1. 从"marketingskills"这个标题说起：它到底想解决什么问题

第一次看到"marketingskills"这个标题，我脑子里蹦出来的第一个念头是：这大概率不是一个单纯的营销课程合集，而是一套把营销动作拆成可执行、可复用、可交给 AI 去跑的"技能包"。结合热搜词里高频出现的 Claude Code、AI agents、SEO、CRO 这几个词，基本可以判断，这个项目的核心是把传统营销里那些靠人肉堆时间的活儿——关键词调研、落地页诊断、转化率优化、内容分发——抽象成一套结构化的技能模块，再挂到 AI agent 的框架下去自动或半自动执行。

说白了，它想干的事是：让一个不懂营销代码的运营，也能通过一套标准化的"技能定义"，指挥 AI 完成过去需要一个营销团队才能完成的重复性工作。这件事的价值在哪？我举个自己踩过的例子。早些年做独立站，光是给一个产品页做 SEO 优化，就要经历关键词挖掘、竞品标题拆解、meta 描述撰写、内链规划、结构化数据标注这一整套流程，一个熟练的 SEO 一天也就处理三五个页面。如果把这些动作拆成"技能"，每个技能对应一段明确的输入输出规范，那 AI agent 就能批量跑，人只需要做最后的审核和策略判断。

所以这个标题背后真正的需求，不是"教你怎么做营销"，而是"怎么把营销能力工程化、模块化，让 AI 能接手"。适合谁来参考？三类人：一是独立站站长和跨境电商运营，二是负责增长的市场人员，三是想用 Claude Code 这类工具搭建自己工作流的开发者。哪怕你完全不懂代码，只要理解营销逻辑，这套思路也能帮你把重复劳动压缩掉一大半。

2. 核心设计思路拆解：为什么是"技能"而不是"工具"

2.1 技能化思维和工具化思维的本质区别

很多人做营销自动化，第一反应是找一个"全能工具"，比如某个一键生成 SEO 内容的 SaaS。但用下来你会发现，工具是黑盒，它怎么判断关键词价值、怎么组织内容结构，你完全插不上手，出了问题也没法调。而"技能"的思路是反过来的：它把一个大任务拆成若干个小能力，每个能力都有明确的输入、处理逻辑和输出格式，你可以单独测试、单独替换、单独优化。

这个区别很关键。工具化思维追求的是"一键搞定"，技能化思维追求的是"可控可调"。在 AI agent 的语境下，后者才是可持续的。因为 AI 的输出本身有不确定性，如果你连中间步骤都看不见，出了问题只能干瞪眼。而技能化之后，每一步的输出都是可检查的，哪一步跑偏了一眼就能看出来。

我自己的经验是，做 SEO 内容批量生产的时候，如果直接让 AI"写一篇优化好的文章"，出来的东西往往四平八稳、没有重点。但如果拆成"先做关键词聚类→再定内容大纲→再逐段填充→最后做内链和 meta 优化"这几个技能，每一步都能人工干预，最终质量能提升一个档次。

2.2 为什么选 Claude Code 作为承载框架

热搜词里 Claude Code 出现的频率极高，这不是偶然。Claude Code 这类工具的核心能力是"在终端里直接执行命令、读写文件、调用外部服务"，这意味着它天然适合承载"技能"这种需要落地到具体文件操作的任务。比如一个 SEO 技能，它的输出可能是一份 CSV 关键词表、一批改写好的 HTML 文件、一份内链建议清单，这些都需要真实的文件读写能力，而不是在对话框里聊两句就完事。

另外 Claude Code 支持通过配置文件定义 agent 的行为，这就给了"技能"一个天然的容器。你可以把每个技能写成一个独立的配置或脚本，agent 按需调用。这种架构比把所有逻辑塞进一个巨大的 prompt 里要清晰得多，也更容易维护。

提示：如果你所在的环境无法直接使用 Claude Code，这套技能化的思路同样适用于其他支持本地文件操作和命令执行的 AI 编程助手，核心是"技能定义"这套方法论，而不是某个具体工具。

