企业官网建设流程全解析

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，我脑子里冒出来的第一个念头是：这大概率不是一个单纯的营销理论合集，而是一套把营销动作拆成可执行技能单元的东西。结合热搜词里反复出现的 Claude Code、AI agents、SEO、CRO 这几个词，基本可以判断，这个项目想做的事情，是把传统上依赖人肉经验和零散工具的营销工作，改造成一套能被 AI 代理理解和调用的"技能包"。

为什么这么说？因为"skills"这个词在 AI agent 语境里是有明确含义的。它指的不是泛泛的能力，而是一段被结构化封装、有明确输入输出、可以被反复调用的执行单元。比如"写一篇符合搜索意图的落地页文案"是一个 skill，"对现有页面做转化率诊断并给出修改建议"也是一个 skill。把这些 skill 组织起来，就形成了所谓的 marketingskills。

这个方向解决的核心痛点其实很现实。做过营销的人都知道，SEO 和 CRO 这两块工作最大的问题不是没有方法论，而是方法论太碎、执行太依赖个人状态。一个 SEO 专员今天状态好，能写出结构清晰、关键词布局合理、内链逻辑通顺的文章；状态差的时候，同样的选题写出来就是流水账。CRO 更是如此，A/B 测试的假设设计、样本量计算、结果解读，每一步都有坑，但很多团队根本没有系统化的流程，全靠"感觉这个按钮颜色该换换"。

marketingskills 这类项目的价值，就是把这些依赖个人经验的判断，转化成 AI agent 可以稳定执行的技能。你给它一个页面 URL，它能按固定流程做技术 SEO 审计；你给它一个转化目标，它能按框架生成测试假设。这不是要取代营销人员，而是把重复性、流程性的部分交给机器，让人专注于策略和创意。

这篇文章适合谁看？如果你是在做独立站、做内容营销、或者带一个小团队负责增长，同时对 Claude Code 这类 AI 编程工具感兴趣，那这篇内容会对你有直接帮助。我会从技能拆解、SEO 技能包设计、CRO 技能包设计、以及怎么用 Claude Code 把这些技能跑起来这几个角度，把这件事讲透。即使你之前没接触过 AI agent，也能看懂背后的逻辑。

2. 把营销工作拆成 AI 能执行的技能单元

2.1 为什么"技能"这个粒度比"工具"和"流程"都合适

在讨论具体怎么拆之前，得先想清楚一个问题：为什么是"技能"这个粒度，而不是"工具"或者"流程"？

工具的问题是太底层。比如 Screaming Frog 是一个工具，它能爬取网站、导出技术 SEO 数据。但工具本身不知道你要解决什么问题，你得自己判断哪些数据重要、哪些问题优先修。流程的问题是太死板。一个完整的"内容 SEO 流程"可能包含选题、调研、大纲、写作、优化、发布、监测七八个环节，AI agent 一次性执行这么长的流程，中间任何一步出问题都会导致整体失败。

技能刚好卡在中间。一个 skill 有明确的触发条件、明确的输入、明确的输出、以及可验证的成功标准。比如"检查页面标题标签是否符合搜索意图"就是一个合格的 skill：输入是页面 HTML 和目标关键词，输出是标题标签的诊断结果和修改建议，成功标准是建议是否具体可执行。这种粒度既不会太泛，也不会太窄，AI agent 执行起来成功率高，出错了也容易定位。

我自己的经验是，一个营销 skill 最好控制在"一个 agent 在一次对话里能完成"的范围内。超过这个范围，就应该拆成两个 skill，用编排逻辑串起来。这个原则听起来简单，但实际操作中很容易违反，因为人总是倾向于把相关的事情打包在一起。

2.2 一个合格 marketing skill 的四个组成要素

拆了几个版本之后，我总结出一个 marketing skill 要真正可用，必须包含四个要素，缺一个都会导致执行不稳定。

第一个是触发描述。这是给 AI agent 看的，用自然语言说明什么情况下应该调用这个 skill。比如"当用户提供一个页面 URL 并希望评估其 SEO 健康度时触发"。触发描述要写得足够具体，避免 agent 在不该调用的时候调用。

第二个是输入规范。明确这个 skill 需要哪些输入，每个输入的格式是什么。比如页面 URL 必须是完整 URL，目标关键词是字符串，竞品 URL 是可选列表。输入规范不清晰，agent 就会自己瞎猜，结果自然不可控。

