企业官网建设流程全解析

1. 从“marketingskills”说起：一个被低估的营销技能库到底在解决什么问题

第一次看到marketingskills这个词，很多人会以为它只是某个营销课程的文件夹名，或者一份整理好的话术模板合集。但如果你最近在折腾 Claude Code、AI agents 这类工具，就会发现这个词背后其实藏着一个很实际的需求：把零散的营销能力，变成 AI 可以调用、可以复用、可以组合的技能单元。

我最初接触这个概念，是因为手上同时跑着几个独立站的 SEO 和 CRO 项目。每个项目都要做关键词调研、页面结构优化、FAQ 结构化数据、落地页文案、转化路径分析。这些活儿单独拎出来都不难，难的是它们高度重复，而且每次都要重新组织上下文。后来我开始用 Claude Code 做本地化的 agent 工作流，才意识到如果把营销动作拆成一个个 skill，让 agent 按需调用，效率会有质的变化。

marketingskills本质上就是这样一个东西：它不是某个具体工具，而是一套面向营销场景的技能组织方式。核心覆盖 SEO、CRO、内容策略、数据分析这几块，目标用户是那些既懂一点营销、又愿意用 AI 工具放大自己产出的人。你可以把它理解成一个“营销人的技能抽屉”，每个抽屉里放着一个可执行的 agent 能力，需要的时候拉出来用，不需要的时候不占地方。

这篇文章我会从实际落地的角度，把marketingskills的拆解思路、Claude Code 的接入方式、SEO 和 CRO 两个核心技能的具体实现、以及我在配置过程中踩过的坑，完整地讲一遍。不管你是刚听说 Claude Code 的新手，还是已经在用 AI agents 做营销自动化的老手，应该都能从里面找到能直接抄作业的部分。

2. 为什么要把营销技能拆成 AI agent 可调用的单元

2.1 传统营销工作流的三个死结

在讲怎么拆之前，先说说为什么要拆。我做过很长一段时间的独立站增长，传统工作流有三个问题一直绕不过去。

第一个是上下文丢失。你今天做关键词调研，明天写落地页文案，后天调 FAQ 结构化数据，每次切换任务，之前积累的行业理解、用户画像、竞品信息都要重新捡起来。人脑不是数据库，捡一次丢一次，效率极低。

第二个是重复劳动无法沉淀。比如“检查一个页面的 SEO 基础项”这个动作，我可能在不同项目里做过几十遍。每次都是打开页面、看 title、看 meta description、看 H 标签、看内链、看图片 alt。这些检查项是固定的，但因为没有沉淀成可复用的单元，每次都要手动走一遍。

第三个是工具割裂。SEO 用一套工具，CRO 用另一套，内容管理又是另一套。数据在工具之间流转靠人肉复制粘贴，出错率高，而且没法形成闭环。

2.2 把技能变成 agent 可调用的单元，到底改变了什么

marketingskills的思路，是把上面这三个问题一次性解决。具体来说，它做了三件事。

第一，把营销动作标准化。一个 skill 就是一个明确的输入输出契约。比如seo-audit这个 skill，输入是一个 URL 或者一段 HTML，输出是一份结构化的审计报告，包含 title 长度、meta 描述质量、H 标签层级、内链数量、图片 alt 覆盖率等。输入输出固定了，agent 才能稳定调用。

第二，把行业知识固化进 skill。比如做谷歌 SEO 的人都知道 FAQPage 结构化数据很重要，但具体怎么写、哪些字段必填、哪些常见错误会导致富媒体摘要不展示，这些细节如果每次都靠人回忆，很容易漏。把这块知识写进 skill 的 prompt 或者校验逻辑里，agent 每次执行都会自动带上。

第三，让技能可以组合。一个完整的营销任务，往往需要多个 skill 串联。比如“优化一个落地页的转化率”，可能需要先跑seo-audit看基础项，再跑cro-heuristic看转化要素，最后跑copy-suggestion生成文案建议。Claude Code 这类工具支持 agent 按顺序调用多个 skill，这就把单点能力变成了工作流。

