论：模型半年一换时，能把「意图→模型→提示词」稳定打包的编排层持有用户——war 在编排层；生成模型同质化后「确定性/可复现性」成为新护城河。

8. 5 层解构跨垂直对照 + 安全画像：商业模式最强判别器 = scripts 层「计费耦合度」（计费型 RunComfy scripts 重且直接可计量 / 平台采纳型 Lark scripts 薄且零计费）；lark-doc = D4 azure 文档包装型的「增强型」（多出场景路由 + 强制分期披露 + 命令级 scope 增量梯度）。安全画像：媒体生成重 S1 输出侧内容信任（CLI 下载 host 白名单防模型输出诱导拉网、SVG 消毒）、办公协作重 S2 身份/scope（--as user、反 token 窃取风险信号、bot 不进群）——风险本质：媒体 = 不可信输出，办公 = 越权执行。

🔗 重点来源