2.3 技能模块的划分逻辑

一个完整的 marketingskills 体系，我倾向于按营销漏斗来划分技能模块，这样每个技能都有明确的上下游关系：

这张表不是拍脑袋来的，而是我实际做增长项目时反复验证过的划分方式。每个模块之间的边界要清晰，否则技能之间会互相污染，导致 agent 不知道该调用哪个。比如"关键词调研"和"内容生成"必须分开，因为前者是分析任务，后者是创作任务，混在一起 AI 很容易在还没分析清楚的时候就急着写内容。

3. 核心技能模块的细节解析与实操要点

3.1 关键词调研技能：从种子词到可执行清单

关键词调研是整个 SEO 体系的起点，也是最容易被做烂的一步。很多人拿到种子词，直接丢给工具导出几千个词，然后按搜索量排序，挑几个大的就开始写。这种做法的问题在于，搜索量大的词往往竞争也大，新站根本排不上去，写了也是白写。

一个合格的调研技能，处理逻辑应该是这样的：先扩展种子词，拿到一批候选词；然后做搜索意图分类，把词分成信息型、导航型、商业型、交易型四类；接着做竞争度评估，不只看搜索量，还要看首页排名的域名权重分布；最后按"搜索量 × 意图匹配度 ÷ 竞争度"做一个综合评分，输出优先级排序。

这里有个实操细节值得说：竞争度评估不能只看工具给的难度分，那个分数经常失真。我自己的做法是抓取目标词首页前十条结果，统计其中有多少是大型平台、多少是中小站点。如果前十里有七个是巨头，那这个词对新站来说基本没戏，哪怕工具说难度中等。这个判断逻辑可以直接写进技能里，让 agent 自动完成。

注意：关键词调研技能的输出一定要包含"搜索意图"这一列，而且要用自然语言描述，比如"用户想了解 XX 是什么"而不是简单的"信息型"。因为后续内容生成技能需要根据意图来决定文章结构，描述越具体，下游越好用。

3.2 落地页诊断技能：把 CRO 经验变成检查清单

CRO（转化率优化）这件事，老手靠直觉，新手靠清单。而技能化的本质，就是把老手的直觉变成新手也能用的清单。一个落地页诊断技能，核心是一套结构化的检查项，覆盖以下几个维度：

• 首屏清晰度：用户三秒内能不能看懂你是干什么的、对他有什么好处
• 价值主张强度：有没有具体的数字、结果、对比，而不是空洞的形容词
• 信任元素：评价、案例、资质、退换货政策是否到位
• 行动号召：按钮文案是否具体、位置是否显眼、数量是否过多
• 摩擦点：表单字段是否过多、加载速度是否拖后腿、移动端是否适配

每个检查项都要有明确的判定标准和改进建议。比如"首屏清晰度"这一项，判定标准可以是"首屏是否包含一句话说明目标用户 + 核心价值 + 下一步动作"，如果缺了任何一项就标记为问题。

我实测下来，这套清单交给 AI 去跑，准确率能到七八成，剩下两三成需要人工复核。但即便是这个准确率，也已经能把诊断时间从一小时压缩到十分钟。关键在于，AI 不会漏项，而人做久了容易形成盲区，总是盯着自己熟悉的那几个点看。

3.3 内容生成技能：结构化输出才是王道

内容生成是最容易翻车的环节。直接让 AI 写文章，出来的东西往往正确但平庸，缺乏信息增量。要解决这个问题，技能设计上必须做两件事：一是强制结构化，二是注入真实素材。

结构化指的是，技能要先要求 AI 输出大纲，大纲确认后再逐段填充。大纲里要明确每一段的核心论点、支撑素材、目标关键词。这样做的原因是，AI 在长文本生成时容易跑题，有了大纲约束，跑题概率大幅下降。

注入真实素材指的是，技能要支持传入外部资料，比如竞品文章、用户评论、行业报告摘要。AI 基于这些真实素材来写，内容才有血有肉。我自己的做法是，在技能配置里加一个"素材输入"字段，每次生成前先把相关资料喂进去，生成质量明显不一样。

提示：内容生成技能的输出格式建议用 Markdown，方便后续直接转成 HTML 或导入 CMS。同时要求 AI 在输出末尾附上"本文使用的关键词及出现位置"，方便做 SEO 检查。