第三个是执行步骤。这是 skill 的核心，把完成这个任务的标准动作按顺序写清楚。注意是"标准动作"，不是"所有可能的动作"。步骤要足够具体，让 agent 知道每一步该做什么、该看什么、该判断什么。

第四个是输出格式。明确 skill 执行完应该产出什么。是 Markdown 报告、JSON 数据、还是直接修改文件？输出格式固定下来，后续的 skill 才能稳定地消费前一个 skill 的结果。

提示：很多人在设计 skill 时只关注执行步骤，忽略了触发描述和输出格式，结果就是 agent 要么不调用，要么调用完输出一堆没法用的东西。这四个要素的重要性是均等的。

2.3 从热搜词反推：为什么 SEO 和 CRO 是最先被技能化的两块

热搜词里 SEO 和 CRO 出现频率很高，这不是偶然。这两块工作有几个共同特点，让它们特别适合被技能化。

一是规则性强。SEO 有大量明确的技术规则，比如标题标签长度、H 标签层级、结构化数据格式、内链锚文本规范。这些规则不依赖创意，只依赖执行，AI agent 做起来比人稳定。CRO 也有类似特点，样本量计算、显著性检验、测试假设的格式，都是有标准答案的。

二是重复性高。每个页面都要做技术审计，每个测试都要走一遍假设设计流程。人做多了会烦、会偷懒、会跳过步骤，AI 不会。

三是反馈可量化。SEO 的效果看排名和流量，CRO 的效果看转化率，都有明确的数据反馈。这意味着 skill 执行得好不好，是可以被验证和迭代的。

相比之下，品牌创意、内容调性这类工作，规则性弱、主观性强，技能化的难度就大很多。不是说不能做，而是优先级应该往后放。先把规则性强的部分自动化，把人的精力释放出来做真正需要判断力的事情，这个顺序更合理。

3. SEO 技能包的设计：从技术审计到内容优化

3.1 技术 SEO 审计 skill：把检查清单变成可执行流程

技术 SEO 审计是最适合做成 skill 的部分，因为它本质上就是一张检查清单。但直接把检查清单丢给 AI 是没用的，得把它转化成有执行顺序、有判断逻辑的流程。

我设计的这个 skill，执行步骤大致是这样的。第一步，抓取页面 HTML 和响应头，检查状态码、重定向链、canonical 标签、robots meta 标签。这一步是纯技术检查，输出是问题列表。第二步，解析页面结构，检查 H 标签层级是否合理、是否有多个 H1、标题标签和描述标签的长度及内容。第三步，检查结构化数据，看是否有 JSON-LD、类型是否正确、必填字段是否齐全。第四步，检查内链和外链，看锚文本是否描述性、是否有断链、外链是否加了合适的 rel 属性。第五步，综合以上结果，按严重程度排序，给出修复优先级。

这里有个关键细节：严重程度排序不能拍脑袋。我的做法是定义一个简单的评分规则，比如影响爬虫抓取的算 P0，影响索引的算 P1，影响排名的算 P2，影响用户体验的算 P3。每个检查项预先归好类，agent 执行时直接套用。这样输出的报告才有可操作性，而不是一堆问题堆在一起让人无从下手。

注意：技术 SEO 审计 skill 最容易出的问题是"报了一堆问题但没说怎么修"。输出格式里必须强制要求每个问题附带具体的修复建议，最好能给出修改后的代码示例。

3.2 关键词意图分析 skill：判断一个词值不值得做

关键词研究很多人都在做，但大部分人的做法是看搜索量、看难度，然后挑一个"看起来不错"的词。这个做法的问题在于，它忽略了搜索意图这个最关键的变量。一个搜索量很高但意图不匹配的词，做上去也带不来转化。

这个 skill 的设计思路是，输入一个关键词，输出它的意图分类、内容类型建议、以及是否值得投入的判断。执行步骤上，第一步先做意图分类，把关键词归到信息型、导航型、商业调研型、交易型这四类里。第二步，根据意图推荐内容类型，信息型适合教程和指南，商业调研型适合对比和评测，交易型适合产品页和落地页。第三步，结合搜索结果的实际情况验证意图判断，看首页排名的都是什么类型的页面。第四步，给出投入建议，包括预期难度、所需内容量级、以及大概的见效周期。

这个 skill 的价值在于，它把"这个词能不能做"这个模糊问题，变成了一个有依据的判断。我实测下来，用这个 skill 筛出来的关键词，内容做出来之后的排名表现，比凭感觉选的关键词稳定得多。

