1. 项目缘起为什么我把营销方法论拆成了可调用的技能包做增长和SEO这行的朋友大概都有同感方法论从来不缺缺的是“在需要的那一刻能立刻调用出来”。我做了七八年独立站和B端获客手里攒的SOP、检查清单、投放复盘模板少说也有几十份但真正干活的时候往往还是凭肌肉记忆在走很多细节该查的没查、该验的没验。直到我开始把Claude Code这类AI agent工具引入日常工作流才意识到一个关键问题——AI agent的能力上限很大程度上取决于你喂给它的“技能”质量。marketingskills这个项目本质上就是一套面向AI agent的营销技能库。它把SEO、CRO转化率优化、内容策略、投放分析这些营销核心领域的操作规范、判断逻辑、执行步骤封装成agent可以直接调用的结构化技能模块。你可以把它理解成给AI配了一本“营销作战手册”当你在Claude Code里让它帮你分析一个落地页的转化问题时它不再是泛泛而谈“建议优化标题和CTA”而是能按照你预设的CRO检查框架逐项过一遍首屏信息层级、信任信号布局、表单字段数量、移动端点击热区最后给出一份带优先级的修改清单。这套东西解决的核心痛点有三个。第一是方法论落地的一致性团队里每个人对“SEO做到位”的理解不一样技能库把标准固化下来AI执行和人工复核都有据可依。第二是重复劳动的自动化像meta标签批量生成、结构化数据校验、内链机会扫描这类机械活agent调用对应技能就能跑人只需要做最终判断。第三是知识沉淀的载体老运营离职带走的是经验留下的是技能库新人接手时agent就是最好的带教。适合谁来参考如果你已经在用Claude Code、Cursor这类AI编程工具并且手头有SEO或增长相关的重复性工作这套思路可以直接抄。如果你还没接触过agent工具但团队里有大量营销SOP需要标准化也可以先理解设计逻辑后续迁移到任何支持自定义指令的AI平台上。我下面会从设计思路、技能拆解、实操配置、踩坑记录几个层面展开尽量把每个决策背后的“为什么”讲透。2. 整体设计思路技能库不是提示词合集而是决策树的外化2.1 为什么选择“技能”而非“提示词模板”市面上流行的做法是攒一堆prompt模板用的时候复制粘贴。我一开始也这么干但很快发现三个问题。第一上下文丢失模板是死的agent不知道当前项目的背景、历史决策、约束条件每次都要重新喂一遍。第二无法组合一个复杂的营销任务往往需要SEOCRO内容三个维度同时介入提示词模板之间是孤立的agent只能串行处理效率低且容易遗漏。第三没有校验机制模板输出什么就是什么缺少“这一步做完后应该检查什么”的闭环。marketingskills的设计思路是把每个营销动作拆成可组合、可校验、带上下文依赖的技能单元。每个技能包含四个核心部分触发条件什么场景下调用、输入参数需要agent提供哪些信息、执行步骤按什么顺序做什么、输出校验怎么判断做完了且做对了。这四部分合在一起其实就是在把资深运营脑子里的决策树外化出来。举个例子一个“落地页CRO审计”技能触发条件是“用户提供落地页URL并要求转化优化建议”输入参数包括页面类型注册/购买/留资、目标转化动作、当前转化率基线执行步骤会按首屏、价值主张、信任信号、表单、CTA、移动端适配六个维度逐项检查输出校验则要求每个维度给出“通过/不通过/待验证”的明确结论并附上修改建议的优先级。2.2 技能颗粒度的取舍逻辑颗粒度太粗技能就变成了“帮我做SEO”这种废话指令agent无从下手颗粒度太细又会陷入“每个meta标签怎么写”的微观管理维护成本极高。我最终采用的粒度标准是一个技能对应一个可独立交付的营销产出物。比如“关键词聚类与内容映射”是一个技能产出物是一张关键词-页面映射表“结构化数据部署”是一个技能产出物是一段可粘贴的JSON-LD代码和验证报告。这个粒度选择背后有个很实际的考量AI agent的上下文窗口是有限的技能描述太长会挤占实际任务的处理空间。我实测下来每个技能的描述控制在300-500字不含示例agent调用时的理解准确率最高。超过800字agent容易在技能内部迷失把执行步骤和校验步骤搞混。另外技能之间需要预留组合接口。比如“内容 brief 生成”技能的输出可以直接作为“文章草稿撰写”技能的输入“技术SEO审计”技能发现的404和内链问题可以触发“重定向映射”技能。