4. 实操过程：从零搭建一套可跑的营销技能体系

4.1 环境准备与基础配置

假设你已经有了一个可以执行命令、读写文件的 AI 编程助手环境，第一步是建立目录结构。我的习惯是按技能类型分目录，每个技能一个文件夹，里面放配置文件、输入样例、输出样例和说明文档。这样做的好处是，技能之间互不干扰，想替换某个技能直接换文件夹就行。

目录结构大概长这样：

marketingskills/ ├── keyword-research/ │ ├── config.yaml │ ├── input-sample.csv │ ├── output-sample.csv │ └── README.md ├── landing-page-audit/ │ ├── config.yaml │ ├── checklist.md │ └── README.md ├── content-generation/ │ ├── config.yaml │ ├── outline-template.md │ └── README.md └── cro-experiment/ ├── config.yaml └── README.md

每个 config.yaml 里定义这个技能的输入参数、处理步骤和输出格式。处理步骤可以用自然语言描述，因为 AI 会读这个描述来执行。比如关键词调研技能的配置里，处理步骤可以写成"第一步，读取输入 CSV 中的种子词；第二步，对每个种子词扩展出至少二十个相关词；第三步，对每个词标注搜索意图；第四步，按综合评分排序输出"。

4.2 关键词调研技能的完整实现

先说输入。输入是一个 CSV 文件，包含种子词和可选的目标市场。比如：

seed_keyword,market 独立站建站,global 跨境电商选品,global

处理逻辑分四步。第一步扩展，让 AI 基于种子词生成相关词，这里要注意，不能让 AI 凭空编，最好结合真实的搜索建议数据。如果环境允许调用搜索建议接口，就接进去；如果不允许，就让 AI 基于语义相关性扩展，但要标注"语义扩展"而非"真实搜索数据"。

第二步意图分类。给每个词打上信息型、商业型、交易型、导航型之一的标签，并附一句自然语言说明。第三步竞争度评估，这一步如果有条件抓取搜索结果页，就抓取并统计；如果没有条件，就让 AI 基于词的属性和常识做粗略评估，但要明确标注这是估算。

第四步综合评分。评分公式我一般用：

score = (搜索量归一化值 × 0.4) + (意图匹配度 × 0.3) + ((1 - 竞争度归一化值) × 0.3)

搜索量和竞争度都要先做归一化处理，映射到 0 到 1 之间。意图匹配度根据业务目标来定，比如做电商的，交易型词匹配度给 1.0，信息型给 0.5。

输出是一份排序好的 CSV，包含关键词、意图、竞争度、评分、建议动作五列。建议动作这一列很关键，它告诉下游技能该怎么用这个词，比如"交易型高评分词→优先做落地页"、"信息型中评分词→做博客内容"。

4.3 落地页诊断技能的执行流程

这个技能的输入是一个 URL 列表，输出是一份诊断报告。执行流程分三步。第一步抓取页面内容，包括 HTML、可见文本、图片 alt、表单结构。第二步逐项检查，按照前面说的五个维度跑一遍清单，每个检查项输出"通过/不通过/部分通过"加具体说明。第三步汇总排序，把所有问题按影响程度分成高、中、低三档，高档问题排在最前面。

这里有个实操技巧：抓取页面的时候，一定要同时抓移动端和桌面端两个版本。很多落地页在桌面端看着没问题，移动端首屏被一个大图占满，用户根本看不到价值主张。这个差异如果只抓一个版本是发现不了的。

诊断报告的输出格式建议用 Markdown 表格，每个问题一行，包含问题描述、影响程度、改进建议、参考案例。参考案例这一列可以放一个做得好的竞品链接，让用户有直观参照。

4.4 内容生成技能的参数配置

内容生成技能的输入包括关键词、目标字数、内容类型、素材文件。参数配置里要明确几个关键点：文章结构模板、关键词密度上限、内链规则、meta 信息生成规则。

文章结构模板我一般用"问题引入→原因分析→解决方案→实操步骤→常见问题"这个框架，适用于大多数信息型内容。关键词密度上限设成 1.5%，超过就提示。内链规则是每千字至少两条内链，链接到站内相关页面。meta 信息生成规则是标题不超过六十字符、描述不超过一百六十字符，且都要包含主关键词。

生成过程中，技能要先输出大纲让人确认，确认后再逐段生成。每生成一段，就检查一次关键词密度和内链数量，超标就调整。全部生成完后，再统一做一次 SEO 检查，输出检查报告。

