鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册
站长：程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
11
3
4

针对主流大模型的功能增强脚本（支持对话跳转目录、提示词管理仓库、图片去水印保存）

Mrchen
Mrchen
2026-01-18 11:42
阅读 2263
Mrchen
2026-01-18 11:42
阅读 2263
主流 AI 大模型通用的增强脚本
脚本安装 | 使用说明 | 问题反馈

🙋‍♀️ Q & A

Q：为什么要开发这样一款脚本？

A：出发点其实是我在使用 Gemini 时遇到的 一些痛点问题：

  • 当在一次对话中问答轮数过多时，想要去找前面某一次的回答时十分困难，当轮数过多，Gemini 还会自动对前面的问答记录进行折叠，即使使用 Ctrl + F 也很难定位某一次问答；
  • 有时候今天写了一份好用的提示词完成了某个需求，但是过几天又遇到类似的需求了，想去找之前的提示词要翻很久的历史对话；
  • Gemini 生成的图片自带水印，使用时需要保存下来后用专门的去水印工具去除后才能使用。

针对这三个痛点问题，尝试使用了下 Greasy Fork 其他人开发的脚本，发现要么功能太繁杂，使用有一定门槛，并且真正使用起来经常不知道要点哪，找功能按键需要找半天；要么没法完全满足我的三个需求。因此就想要开发一个完美适配自己需求、使用简单的脚本。

最开始是开发了一个专门针对 Gemini 的增强脚本：

Gemini 增强助手V1.0 & 使用说明

后面想到，是不是也可以把脚本推广到其他大模型呢？

于是就有了现在这款主流 AI 大模型均通用的增强脚本。

Q：为什么只有 Gemini 有图片去水印功能？

A：因为似乎只有 Gemini 生成的图片会自带水印😂


Q：为什么国产大模型只支持提示词仓库？

A：首先，DeepSeek自带对话定位功能，无需另外开发对话定位目录的功能；

针对豆包、元宝等其他大模型， 我尝试去捕捉一些常见的类名都没办法解析，又尝试了右对齐元素的解析（用户的问题一般靠右），但是经常会掺进去一些非用户提问的干扰项；

再加上自己使用其他大模型较少，就没有废太多精力去考虑其他模型的适配了。


📖 简介

AI 增强助手 是 Gemini 增强助手V1.0 的升级版，现已升级为支持多平台的通用 AI 增强脚本。

它通过 “差异化功能策略”，为不同的 AI 模型提供最适合的增强功能。

  • 对于 Gemini，它提供 无痕去除图片水印、长对话目录跳转、常用提示词管理 全功能体验；
  • 对于 ChatGPT，由于生成的图片本身就无水印，因此仅保留了 长对话目录跳转、常用提示词管理 的功能；
  • 对于 DeepSeek、豆包等国产大模型，仅保留了轻量级的 提示词仓库 支持，帮助你快速复用高质量 Prompt。

采用 侧边栏半隐藏式功能按键：

1.png


📱 支持平台与功能矩阵

AI 平台域名提示词库对话目录去水印备注
Google Geminigemini.google.com✅✅✅全功能体验，去水印支持拉伸修复
ChatGPTchatgpt.com✅✅❌保留长对话目录跳转和提示词管理功能
DeepSeekchat.deepseek.com✅❌❌界面保持原生，仅具有提示词仓库功能
字节豆包doubao.com✅❌❌界面保持原生，仅具有提示词仓库功能
通义千问tongyi.aliyun.com / qianwen.com✅❌❌界面保持原生，仅具有提示词仓库功能
腾讯元宝yuanbao.tencent.com✅❌❌界面保持原生，仅具有提示词仓库功能

✨ 核心特性

1. 💡 通用提示词仓库

支持所有适配平台

  • 拖拽排序：支持标签组、提示词卡片的自由拖拽排序，个性化你的提示词仓库；
  • 覆盖填入：点击提示词后自动全选并覆盖输入框内容，避免追加在旧文本后的尴尬；
  • 标签管理：支持创建、重命名、删除标签组，支持置顶常用提示词；
  • 悬浮窗记忆：窗口位置、大小自动记忆，支持随意拖拽和缩放。