这种组合能力是提示词模板完全做不到的也是技能库真正的价值所在。2.3 与Claude Code的集成方式选择Claude Code支持通过项目根目录的配置文件来注入自定义指令和技能定义。我试过三种集成方式一是写在CLAUDE.md里作为全局指令二是拆成多个.md文件放在特定目录由agent按需读取三是封装成可调用的脚本工具。最终我采用的是混合方案高频核心技能如SEO审计、CRO检查写在CLAUDE.md里保证随时可用低频但复杂的技能如竞品内容差距分析拆成独立文件按需加载需要执行具体命令的技能如结构化数据校验封装成bash脚本由agent调用。注意Claude Code的技能加载机制对文件路径和命名有要求建议统一放在项目根目录的.claude/skills/目录下文件名用英文小写加连字符避免agent解析时出现编码问题。这种混合方案的好处是兼顾了响应速度和上下文效率。实测下来核心技能常驻内存后agent对“帮我看看这个页面SEO有什么问题”这类指令的响应时间从平均12秒降到了4秒左右而且输出质量更稳定不会因为每次重新理解技能定义而产生偏差。3. 核心技能拆解SEO、CRO与内容策略的实操化封装3.1 SEO技能组从关键词到结构化数据的全链路SEO是营销技能库里最成熟的一块我把它拆成了五个子技能覆盖从研究到部署的完整链路。关键词聚类与意图映射这个技能的核心逻辑是拿到一批种子关键词后先按搜索意图分成信息型、导航型、商业调查型、交易型四类再按主题相关性做聚类最后映射到具体的页面类型博客、产品页、分类页、落地页。执行步骤里我特意加了一步“SERP特征分析”要求agent在聚类前先看每个关键词的搜索结果页有没有精选摘要、视频轮播、People Also Ask等元素因为这些特征直接决定了内容格式的选择。比如一个信息型关键词的SERP里全是FAQ折叠块那你的内容就必须用FAQ结构才有机会拿到展示位。页面SEO审计技能是我用得最频繁的。它按八个维度逐项检查title标签、meta description、H1-H6层级、图片alt、内链锚文本、URL结构、页面加载关键指标、移动端适配。每个维度都有明确的通过标准比如title标签要求“核心关键词前置、长度控制在50-60字符、包含品牌名但不堆砌”。输出格式是一张表格每行一个检查项列包括“当前状态、是否通过、修改建议、优先级”。结构化数据部署这个技能值得单独说一下。很多做独立站的朋友对FAQPage、Product、BreadcrumbList这些schema类型搞不清楚什么时候用哪个。我在技能里内置了一个决策树先判断页面类型再判断内容特征最后输出对应的JSON-LD模板。比如FAQPage结构化数据触发条件是“页面包含问答形式的内容且问答对用户有实际参考价值”输出时会自动把页面上的问答内容提取出来填充到模板里并附上Google Rich Results Test的验证链接。实操心得结构化数据最容易踩的坑是“标记了但内容不可见”。Google明确要求标记内容必须对用户可见我见过不少站点把FAQ schema加上了但页面上根本没有FAQ模块这种会被判定为垃圾标记。技能里我加了一条硬性校验如果页面可见内容里找不到对应的问答文本直接报错不生成代码。内链机会扫描技能解决的是“内容写了但权重传不出去”的问题。它的逻辑是抓取站点所有已索引页面分析每个页面的核心主题然后找出“A页面提到了B页面的主题但没有链接到B”的机会点。执行时agent会输出一个建议列表包含源页面URL、目标页面URL、建议锚文本、插入位置第几段第几句。这个技能我一般一个月跑一次每次能挖出几十个内链机会对提升整站权重流动效果很明显。技术SEO巡检技能覆盖的是更底层的健康度检查robots.txt是否误屏蔽、sitemap是否完整、canonical是否正确、hreflang是否配对、404和301链路是否合理。这个技能我配置成了定时任务每周一早上自动跑一遍输出一份巡检报告有严重问题会标红提醒。3.2 CRO技能组把转化率优化拆成可执行的检查清单CRO这块我拆了四个技能核心思路是把“感觉哪里不对”变成“逐项排查找到瓶颈”。首屏信息层级审计技能聚焦用户打开页面后第一眼看到的内容。