提示：拆 skill 的时候不要贪大。一个 skill 只做一件事，做深做透。我见过有人把“SEO 优化”整个做成一个 skill，结果 prompt 长得没法维护，agent 调用时经常跑偏。拆成keyword-research、on-page-audit、schema-check三个独立 skill，反而更稳。

2.3 为什么选 Claude Code 作为承载工具

市面上能跑 agent 工作流的工具不少，我选 Claude Code 主要看中三点。

一是本地执行能力。Claude Code 可以直接在终端里跑命令、读写文件、调用本地脚本。做 SEO 审计的时候，我需要它去抓页面、解析 HTML、跑 Lighthouse，这些都需要本地环境支持。纯云端的 agent 工具在这块会受限。

二是模型可替换。Claude Code 默认用 Claude 系列模型，但通过一些配置方式，也可以接入其他模型。这对成本敏感的项目很重要，简单任务用便宜模型，复杂任务用强模型，灵活度更高。

三是和 VS Code 的集成。我大部分时间在 VS Code 里写代码和文档，Claude Code 的 VS Code 插件能让我不切换窗口就调用 agent，这个体验很顺。

当然，Claude Code 的安装和配置本身有一些门槛，尤其是国内网络环境下。这块我会在下一节详细讲，包括常见的报错和处理方式。

3. Claude Code 环境搭建：从安装到接入本地模型

3.1 安装前的准备工作

在装 Claude Code 之前，有几件事要先确认。

操作系统版本。Claude Code 对系统有要求，Windows 用户要注意 64 位版本兼容性问题，部分老版本 Windows 会报“与 64 位版本的 Windows 不兼容”。Mac 用户建议 macOS 12 以上，Ubuntu 用户建议 20.04 LTS 以上。我实测下来，Ubuntu 22.04 和 macOS 14 是最稳的。

Node.js 环境。Claude Code 依赖 Node.js，建议装 18 LTS 或 20 LTS。装完之后用node -v确认版本，低于 18 的话先升级。

终端工具。Mac 和 Linux 用系统自带终端就行，Windows 建议用 Windows Terminal 或者 Git Bash，不要用老版 cmd，会有编码问题。

账号准备。Claude Code 支持注册账号使用，也支持不注册通过第三方 API 接入其他模型。两种方式的区别后面会讲。

3.2 三种安装方式的实际操作

Claude Code 的安装方式主要有三种，我按推荐程度排序。

方式一：npm 全局安装（最推荐）

npm install -g @anthropic-ai/claude-code

装完之后运行claude --version确认。这种方式的好处是升级方便，npm update -g @anthropic-ai/claude-code就行。

方式二：官方安装脚本

curl -fsSL https://claude.ai/install.sh | bash

这种方式适合不想装 Node.js 全局包的用户，但升级要重新跑脚本。

方式三：桌面版安装包

Claude Code 有桌面版，适合不习惯命令行的用户。下载安装包之后按提示走就行。不过桌面版在 skill 调用和本地脚本执行上不如命令行版灵活，做marketingskills这类工作流还是推荐命令行版。

注意：安装过程中如果遇到网络问题导致下载失败，可以尝试切换 npm 镜像源，或者用方式二。不要用来源不明的第三方安装包，有安全风险。

3.3 VS Code 插件配置的细节

Claude Code 的 VS Code 插件配置有几个关键点，我踩过坑，这里说清楚。

装完插件之后，需要在 VS Code 的设置里配置 Claude Code 的可执行文件路径。如果你是用 npm 全局安装的，路径一般是/usr/local/bin/claude或者~/.npm-global/bin/claude。Windows 用户路径类似C:\Users\你的用户名\AppData\Roaming\npm\claude.cmd。