3.3 内容优化 skill：让已有页面重新获得排名

很多站点的问题不是没有内容，而是内容做了之后就不管了，排名慢慢掉下去。内容优化 skill 就是针对这个场景的。

这个 skill 的输入是一个已有页面的 URL 和目标关键词，输出是优化建议清单。执行步骤包括：对比当前页面内容和搜索结果首页的内容，找出覆盖不足的子话题；检查关键词密度和分布，看是否有过度优化或优化不足；检查内部链接，看是否有足够的内部页面指向这个页面；检查内容新鲜度，看是否有过时的信息需要更新；最后给出具体的修改建议，按优先级排序。

这里有个经验值得分享：内容优化不要一次改太多。我见过有人拿到优化建议后，把标题、正文、内链、结构化数据全改了一遍，结果排名不升反降，因为搜索引擎需要时间重新评估，改动太大反而触发了重新审核。我的做法是分批改，先改标题和开头段落，观察两周，再改正文结构和内链。这样每一步的效果都能归因，出问题也容易回滚。

3.4 FAQ 结构化数据：热搜词里那个具体问题的答案

热搜词里有一条"谷歌seo的 faqpage 结构化数据是怎么回事"，这个问题很具体，值得单独说一下。FAQPage 结构化数据的作用是让搜索引擎知道页面上有问答内容，有机会在搜索结果里展示富媒体摘要。但很多人用错了，把 FAQ 结构化数据加在根本没有问答内容的页面上，或者把不相关的问题硬塞进去，这属于违规操作，可能导致手动处罚。

在 marketingskills 的框架里，FAQ 结构化数据应该是一个独立的 skill。它的触发条件是"页面包含真实的问答内容且希望获得富媒体展示"。执行步骤是：先验证页面上确实有问答内容，且问答是面向用户的真实问题；然后按 schema.org 的 FAQPage 规范生成 JSON-LD；再验证 JSON-LD 的语法正确性；最后提醒用户，结构化数据只是"申请"，是否展示由搜索引擎决定，不要期待加了就一定有富媒体。

提示：FAQ 结构化数据的内容必须和页面上用户可见的内容一致，不能只放在 JSON-LD 里而页面上看不到。这是最常见的违规点。

4. CRO 技能包的设计：从假设生成到结果解读

4.1 转化率诊断 skill：先搞清楚问题出在哪

CRO 最常见的错误是还没搞清楚问题在哪，就开始改按钮颜色。转化率诊断 skill 的目的，就是强制在动手之前先做诊断。

这个 skill 的输入是页面 URL 和转化目标（比如注册、下单、留资），输出是转化漏斗各环节的问题诊断。执行步骤上，第一步先梳理页面的转化路径，从进入到完成目标要经过哪些步骤。第二步，对每一步评估可能的流失原因，包括信息是否清晰、信任信号是否足够、操作成本是否过高、是否有干扰元素。第三步，结合常见的 CRO 原则（比如减少表单字段、增加社会证明、明确价值主张）给出诊断结论。第四步，按影响力和实施难度给问题排序。

这个 skill 有个设计上的取舍值得说：它不做数据采集，只做基于页面内容的诊断。因为数据采集涉及分析工具对接，复杂度高，而且不同团队用的工具不一样。把数据采集和诊断分开，诊断 skill 可以独立运行，适用性更广。如果你有数据，可以人工把数据作为额外输入提供给 skill，诊断会更准。

4.2 测试假设生成 skill：把诊断结论变成可测试的假设

诊断出问题之后，下一步是生成测试假设。很多人跳过这一步直接改页面，结果改完不知道是哪个改动起了作用。测试假设的作用是让每次改动都有明确的预期和验证标准。

这个 skill 的输入是诊断结论，输出是结构化的测试假设列表。每个假设包含四个部分：如果（做了什么改动）、那么（预期什么变化）、因为（背后的理由是什么）、验证方式是（怎么衡量成功）。比如"如果在首屏增加客户 logo 墙，那么留资转化率会提升，因为社会证明能降低决策风险，验证方式是对比实验组和对照组的留资率"。

这里的关键是**"因为"部分不能省**。没有理由的假设就是瞎猜，测试失败了也不知道为什么失败。有了理由，即使测试失败，也能积累认知，知道这个理由在这个场景下不成立。