检查项包括价值主张是否在3秒内可理解、主CTA是否在首屏可见、信任信号客户logo、数据、评价是否出现在首屏、导航是否分散注意力。每个检查项都有具体的判断标准比如“价值主张可理解性”的测试方法是把首屏文案单独截出来给一个不了解产品的人看5秒后问他“这个产品是做什么的、对谁有用”如果答不上来就不通过。表单转化优化技能针对的是留资和注册场景。核心检查项有字段数量是否超过必要、是否有进度指示、错误提示是否清晰、是否有隐私信任文案、移动端键盘类型是否匹配输入内容。我在这里加了一个“字段必要性拷问”环节要求agent对每个字段追问“这个信息是否可以在后续环节收集、是否真的影响转化决策”能砍的字段尽量砍。实测下来把表单字段从7个减到4个转化率提升了23%。CTA按钮优化技能看起来简单但细节极多。检查维度包括按钮文案是否以动词开头、颜色对比度是否足够、周围留白是否充足、是否有多重CTA互相竞争、点击后的反馈是否及时。我特别加了一条“CTA文案与落地页承诺一致性”检查很多站点广告里说“免费试用”落地页按钮写“立即注册”用户会产生疑虑。移动端体验审计技能是独立出来的因为移动端和桌面端的转化逻辑差异太大。检查项包括点击热区是否够大最小44x44像素、字体是否可读最小16px、横向滚动是否存在、弹窗是否遮挡内容、加载速度是否达标。这个技能我一般配合Chrome DevTools的移动端模拟一起用agent输出问题列表我在浏览器里逐项验证。3.3 内容策略技能组从选题到分发的流水线内容这块我封装了三个技能目标是让agent能独立完成从选题到初稿的完整流程。内容差距分析技能的逻辑是输入你的站点URL和3-5个竞品URLagent抓取各站的内容主题分布找出“竞品覆盖了你没覆盖”“你覆盖了但深度不够”“你覆盖了但排名远低于竞品”三类机会。输出是一张优先级排序的内容选题表每个选题附带目标关键词、建议字数、必须覆盖的子主题、参考竞品URL。内容Brief生成技能把选题转化为可执行的写作指令。Brief包含目标读者画像、搜索意图分析、必须回答的问题列表、建议的H2/H3结构、内链和外链建议、CTA设计、字数范围。这个技能的输出可以直接交给写手或AI写作工具大幅减少沟通成本。文章草稿撰写技能是我用得最谨慎的一个。因为AI直接写的文章往往缺乏第一手经验和具体案例容易流于泛泛。我的做法是技能里强制要求agent在每篇文章中至少插入两个“实操细节”或“踩坑记录”这些内容必须来自我提供的素材库或真实项目数据。如果素材不足agent会提示“需要补充XX方面的实际案例”而不是硬编。4. 实操配置在Claude Code里跑通第一个营销技能4.1 环境准备与基础配置先说一下我的环境macOS系统Claude Code桌面版Node.js 20.x项目目录放在~/projects/marketingskills/。如果你用的是Ubuntu或者Windows WSL步骤基本一致主要差异在路径写法上。第一步是初始化项目结构。我在项目根目录下建了这几个文件夹marketingskills/ ├── .claude/ │ ├── skills/ # 技能定义文件 │ └── settings.json # Claude Code配置 ├── data/ │ ├── keywords/ # 关键词数据 │ └── audits/ # 审计报告输出 ├── scripts/ # 可执行脚本 └── CLAUDE.md # 全局指令.claude/settings.json里需要配置技能目录的加载路径我用的配置如下{ skills: { directory: .claude/skills, autoLoad: [seo-audit, cro-checklist, content-brief] }, permissions: { allowFileRead: true, allowFileWrite: true, allowBash: [node, python3, curl] } }autoLoad里放的是高频技能启动时自动加载。其他技能按需通过指令调用比如“加载竞品分析技能”。