配置项在 VS Code 的settings.json里，大概长这样：

{ "claudeCode.executablePath": "/usr/local/bin/claude", "claudeCode.autoStart": true, "claudeCode.maxTokens": 8192 }

autoStart设成 true 的话，打开 VS Code 就自动启动 Claude Code 服务，省得每次手动开。maxTokens根据你的模型和任务复杂度调，做 SEO 审计这种需要处理长 HTML 的任务，建议调到 8192 以上。

3.4 接入本地模型和其他模型的方式

Claude Code 默认走 Claude 系列模型，但很多人想接入本地模型或者其他模型来降成本。这块我用过几种方案，说下实际体验。

接入 LM Studio 本地模型。LM Studio 可以在本地跑开源模型，通过它的本地 API 服务，Claude Code 可以调用。配置方式是在 Claude Code 的配置文件里指定 API base URL 和模型名。本地模型的好处是数据不出本机，适合处理敏感项目数据。缺点是本地模型能力有限，做复杂营销分析时质量不如云端强模型。

通过第三方 API 接入其他模型。有一些工具可以帮 Claude Code 接入其他模型服务，配置方式大同小异，都是改 API endpoint 和 key。这块要注意的是，不同模型对 prompt 格式的支持不一样，有些 skill 的 prompt 在 Claude 上跑得好，换到其他模型可能效果打折。建议换模型之后重新测一遍核心 skill。

不注册账号直接用其他模型。Claude Code 支持不登录直接用第三方模型，适合不想注册账号的用户。配置好 API key 之后就能跑，功能上和登录版差别不大，主要是少了官方的一些托管服务。

提示：接入本地模型时，注意模型的上下文窗口大小。做 SEO 审计要处理完整 HTML，上下文窗口小于 32K 的模型会截断内容，导致审计结果不完整。建议用 128K 以上窗口的模型。

4. marketingskills 的核心技能拆解：SEO 与 CRO 两块怎么落地

4.1 SEO 技能组：从关键词到结构化数据的完整链路

SEO 这块我拆了四个核心 skill，覆盖从调研到上线的完整链路。

skill 1：keyword-research

输入是一个种子关键词或者一个竞品 URL，输出是一组相关关键词，带搜索量、竞争度、意图分类。实现方式是调用关键词工具的 API，或者用本地爬虫抓搜索结果页做分析。我一般用 API 方式，稳定且数据全。

这个 skill 的关键在于意图分类。搜索意图分四类：信息型、导航型、商业调研型、交易型。不同意图的关键词，后续内容策略完全不同。信息型关键词适合做博客内容，交易型关键词适合做落地页。分类做错了，后面全错。

skill 2：on-page-audit

输入是一个 URL，输出是一份页面 SEO 审计报告。检查项包括：

这个 skill 我用了最久，迭代了七八个版本。最大的坑是 HTML 解析。有些页面是 JS 渲染的，直接抓 HTML 拿不到内容，需要等 JS 执行完再抓。我现在的做法是先判断页面是否是 SPA，是的话用无头浏览器抓，不是的话直接 requests 抓。

skill 3：schema-check

这个 skill 专门检查结构化数据，尤其是 FAQPage 结构化数据。谷歌 SEO 里 FAQPage 结构化数据能让页面在搜索结果里展示 FAQ 富媒体摘要，点击率提升明显。

FAQPage 结构化数据的核心字段：

{ "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [ { "@type": "Question", "name": "问题文本", "acceptedAnswer": { "@type": "Answer", "text": "答案文本" } } ] }

常见错误有几个：一是mainEntity写成了mainEntity以外的字段名，二是acceptedAnswer里缺@type，三是答案文本里带了 HTML 标签导致解析失败。这个 skill 会逐项校验，给出修改建议。

注意：FAQPage 结构化数据不是加了就一定有富媒体摘要。谷歌会审核内容质量，如果 FAQ 内容是凑数的、和页面主题无关的，不会展示。所以这个 skill 除了校验格式，还会做一个内容相关性检查。

skill 4：content-brief

输入是一个目标关键词，输出是一份内容大纲，包含建议的 H 标签结构、需要覆盖的子话题、内链建议、字数建议。这个 skill 解决的是“写什么”的问题，把关键词调研的结果转化成可执行的内容计划。