提示词仓库：

3.png

一键填入提示词：

5.png

标签可编辑：

6.png

支持关键词检索提示词：

7.png

2. 📂 对话目录跳转导航

仅支持 Gemini & ChatGPT

  • Clone & Prune 技术：采用 DOM 克隆与剪枝技术，在提取对话目录前精准剔除附件名、图片标记、功能按钮文案等干扰项；

  • 点击跳转：点击目录项可快速跳转至对应对话位置；

  • UI 保活：针对 ChatGPT 等 SPA 单页应用，自动检测并恢复被页面刷新清除的悬浮按钮。

快速跳转对话：

2.png

3. 🖼️ 图片去水印保存

仅支持 Gemini

  • 本地拉伸算法： 完全本地运行的去水印算法。通过提取水印上方的纹理进行垂直拉伸覆盖，完美保留背景纵向渐变，消除鬼影；
  • 防遮挡设计：去水印按钮智能吸附在图片 左上角，完美避开 Gemini 官方按钮。

⚠️：针对水印附近颜色/图案简单的图片去水印效果较好，如果水印附近出现文字/复杂图案，生成效果不佳，尝试了多种传统的去水印算法，效果都不是特别好，如果是复杂情况，请自行保存下来后前往专业的去水印工具进行操作。

去水印按钮：

8.png

去除效果展示：

9.png

📦 安装方法

  1. 安装管理器：确保你的浏览器已安装 Tampermonkey 扩展。

  2. 安装脚本：

    • 方式 A (推荐)：点击此处安装脚本
    • 方式 B：前往 Greasy Fork 搜索 "AI 增强助手" （作者：Mrchen1600）进行安装。

  3. 使用：打开任意支持的 AI 网站，即可在右侧看到悬浮操作按钮。


⚙️ 支持作者

如果你觉得本脚本好用，希望可以给作者点上一个小小的🌟，你的支持是我最大的动力。

10.png

11.png


📄 免责声明

本脚本仅供学习与交流使用。脚本中涉及的去水印功能仅用于个人使用与非商业用途，请尊重原图版权。本脚本与 Google 公司无关。

Made with by Mrchen
AI
GitHub
11
4
分享
操作

相关专栏

个人原创项目合集

个人原创项目合集

该专栏下包含了所有本人自己做的原创项目，均已开源，欢迎大家阅读、去我的Github查看完整代码，文中均附有开源地址，也可在我主页 - 个人简介中的Github链接进入。