4.3 样本量与显著性 skill：避免得出错误结论

这是 CRO 里技术性最强、也最容易被忽略的部分。很多团队做 A/B 测试，跑了两天看到 B 版本高 5% 就宣布胜利，结果上线后效果消失。问题就出在样本量不够、没做显著性检验。

这个 skill 的输入是当前转化率、最小可检测效果、以及期望的统计功效，输出是所需样本量和预计测试时长。执行步骤是套用标准的样本量计算公式，这里不展开公式细节，但要说清楚几个参数的含义。当前转化率是基线，最小可检测效果是你希望检测到的最小提升幅度，统计功效通常取 80%，显著性水平通常取 0.05。

我实测下来，很多团队的最小可检测效果设得太小，比如想检测 2% 的提升，结果算出来需要几十万样本，根本跑不到。这种情况下要么接受更大的最小可检测效果，要么放弃这个测试。承认测试做不了，比做一个得出错误结论的测试要好。

4.4 结果解读 skill：测试跑完之后怎么下结论

测试跑完，数据出来了，怎么解读也是有讲究的。这个 skill 的输入是测试数据，输出是结论和建议。

执行步骤包括：先检查样本量是否达到预设要求，没达到就不能下结论；然后计算显著性，看差异是否统计显著；再看实际提升幅度是否达到最小可检测效果；最后结合业务判断，即使统计显著，如果提升幅度太小、实施成本太高，也未必值得上线。

这里有个坑要提醒：不要看整体数据，要看分群数据。有时候整体没差异，但某个渠道或某类用户的差异很明显。反过来，整体有差异，但拆开看发现是某个异常渠道拉高的，实际不可复制。分群分析能帮你发现这些情况。

5. 用 Claude Code 把技能包跑起来

5.1 为什么选 Claude Code 而不是其他方案

热搜词里 Claude Code 出现频率极高，说明很多人已经在关注这个工具。选它来跑 marketingskills，有几个实际理由。

一是它对文件系统的操作能力比较强。营销 skill 经常需要读写文件，比如读取页面 HTML、写入诊断报告、修改配置文件。Claude Code 在这方面的支持比较自然，不需要额外封装。

二是它支持自定义指令和技能定义。你可以把 skill 的定义写成文件，Claude Code 在执行时会参考这些定义。这正好契合 marketingskills 的设计思路。

三是它的终端集成能力。SEO 审计经常需要跑命令行工具，比如爬虫、链接检查器。Claude Code 能直接执行终端命令，把工具调用和技能执行串起来。

当然，如果你因为各种原因用不了 Claude Code，这套 skill 设计思路本身是通用的，换成其他支持自定义指令的 AI 工具也能跑，只是具体配置方式不同。

5.2 技能文件的组织方式

我的做法是在项目目录下建一个 skills 文件夹，每个 skill 一个 Markdown 文件。文件名用 skill 的英文标识，比如 technical-seo-audit.md、keyword-intent-analysis.md。文件内容按前面说的四个要素组织：触发描述、输入规范、执行步骤、输出格式。

这样组织的好处是，skill 定义和代码分离，修改 skill 不用动代码。而且 Markdown 格式人也能读，团队协作时谁都能看懂每个 skill 在做什么。

注意：skill 文件不要写得太长。我见过有人一个 skill 写了三千字，结果 agent 执行时抓不住重点。单个 skill 文件控制在 500 到 1000 字比较合适，把核心步骤说清楚就行，细节可以放在执行时按需补充。

5.3 一个完整的执行示例：从 URL 到审计报告

假设你要对一个页面做技术 SEO 审计，整个流程是这样的。

第一步，你把页面 URL 提供给 Claude Code，并说明要做技术 SEO 审计。Claude Code 根据触发描述匹配到 technical-seo-audit 这个 skill。

第二步，Claude Code 按 skill 的执行步骤，先抓取页面 HTML。这一步它可能会调用 curl 或者写个简单的脚本。抓取完成后，它按步骤逐项检查状态码、canonical、H 标签、结构化数据、内链外链。

第三步，检查完成后，它按输出格式生成报告。报告里每个问题都有严重程度、具体描述、修复建议。如果 skill 定义里要求给代码示例，它还会给出修改后的 HTML 片段。