4.2 CRO 技能组：把转化率优化变成可执行的检查清单

CRO 这块我拆了三个 skill。

skill 1：cro-heuristic

这是一个启发式检查 skill，输入是一个落地页 URL，输出是一份转化要素审计报告。检查维度包括：

• 首屏清晰度：用户 5 秒内能不能看懂你是干什么的
• 价值主张：有没有一句话说清楚为什么选你
• 信任信号：有没有客户评价、案例、资质认证
• 行动号召：CTA 按钮是否醒目、文案是否有行动力
• 表单摩擦：表单字段是否过多、有没有不必要的必填项
• 移动端体验：按钮是否好点、文字是否可读

这个 skill 的 prompt 里我固化了一套评分标准，每个维度 1-5 分，最后给一个总分和改进优先级。实测下来，这套标准对独立站落地页的诊断准确率挺高。

skill 2：ab-test-plan

输入是一个页面和优化目标，输出是一个 A/B 测试计划，包含测试假设、变量设计、样本量计算、测试周期建议。

样本量计算这块很多人会忽略。我见过有人跑了三天 A/B 测试就下结论，结果样本量根本不够，结论不可靠。这个 skill 会根据当前流量和预期提升幅度，算出需要的最小样本量和测试天数。

计算公式大概是：

n = (Zα/2 + Zβ)^2 * 2 * p * (1-p) / Δ^2

其中 p 是当前转化率，Δ 是预期提升幅度，Zα/2 和 Zβ 是置信水平对应的 Z 值。这个公式 skill 里会自动算，不用手动。

skill 3：copy-suggestion

输入是一段现有文案和优化目标，输出是改写建议。这个 skill 的核心是 prompt 设计，我用了几个技巧：一是要求 agent 先分析现有文案的问题，再给建议，避免直接改写导致方向跑偏；二是要求给出多个版本，方便 A/B 测试；三是要求标注每个改动的理由，方便人工判断。

4.3 技能之间的组合调用

单个 skill 能解决单点问题，但真正的价值在组合。我常用的一个组合是“落地页全面优化”工作流：

1. 先跑on-page-audit，看 SEO 基础项有没有问题
2. 再跑cro-heuristic，看转化要素有没有短板
3. 然后跑copy-suggestion，针对转化短板生成文案建议
4. 最后跑ab-test-plan，设计验证方案

这个工作流在 Claude Code 里可以用一个主 agent 串联，每个 skill 的输出作为下一个 skill 的输入。跑一遍大概 3-5 分钟，比人工走一遍快得多，而且不会漏项。

5. 实操过程：从零跑通一个 SEO 审计工作流

5.1 环境初始化与项目结构

先建一个项目目录，结构大概这样：

marketing-agent/ ├── skills/ │ ├── seo/ │ │ ├── keyword-research.md │ │ ├── on-page-audit.md │ │ ├── schema-check.md │ │ └── content-brief.md │ └── cro/ │ ├── cro-heuristic.md │ ├── ab-test-plan.md │ └── copy-suggestion.md ├── config/ │ └── claude-code.json ├── scripts/ │ ├── fetch_page.py │ └── parse_html.py └── output/ └── reports/

每个 skill 是一个 markdown 文件，里面写清楚输入输出契约和 prompt。Claude Code 读取这些文件，按需调用。

5.2 编写 on-page-audit skill 的完整过程

这个 skill 我写得最细，拿它举例。

第一步，定义输入输出。输入是一个 URL，输出是一个 JSON 格式的审计报告。JSON 结构：

{ "url": "页面地址", "score": 85, "checks": [ { "item": "title_length", "status": "pass", "value": "55 characters", "suggestion": "" }, { "item": "meta_description", "status": "fail", "value": "missing", "suggestion": "添加 150-160 字符的 meta 描述，包含目标关键词" } ] }