评论
相关内容
0个评论
全部评论
点击登录，快来和大家讨论吧～
表情
图片

目录

🔥 热门文章
1
离谱，DeepSeek 崩了 5 小时，大家却喊：梁圣恩情还不完？？
430
2
DeepSeek 全新模型发布，性价比最高的一集！
380
3
B 站上 DeepSeek 闹鱼灾了，我发起《大肥鱼清除计划》！
370
4
自己学习ai，直接买cursor 的套餐，还是买gpt 或者claude 的套餐?
360
5
又一个国产版 Codex 神器，也来卷办公了！
330
6
day3-如何写出一个高质量的 Skill（组内分享） 高质量 Skill 不是“一个调得很顺的巨型 Prompt”，而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”，再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子，但方法是通用的。 --- 一、先想清楚：Skill 到底是什么 一个 Skill 至少包含四部分： 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做，每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办，而不是硬编一个看似合理的结果 高质量 Skill 的共同点：职责单一、接口清晰、规则可定位、输出可验证。 反例：把几十条经验全塞进一个主 Prompt，改一条规则要重调整个 Prompt，评估时也不知道是哪条规则退化。 --- 二、核心方法：先建评估，再写 Skill 不要先写转换器再补测试。正确顺序是： 1. 定义输出契约：什么算合法、什么算合格； 2. 建金标准集：一小批人工认可“可放行”的样本； 3. 先写评估 Skill：让它在金标准集上跑出基线； 4. 再迭代生成 Skill：每次修改跑同一套评估，无退化且目标维度提升才算正向。 这就是评估驱动开发：评估是 Skill 的单元测试，金标准集是回归锚点。 --- 三、评估 Skill：三层门禁，逐层递进 前一层不过，后一层不跑。每层留可追溯证据。 第 1 层：确定性硬门禁 用解析器、Schema、校验器完成，不消耗模型成本。 · 输出可解析； · 必填字段齐全，类型/枚举合法； · 引用目标存在，无悬空引用、无不可达节点； · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层：语义断言 用脚本 + 结构遍历检查“逻辑对不对”，仍然保持确定性。 通用检查项： · 覆盖率：源材料里的关键步骤、分支、条件，输出里是否都有对应？ · 完整性：每个判断节点是否都有明确出口？有没有死胡同？ · 可达性：每条路径是否都能到达预期终点？有没有无出口循环？ · 顺序与依赖：有先后依赖的操作，是否保留了顺序？有没有被拍平成无序列表？ 例子：故障诊断转换中，检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层：LLM-as-Judge 只处理解析器表达不了的维度：忠实度、完整性、可执行性。 但 Judge 会漂移，不能单独放行，必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化，换模型必须用金标准集重新校准。 通用 Judge 维度： 维度 问什么 忠实度 输出是否忠实源材料意图？有没有自行发明内容？ 完整性 关键步骤、条件、证据是否保留？隐式知识有没有被压成空话？ 收敛性 输出是否仍指向原目标，而不是发散？ 可执行性 下游不依赖源材料能否直接使用？ --- 四、金标准集：回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子，扩到 15～30 份，覆盖失败模式而非随机抽样： · 完整正例：典型流程； · 边界/异常分支：异常路径、循环、前置失败回退； · 已知易错模式：实际踩过的坑； · 留出集：不参与调优，只用于最终验收，防过拟合。 金标准不需要完美，只需要当前标准下认可可放行。 回归指标：关键路径用 pass^k（k 次全过），稳定性用 pass@k。 --- 五、工程约束：让批量产出可重放 · 幂等：同输入 + 同 Skill 版本 + 同规则 → 输出一致，否则无法判断变好是 Skill 改了还是随机波动； · 隔离不阻断：单份失败进隔离队列，记录失败层和原因，不阻塞其余； · 版本绑定：规则、rubric、金标准集进 Git；每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”； · 抽样人工复核：Judge 临界样本 + 易错模式，人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅，写清：输入约定、输出契约、分步流程、硬规则、降级策略； · 经验规则放 references/ 或 rules/，按失败模式分类，不要全塞进主 Prompt； · 不确定时标 needs_review: true，不要硬编看似合理的结果； · 迭代由评估报告驱动：报告告诉你哪层挂了、哪类失败模式，你改对应规则文件，而不是漫无目的调 Prompt。 --- 七、落地顺序（不要反过来） 1. 固化输出契约：Schema + 结构约束； 2. 建金标准集：从已认可的 + 最易出错的样本开始； 3. 先写评估 Skill：跑出基线报告； 4. 再迭代生成 Skill：每次修改对比逐项通过率，无退化且目标提升才算正向； 5. 批量运行 + 隔离回放：失败进队列，结束后人工抽检； 6. 评估 Skill 自身版本化：换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”：每次修改必须附评估报告对比，逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数：前两层挂了，Judge 分数没有意义。 3. 不许把规则堆进主 Prompt：规则按失败模式分文件，评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”，评估 Skill 决定“敢不敢用”。 先让评估体系站稳，再让生成器迭代。这样交付的不是一堆“看起来还行”的产出，而是一套可证明、可回归、可交接的 Skill 质量体系。