4.2 编写第一个技能文件以页面SEO审计为例技能文件用Markdown格式我以seo-audit.md为例展示结构# 技能页面SEO审计 ## 触发条件 当用户提供页面URL并要求进行SEO检查、优化建议或排名诊断时调用。 ## 输入参数 - url: 待审计页面URL必填 - targetKeyword: 目标关键词选填不填则自动推断 - pageType: 页面类型博客/产品页/分类页/落地页 ## 执行步骤 1. 抓取页面HTML提取title、meta description、H1-H6、图片alt、内链锚文本 2. 检查title标签核心关键词是否前置、长度是否在50-60字符、是否包含品牌名 3. 检查meta description是否包含目标关键词、长度是否在150-160字符、是否有行动号召 4. 检查标题层级H1是否唯一、H2-H6是否逻辑递进、是否有关键词自然分布 5. 检查图片alt是否描述性、是否包含关键词、文件格式是否优化 6. 检查内链锚文本是否多样化、是否指向相关页面、是否存在孤岛页面 7. 检查URL是否简短可读、是否包含关键词、是否使用连字符 8. 检查移动端viewport是否配置、字体大小是否可读、点击热区是否足够 ## 输出校验 - 每个检查项必须给出“通过/不通过/待验证”的明确结论 - 不通过项必须附带具体修改建议和优先级高/中/低 - 最终输出一张Markdown表格按优先级排序这个文件写完后在Claude Code里输入“用seo-audit技能检查 https://example.com/landing-page”agent就会按步骤执行并输出审计表格。4.3 技能调用与组合的实操演示单个技能跑通后真正体现价值的是技能组合。我演示一个实际场景用户给了一个落地页URL要求“提升转化率”。我的操作流程是先调用seo-audit技能检查页面的基础SEO健康度再调用cro-checklist技能做转化维度审计最后调用content-brief技能生成优化后的内容建议。三个技能的输出会汇总成一份完整的优化方案。在Claude Code里的指令写法是依次执行以下技能 1. seo-audit参数 urlhttps://example.com/landing-page 2. cro-checklist参数 urlhttps://example.com/landing-page, goallead-gen 3. content-brief参数 urlhttps://example.com/landing-page, targetKeywordxxx 将三个技能的输出合并为一份优化方案按优先级排序。实测下来这套组合跑一次大约需要2-3分钟输出一份3000字左右的优化方案包含具体修改建议和预期影响评估。人工做同样的工作大概需要2-3小时效率提升非常明显。注意技能组合时要注意输出格式的统一否则agent在合并阶段容易丢失信息。我的做法是在每个技能的输出校验里强制要求用Markdown表格这样合并时直接拼接表格即可。4.4 结构化数据技能的参数计算与部署结构化数据这块我单独展开说一下因为涉及具体的参数计算。以FAQPage schema为例技能执行时会做以下计算首先提取页面上的问答对判断是否符合FAQPage的使用条件。Google的要求是页面必须包含用户可见的问答内容且问答内容对用户有实际参考价值。如果页面上的“问答”只是营销话术的变体比如“为什么选择我们因为我们最专业”这种不符合条件。然后生成JSON-LD代码。每个问答对对应一个Question和AcceptedAnswer结构。我在这里加了一个校验AcceptedAnswer的文本长度不能超过页面可见答案的文本长度否则会被判定为标记内容与可见内容不一致。最后是验证环节。技能会输出一个Google Rich Results Test的链接并提示用户手动验证。我试过用curl直接调Google的验证API但那个接口有频率限制且不稳定后来改成半自动agent生成代码和验证链接人工点一下确认。5. 常见问题与排查技巧实录5.1 技能加载失败与路径问题最常见的问题是技能文件没被正确加载。表现是agent回复“我没有这个技能”或者直接忽略技能定义按通用逻辑回答。