第二步，写 prompt。prompt 的核心是告诉 agent 怎么抓页面、怎么解析、怎么判断。我用的抓取脚本是 Python 写的，agent 调用脚本拿到 HTML，然后按检查项逐项分析。

第三步，测试和迭代。我拿自己手上的五个独立站页面跑了一遍，发现两个问题：一是 JS 渲染页面抓不到内容，二是部分页面的 H 标签嵌套不规范导致解析出错。针对第一个问题，加了无头浏览器兜底；针对第二个问题，用了更宽松的 HTML 解析器。

5.3 跑通完整工作流的现场记录

拿一个真实的独立站落地页举例。页面是一个 SaaS 产品的定价页，目标是提升试用注册转化率。

先跑on-page-audit，结果：

• Title 长度 72 字符，超标，建议改到 60 以内
• Meta 描述缺失，建议补上
• H1 有 2 个，建议合并成 1 个
• 内链 2 个，偏少，建议加到 5 个以上
• 图片 alt 覆盖率 60%，建议补全

再跑cro-heuristic，结果：

• 首屏清晰度 3 分，价值主张不够突出
• 信任信号 2 分，没有客户评价
• 行动号召 4 分，CTA 按钮明显
• 表单摩擦 3 分，字段 7 个偏多
• 移动端体验 4 分，基本可用

然后跑copy-suggestion，针对首屏和信任信号生成改写建议。最后跑ab-test-plan，设计了一个测试：把表单字段从 7 个减到 4 个，看转化率变化。样本量算下来需要 3200 次访问，按当前流量大概跑 12 天。

整个流程跑完，输出了一份完整的优化方案，包含 15 条具体建议，按优先级排序。人工走一遍这个流程大概要半天，agent 跑了 4 分钟。

5.4 参数调优与效果验证

跑通之后，我做了几轮参数调优。

抓取超时时间。默认 10 秒，有些慢页面抓不到。调到 30 秒之后稳定了。

HTML 解析深度。默认解析到 body 结束，有些页面内容在 iframe 里，解析不到。加了 iframe 递归解析。

评分权重。cro-heuristic的五个维度默认等权重，但实际项目里信任信号和行动号召更重要。我把这两个维度的权重调高，总分更符合实际转化情况。

效果验证方面，我拿优化前后的页面做了对比。优化后的页面，试用注册转化率从 2.1% 提升到 3.4%，提升幅度 62%。当然这不全是 agent 的功劳，但 agent 确实帮我把优化项找全了，没有遗漏。

6. 常见问题与排查技巧实录

6.1 Claude Code 安装与配置类问题

问题一：安装时报“与 64 位版本的 Windows 不兼容”。

这个一般是 Node.js 版本问题。先确认 Node.js 是 64 位版本，用node -p "process.arch"看输出是不是x64。如果是ia32，说明装的是 32 位 Node.js，卸载重装 64 位版本。

问题二：VS Code 插件连不上 Claude Code 服务。

先确认 Claude Code 命令行版能正常跑，claude --version有输出。然后检查 VS Code 设置里的可执行文件路径对不对。Windows 用户注意路径里的反斜杠要转义，或者直接用正斜杠。

问题三：提示“your organization has disabled claude subscription access”。

这个是账号权限问题，一般是组织管理员限制了订阅访问。处理方式是换个人账号，或者用第三方 API 方式接入其他模型。具体用哪种看你的项目需求。

问题四：Ubuntu 下安装后命令找不到。

npm 全局安装的包默认在~/.npm-global/bin或者/usr/local/bin，如果这个路径不在 PATH 里，命令就找不到。在~/.bashrc里加一行export PATH=$PATH:~/.npm-global/bin，然后source ~/.bashrc。