310
7
AI 越强，被它拒绝的代价就越大 我有时候会想：AI 越来越厉害之后，有些事情，会不会反而越来越难做？ 这个想法看起来有点矛盾。AI 明明在降低门槛，让不会写代码的人做出软件，让不会画画的人生成图片，让一个人完成过去需要整支团队才能完成的工作。但今天用 Codex 的时候，AI 拒绝帮我编写 SQL 注入的请求体，而那还是我有源码、在本地跑测试的情况。那么，往后是否只会更难？ 我们假设某一天，AI 说：「这个请求违规，我不能帮助你。」到那个时候，你还有多少能力，能绕过它，把事情做完？ 这里的「违规」需要打个引号。平台的规则、模型的判断、法律的要求，以及一件事实际有没有造成伤害，彼此之间并不总是画得上等号。一个请求可能确实危险，也可能只是缺少上下文被误判，或者恰好落在某家公司的限制范围里。 无论是哪种情况，随着我们越来越依赖 AI，这句拒绝都可能变得越来越贵。 今天，一个程序员让 AI 帮忙写代码，AI 拒绝了，他大概率还有别的办法：查文档、找开源项目、问同行，或者自己写。麻烦一点，慢一点，但路还在。 可如果十年之后，大部分程序都由 AI 完成，情况就不一样了。 很多人从接触编程的第一天起，就习惯了描述需求、等待生成、运行结果、继续迭代。他们能做出相当复杂的产品，却未必经历过独立处理底层问题的训练。平时，这种能力结构完全够用，效率甚至更高。只有 AI 拒绝的时候，他们才会发现：平常被省掉的那段学习过程，恰好是此刻最需要的东西。 到那时，一次拒绝的成本，可能就从「今晚多花两个小时」，变成「先花半年学会这门技术」。 拿 SQL 注入举个稍显极端的例子：往后，连真正理解这类攻击如何发生、能够独立构造测试的人，会不会也越来越少？ 这里也包括那些有正当需求的人。一个开发者想检查自己的旧系统，一个经过授权的安全研究员想复现漏洞，假如 AI 识别到危险模式就拒绝，而使用者又只熟悉「让 AI 帮我检查」，这项原本可以独立完成的工作，就这样卡住了。 但是安全专家不会因此消失，但这类技能可能越来越集中在少数人手里。你仍然可以找专家，只是要付出更多的钱、更多的时间，以及更高的沟通成本。 类似的困境，未必只发生在网络安全领域。 你想从一个停止维护的软件里取回自己的数据，需要解析它的旧文件格式。AI 判断这涉及规避保护措施，拒绝继续。你拥有这些数据，却没有能力把它们读出来。 你买了一台设备，厂商停止提供服务。你想修改程序让它继续运转，过程中需要处理某种访问限制。AI 不愿协助，而你所掌握的维修方式，早已只剩下「把报错发给 AI」。 你想给常用的网站写一个辅助工具，减少重复操作。平台将此归入自动化限制，AI 也据此拒绝。过去会写脚本的人可以自己判断、自己处理；未来的使用者，可能连从哪里开始都不知道。 这些例子有一个共同点：当工具同时承担了「执行工作」和「传授知识」的角色，它的拒绝就不只是挡住了一次任务，也挡住了获得这种能力的机会。 更麻烦的是，这种依赖往往是我们主动选择的，而且每一步都很合理。 既然 AI 几秒钟就能做好，为什么还要花几个月学习？既然公司可以采购成熟的 AI 服务，为什么还要养一支负责基础工作的团队？既然市场上已经很少有人手写这些东西，学校为什么还要花大量时间教？ 对个人、公司和学校来说，这些选择都有现实依据。但叠加起来，整个社会保留的独立能力就可能越来越少。等到某项能力突然受到限制，我们才发现，备用方案早已在追求效率的过程中被一点点削掉了。 所以，「AI 越强，做事越便宜」可能只描述了未来的一半。 另一半是：被允许的事情越来越便宜，被拒绝的事情依然需要人工完成，却要面对更少的人才、更高的报价，以及越来越难获得的知识。两边的成本差距，会越拉越大。 有人会说，可以换一个模型，或者用本地模型。这确实是重要的选项。只要工具之间还有充分竞争，开放模型还足够可用，限制就未必能形成真正的门槛。 但备用方案也需要维护。它需要硬件、知识、软件生态，以及一群仍然理解这些系统的人。如果大多数人已经习惯了最方便的商业服务，那么「理论上还有别的办法」和「普通人实际用得起、用得明白」，之间仍然可能隔着很远。 我担心的，正是这段距离。 我不指望 AI 对任何请求都照单全收。对明显会伤害他人的行为设置限制，有充分的理由。但我们也需要关心：限制由谁定义，误判有没有申诉渠道，用户能不能换工具，以及脱离这个工具之后，还剩下多少独立行动的能力。 保留这些能力，平时看起来甚至有点低效，明明可以自动生成，还要理解原理；明明可以一键完成，还要知道手动怎么做。 但这些看似多余的知识，会在工具拒绝、失效、涨价或改变规则的那一刻，成为真正的选择权。 AI 越强，我们可能越需要留意它说「不」的那一刻。 因为那句话的分量，最终取决于：它拒绝之后，我们还能做什么。
310
8
什么是LLM
300
9
WorkBuddy 本地 API 桥 + dsh 插件：把你的 WorkBuddy 额度，变成手边随手可用的模型
290
10
Vibe Coding 实战：从零构建现代专业级 AI 搜索引擎
270
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题