第四步，报告生成后，你可以直接看，也可以让 Claude Code 根据报告去修改页面文件。如果让它改，建议先让它列出要改哪些地方，你确认后再动手，避免改错。

这个流程跑通之后，一个页面的技术审计从原来的人工半小时，压缩到几分钟。而且因为是按固定流程走的，不会漏项。

5.4 本地模型接入的取舍

热搜词里有人问 Claude Code 能不能调用本地模型。技术上是可以的，通过配置指向本地的模型服务就行。但这里有个实际的取舍要想清楚。

本地模型的优势是数据不出本地，适合处理敏感内容。劣势是能力通常不如云端模型，尤其是在需要复杂推理和多步执行的场景下。技术 SEO 审计这种任务，步骤多、判断多，对模型能力要求不低。本地模型跑起来可能会在中间步骤卡住，或者判断不准。

我的建议是，如果数据敏感度不高，优先用能力强的模型，把 skill 跑顺。如果确实需要本地处理，那就把 skill 拆得更细，每个 skill 只做一件简单的事，降低对单次推理能力的要求。不要指望一个能力有限的本地模型能一次性完成复杂的多步任务。

6. 实操中踩过的坑和攒下的经验

6.1 技能粒度拆错导致的连锁失败

最开始设计 skill 的时候，我把"内容 SEO 全流程"做成了一个 skill，从选题到发布全包。结果执行成功率很低，经常跑到一半就乱了。后来拆成选题、大纲、写作、优化四个独立 skill，每个单独跑都很稳。

这个教训是：skill 的粒度应该按"一次推理能稳定完成"来定，而不是按"业务上相关"来定。业务上相关的事情，可能对 AI 来说跨度太大。拆细之后，用编排逻辑串起来，整体成功率反而更高。

6.2 输出格式不固定导致的解析失败

早期版本的 skill 没有严格规定输出格式，结果 agent 每次输出的报告结构都不一样。有时候是列表，有时候是表格，有时候是段落。这导致后续想用脚本处理报告时，根本没法解析。

后来我在每个 skill 的输出格式里都明确要求用固定的 Markdown 结构，比如问题列表必须用表格，每行包含问题、严重程度、修复建议三列。格式固定之后，报告既能给人看，也能给脚本处理，灵活性大大提升。

6.3 过度依赖 AI 判断导致的质量波动

有一段时间我太信任 AI 的判断，skill 里很多地方写的是"根据情况判断"，没有给明确的判断标准。结果同样的输入，不同时候跑出来的结果不一样，质量波动很大。

后来我把所有需要判断的地方都补上了明确标准。比如"标题标签是否过长"改成"标题标签超过 60 个字符视为过长"。"内链是否足够"改成"页面内链少于 3 条视为不足"。有了明确标准，输出就稳定了。AI 擅长执行明确规则，不擅长在模糊地带做一致判断，这个认知很重要。

6.4 人工复核环节不能省

即使 skill 跑得很顺，我仍然保留人工复核环节。尤其是涉及页面修改的 skill，改完之后一定要人看一眼再上线。AI 有时候会做出技术上正确但业务上不合理的修改，比如为了关键词密度把句子改得不通顺，或者为了内链数量加了不相关的链接。

复核的重点是看修改是否符合业务逻辑和用户价值，而不是只看技术指标。这个环节花的时间不多，但能避免很多低级错误。

7. 关于这套东西后续怎么扩展

跑通 SEO 和 CRO 这两块之后，我陆续在往里面加新的 skill。目前想到的几个方向，一个是邮件营销的 skill，包括主题行优化、发送时机建议、列表细分；一个是广告投放的 skill，包括受众定位建议、创意文案生成、投放效果诊断；还有一个是竞品分析的 skill，定期抓取竞品动态并生成简报。

扩展的时候有个原则：新 skill 要能复用已有的输出格式和判断标准。比如竞品分析 skill 输出的问题列表，格式和技术 SEO 审计的问题列表保持一致，这样后续可以用同一套脚本处理。格式统一带来的复用价值，比每个 skill 各自为政要大得多。

另外，skill 之间可以组合。比如关键词意图分析 skill 的输出，可以直接作为内容优化 skill 的输入。这种组合不需要额外开发，只要保证前一个 skill 的输出格式符合后一个 skill 的输入规范就行。这也是为什么我一直强调输出格式要固定。

最后分享一个我在实际使用中的体会：这套东西的价值不在于替代人，而在于把人从重复劳动里解放出来。以前我花大量时间做技术审计、写测试假设、算样本量，现在这些交给 skill 跑，我把时间花在策略思考和创意上。营销的核心竞争力从来不是谁检查得更仔细，而是谁想得更深、更快。把执行层面的东西自动化，才有精力去做真正拉开差距的事情。