6.2 marketingskills 运行类问题

问题一：SEO 审计抓不到 JS 渲染页面的内容。

这是最常见的坑。判断方法：用curl抓页面，如果返回的 HTML 里没有实际内容，说明是 JS 渲染。处理方式是加无头浏览器兜底，或者用页面渲染服务先渲染再抓。

问题二：FAQPage 结构化数据校验通过但富媒体摘要不展示。

格式没问题不代表内容没问题。谷歌会审核 FAQ 内容的相关性和质量。检查两点：一是 FAQ 问题是不是用户真实会问的，二是答案是不是有实质内容。凑数的 FAQ 不会展示。

问题三：CRO 评分和实际转化情况不符。

评分是启发式的，不是绝对准确的。如果发现评分高但转化低，检查两个地方：一是流量质量，低质量流量转化本来就低；二是评分维度权重，可能你项目的关键维度权重设低了。调整权重后重新跑。

问题四：agent 调用 skill 时 prompt 跑偏。

一般是 skill 的 prompt 太长或者太模糊。处理方式：一是拆 skill，一个 skill 只做一件事；二是 prompt 里加明确的输出格式要求；三是加 few-shot 示例，给 agent 看一两个正确输出的例子。

6.3 常见问题速查表

6.4 我踩过的三个大坑

坑一：skill 写得太泛。一开始我把“SEO 优化”做成一个 skill，prompt 写了 2000 多字，结果 agent 调用时经常只做一部分检查，漏项严重。后来拆成四个 skill，每个 300-500 字，稳定性大幅提升。

坑二：忽略页面加载速度。早期做 SEO 审计只看内容项，不看速度。后来发现速度对排名影响很大，加了 Lighthouse 检查。现在速度是审计报告里的必查项。

坑三：A/B 测试样本量不足就下结论。这个坑最贵。有一次跑了五天测试，看到转化率提升 15% 就全量上线，结果上线后转化率反而降了。后来复盘发现样本量不够，那 15% 是随机波动。现在ab-test-planskill 会强制算样本量，不够就不让下结论。

提示：做营销 agent 工作流，最大的价值不是自动化，而是标准化。自动化只是快，标准化才能保证每次执行的质量一致。skill 的 prompt 就是标准化的载体，值得花时间打磨。

7. 技能库的扩展方向与个人实践体会

marketingskills这套东西跑顺之后，我开始往几个方向扩展。

一个是内容营销方向。加了content-calendarskill，输入是关键词列表和内容目标，输出是一个三个月的内容排期，包含每篇的主题、目标关键词、内链策略、发布节奏。这个 skill 解决的是“持续产出”的问题，避免三天打鱼两天晒网。

另一个是数据分析方向。加了ga4-insightskill，输入是 GA4 的导出数据，输出是一份洞察报告，包含流量来源变化、转化路径分析、异常波动提醒。这个 skill 让我不用天天盯着 GA4 后台看，agent 会主动把异常点拎出来。

还有一个是竞品监控方向。加了competitor-watchskill，定期抓竞品的页面变化、内容更新、外链增长，输出变化报告。这个 skill 帮我省了大量手动检查的时间。

实际用下来，我的体会是：skill 的质量取决于你对业务的理解深度，而不是 prompt 写得多花哨。一个对 SEO 理解深刻的人，写出来的on-page-auditskill 就是比不懂 SEO 的人写得好。AI 是放大器，不是替代品。你懂多少，它放大多少；你不懂，它放大的是你的错误。

另外，skill 库要持续迭代。我现在的on-page-audit已经迭代到第八版，每次遇到新的页面类型或者新的 SEO 规则变化，就更新一次。这个过程本身就是知识沉淀，比写文档有用得多。

最后分享一个小技巧：skill 的 prompt 里加一个“不确定时怎么办”的指令。比如“如果页面结构无法解析，输出错误信息而不是猜测”。这个指令能大幅减少 agent 的幻觉，让输出更可靠。我试过不加这个指令，agent 遇到解析不了的页面会编造审计结果，加了之后就会老老实实报错。这个细节看起来小，但实际用起来差别很大。