注意：内容生成技能一定要设置"人工确认节点"，不能全自动跑完。因为 AI 对业务的理解有限，有些内容方向上的判断必须人来把关。我一般在大纲确认和初稿完成后各设一个确认点。

5. 常见问题与排查技巧实录

5.1 技能之间输出格式不兼容怎么办

这是最常见的问题。关键词调研技能输出的 CSV 用了逗号分隔，内容生成技能却期望制表符分隔，结果一跑就报错。解决办法是在每个技能的配置里明确声明输入输出格式，并且在技能之间加一个"格式转换"的中间层。这个中间层可以是一个简单的脚本，也可以是一个专门的转换技能。

我的经验是，所有技能统一用 CSV 加 UTF-8 编码，字段名用英文小写下划线连接，这样兼容性最好。如果某个外部工具要求特定格式，就在那个技能的入口处做转换，不要污染整个体系。

5.2 AI 输出不稳定，同样的输入结果差异很大

这个问题在内容生成类技能里特别明显。原因是 AI 的生成有随机性，温度参数越高越明显。解决办法有两个：一是降低温度参数，让输出更确定；二是在技能里加入"输出校验"步骤，对关键字段做格式和内容检查，不合格就重跑。

我自己的做法是，对分析类技能把温度调到最低，追求稳定；对创作类技能保留一定温度，但加入校验和重试机制。校验规则要具体，比如"标题必须包含主关键词"、"描述长度必须在 140 到 160 字符之间"，这样 AI 才知道往哪个方向改。

5.3 关键词调研结果和实际排名对不上

这是预期之内的。任何关键词工具的搜索量和竞争度都是估算，和真实情况有偏差。解决办法是，把调研结果当作"假设"，用真实数据去验证。具体做法是，挑评分最高的十个词，先做小规模内容测试，观察两到四周的实际排名和流量，用真实数据反过来校准评分公式的权重。

这个校准过程很重要，但很多人跳过。我见过太多人拿着一份调研表就开始大批量生产内容，结果半年后发现方向错了，浪费的时间和预算很难追回来。

5.4 常见问题速查表

5.5 几个踩过的坑和独家技巧

第一个坑是过度自动化。一开始我恨不得所有环节都让 AI 跑，结果发现质量不可控，返工成本比人工做还高。后来改成"AI 做初稿，人做审核和策略"，效率反而更高。这个平衡点需要自己摸索，但原则是：重复性高的、判断标准明确的交给 AI，需要业务理解和策略判断的人来把关。

第二个坑是忽视数据积累。技能跑出来的结果如果不存下来，就没法做对比和优化。我现在每个技能的输出都带时间戳存档，定期回看哪些技能的输出被采纳率高、哪些经常被推翻，据此调整技能配置。

第三个技巧是给技能加"置信度"输出。让 AI 在输出结果时，对每个判断标注置信度高低。高置信度的直接采纳，低置信度的重点复核。这个做法能大幅提升审核效率，因为人的注意力是有限的，应该花在最不确定的地方。

6. 技能体系的扩展方向与个人体会

这套体系跑顺之后，扩展方向其实很多。往深了做，可以给每个技能加"学习"能力，把人工审核的结果反馈回去，让技能逐渐校准自己的判断标准。往宽了做，可以把技能覆盖到更多营销场景，比如社媒内容排期、广告文案批量生成、用户分群邮件序列。往细了做，可以针对特定行业定制技能，比如 SaaS 行业的落地页诊断清单和电商行业就不一样。

我个人的体会是，这套东西最大的价值不在于省了多少时间，而在于把营销经验沉淀成了可复用的资产。以前一个资深运营离职，他脑子里的那些判断标准就跟着走了；现在这些标准写在技能配置里，新人接手直接能用，而且能持续迭代。对于团队来说，这比任何单个工具都值钱。

最后分享一个小技巧：刚开始搭技能体系的时候，不要贪多，先挑一个你最熟悉、判断标准最清晰的场景做试点，比如关键词调研。跑通一个之后，再复制这套模式到其他场景。我见过太多人一上来就想搭一个覆盖全漏斗的大体系，结果每个技能都半成品，最后全废了。一个能稳定跑的技能，胜过十个半成品。