排查步骤先确认.claude/settings.json里的skills.directory路径是否正确注意是相对于项目根目录的路径再确认技能文件的命名是否符合规范我踩过的坑是用中文文件名导致agent解析失败最后检查文件权限确保Claude Code进程有读取权限。还有一个隐蔽的问题是技能文件里的Markdown格式错误。比如标题层级跳级、代码块没有闭合、表格列数不一致这些都会导致agent解析技能定义时出错。我的做法是每次修改技能文件后先用一个简单的测试指令验证加载是否正常。5.2 技能输出质量不稳定的调优方法技能跑多了会发现同样的输入agent的输出质量会有波动。我总结了几个调优方向。第一是增加示例。在技能文件里加一个“输出示例”部分展示期望的输出格式和详细程度。实测加了示例后输出一致性提升了大概40%。第二是明确禁止项。比如在SEO审计技能里加一条“禁止使用‘建议优化’这类模糊表述必须给出具体的修改后文本”这样agent就不会偷懒。第三是分步校验。对于复杂技能我在执行步骤里插入了中间校验点要求agent在完成每个阶段后先输出阶段结论确认无误再继续。这样虽然多了一轮交互但最终质量更可控。5.3 与本地模型配合时的兼容性处理有些朋友可能想在Claude Code里调用本地模型来跑这些技能我试过用LM Studio加载本地模型通过API接入。实测下来技能库的兼容性取决于本地模型的能力。7B参数级别的模型对技能定义的理解明显吃力经常漏掉执行步骤或输出格式不对。13B以上的模型基本可用但响应速度比云端模型慢不少。如果要用本地模型我的建议是简化技能定义把执行步骤从8步压缩到4-5步输出校验只保留最关键的2-3条。另外本地模型对Markdown表格的支持不稳定可以考虑把输出格式改成纯文本列表。5.4 常见问题速查表问题现象可能原因排查方法解决方案技能未被调用路径配置错误检查settings.json修正skills.directory路径输出格式混乱技能定义格式错误检查Markdown语法修复标题层级和代码块执行步骤遗漏技能描述过长统计技能文件字数压缩到500字以内输出质量波动缺少示例和禁止项对比不同次输出增加示例和明确禁止项本地模型不兼容模型能力不足换更大参数模型测试简化技能定义或换云端模型结构化数据报错标记与可见内容不一致用Rich Results Test验证确保标记内容用户可见5.5 几个我踩过的坑和对应的解法第一个坑是技能之间的依赖关系没处理好。我一开始把“内容brief生成”和“文章草稿撰写”做成两个独立技能结果agent在写草稿时经常忽略brief里的约束。后来我在草稿技能里加了一步“先读取brief文件并确认关键约束”问题才解决。第二个坑是过度依赖agent的判断。比如CRO审计里有个检查项是“首屏价值主张是否清晰”agent有时候会给出过于宽松的判断。我的解法是在技能里加入具体的测试方法如“5秒测试”让判断标准可操作化减少主观性。第三个坑是技能库的维护成本被低估。随着技能数量增加技能之间的冲突和冗余开始出现。我现在的做法是每月做一次技能库review合并功能重叠的技能删除使用频率低的技能保持技能库的精简和高效。6. 技能库的扩展方向与个人实践体会这套技能库跑了大半年目前稳定在15个核心技能左右覆盖了我日常80%的营销执行工作。后续我打算往两个方向扩展。一是增加数据分析类技能比如GA4事件配置检查、转化漏斗异常诊断、广告投放ROI归因分析把数据驱动的决策环节也纳入进来。二是打通技能与外部工具的联动比如让SEO审计技能直接调用Screaming Frog的CLI版本做全站抓取让内容brief技能直接写入Notion或飞书文档减少手动搬运。我个人在实际操作中的体会是技能库的价值不在于技能数量多而在于每个技能都经过真实项目的反复打磨。我最初攒了30多个技能但真正高频使用的就那七八个剩下的要么场景太窄要么执行步骤不够成熟。与其追求大而全不如先把三五个核心技能做深做透让agent在这些场景下的表现稳定超过通用回答然后再逐步扩展。另外一个小技巧我会定期把技能输出中特别好的案例保存下来作为技能文件的“优秀示例”更新进去。这样技能库会随着使用越来越“懂”我的业务语境输出质量也会持续提升。这个正反馈循环一旦跑起来AI agent就真的从一个通用助手变成了懂你业务的专属运营了。