企业官网建设流程全解析

1. 从"marketingskills"这个仓库名说起：它到底想解决什么问题

第一次看到marketingskills这个名字，我的直觉是：这大概率是一个把营销领域里那些高频、重复、有固定套路的活儿，封装成可复用技能模块的项目。后来翻了一圈资料，结合它出现在 Claude Code、AI agents、Agent Skills spec 这些关键词的语境里，基本可以确认——它是一套面向 AI 智能体的"营销技能包"，用一套约定好的规范（Agent Skills spec）把营销工作流拆成一个个可被 AI 调用的技能单元。

说白了，过去我们用 AI 做营销相关的事情，基本是"一次性对话"：写个文案、想个 slogan、列个投放渠道，聊完就散了，下次还得重新描述背景、重新喂资料。marketingskills想干的事情是：把这些营销动作沉淀成结构化的技能，让 AI agent 在需要的时候能自动识别、加载、执行，而不是每次都靠人肉 prompt 去堆。

这件事的价值在哪？我举个自己踩过的例子。之前帮一个做独立站的朋友做 SEO 内容规划，每次让 AI 写文章，都要重复交代：目标关键词是什么、站点的调性是什么、内链规则是什么、FAQ 结构化数据要不要加、加几条。重复了十几次之后我就烦了——这明明是可以固化下来的东西。marketingskills这类项目的核心思路，就是把这些"每次都要交代的上下文"变成技能定义的一部分，让 agent 自己知道"做 SEO 内容时该遵守哪些规则"。

它适合谁？三类人最该关注：一是做独立站、做谷歌 SEO 的运营和站长，二是用 Claude Code 这类工具搭自动化工作流的开发者，三是想把团队营销经验沉淀成可复用资产的市场负责人。哪怕你暂时不写代码，理解这套"技能化"的思路，对你组织自己的营销工作也有帮助。

需要说明的是，marketingskills这个项目本身在公开渠道的完整文档并不算多，下面很多内容是我基于 Agent Skills spec 的通用规范、Claude Code 的实际使用经验，以及营销场景的常见实践做的合理补全。我会明确标注哪些是通用规范、哪些是我的实操推断，你照着落地时按自己项目的实际情况调整。

2. Agent Skills spec 到底规定了什么：技能包的骨架长什么样

2.1 一个技能的最小构成：元数据 + 指令 + 资源

Agent Skills spec 这类规范，核心思想其实很朴素：一个"技能"就是一个文件夹，里面至少有一个描述文件（通常是SKILL.md或类似的 markdown），开头用 YAML frontmatter 声明元数据，正文写清楚"这个技能是干什么的、什么时候用、怎么用"。旁边可以挂脚本、模板、参考文档等资源。

我把它类比成给新员工写的"岗位操作手册"：元数据是岗位名称和适用场景，正文是操作步骤，附件是模板和工具。AI agent 在接到任务时，先扫一遍所有技能的元数据，判断"这个活儿该用哪个技能"，然后才把对应技能的完整内容加载进上下文。这个"先看目录、再翻正文"的机制很关键——它让 agent 不用一次性把所有技能细节都塞进上下文，省 token 也更精准。

一个典型的技能目录结构大概是这样：

marketingskills/ ├── seo-content-brief/ │ ├── SKILL.md │ ├── templates/ │ │ └── brief-template.md │ └── references/ │ └── keyword-research-guide.md ├── faq-schema-generator/ │ ├── SKILL.md │ └── scripts/ │ └── build_faq_jsonld.py └── landing-page-copy/ ├── SKILL.md └── examples/ └── good-vs-bad.md

每个技能独立成目录，互不干扰，这样你可以按需增删，也方便团队协作——不同人负责不同技能，最后拼成一个完整的营销技能库。

2.2 元数据字段里最容易被写错的三个地方

元数据看着简单，但我在实际配置时发现，有三个字段最容易出问题，而且一出问题 agent 就"装死"或者"乱用技能"。

第一个是name。规范一般要求用小写字母加连字符，比如seo-content-brief，不要用空格、下划线或者中文。我见过有人写成SEO Content Brief，结果 agent 匹配时死活对不上。名字还要足够具体，"seo" 这种太宽泛的名字，会让 agent 在多个场景下都想调用它，反而降低准确率。

第二个是description。这是整个技能里最重要的一句话，因为它决定了 agent 在"目录扫描"阶段能不能判断出该不该用你。写法上要包含"做什么 + 什么时候用 + 触发关键词"。比如：

description: 为独立站生成谷歌 SEO 内容简报，包含目标关键词、搜索意图、H 标签结构、内链建议和 FAQ 结构化数据规划。当用户需要规划 SEO 文章、做关键词布局或生成内容大纲时使用。

对比一下反例：description: 帮助做 SEO。这种描述 agent 根本没法判断边界，最后要么不用，要么滥用。

第三个是version和allowed-tools（如果规范支持）。版本号方便你迭代时追踪；allowed-tools用来限制这个技能能调用哪些工具，比如一个纯文案技能就不该有执行 shell 命令的权限。这是安全边界，别偷懒不写。

2.3 为什么"技能"比"长 prompt"更适合营销场景

有人会问：我把这些规则写成一个超长 prompt 不就行了，何必搞技能包？我实测下来的体会是，长 prompt 有三个绕不过去的坑。

第一，上下文污染。你为了做 SEO 写了一大段规则，结果这次任务只是想让 AI 改个标题，那一大段规则全成了噪音，还可能干扰判断。技能机制是"按需加载"，用不到就不进上下文。

第二，复用困难。长 prompt 通常散落在各个聊天记录、文档、笔记里，想复用就得翻找复制。技能包是文件，可以进 Git、可以版本管理、可以团队共享。

第三，无法组合。营销任务往往是复合的——写一篇 SEO 文章，可能同时需要"关键词研究""内容简报""FAQ 结构化数据""内链规划"好几个技能。技能机制天然支持组合调用，长 prompt 只能越堆越长。

提示：如果你现在还在用一份几千字的长 prompt 做营销自动化，建议先挑一个最高频的场景（比如 SEO 内容简报）拆成独立技能，跑通之后再逐步迁移其他场景。一次性全拆容易翻车。

3. 把营销工作流拆成技能：我的拆分逻辑和踩坑记录

3.1 拆分粒度：太粗没用，太细累死

拆技能最难的不是技术，是"拆多细"。我一开始犯的错是拆太细，把"写标题""写 meta description""写 H1"拆成三个技能，结果 agent 每次写文章要连续调用七八个技能，上下文来回切换，反而慢且容易乱。

后来我调整成"按交付物拆分"：一个技能对应一个可独立交付的成果。比如：

这个粒度下，每个技能都有清晰的输入和输出，agent 判断起来也容易。太粗的技能（比如一个"做 SEO"技能包打天下）会导致技能内部逻辑复杂、维护困难；太细的技能则会让调用链变长。

3.2 我踩过的坑：技能之间"抢活"

拆完技能后我遇到一个典型问题：seo-content-brief和landing-page-copy两个技能都包含"写标题"的能力，结果 agent 在写落地页时，有时候会错误地调用 SEO 简报技能里的标题规则，导致标题写得像博客文章标题，不像转化型落地页标题。

根因是 description 边界没划清。修复方法是在两个技能的 description 里明确写"不适用场景"：

# seo-content-brief 的 description 补充 description: ...适用于博客文章、资讯页的内容规划。不适用于产品落地页、活动页的转化型文案。

# landing-page-copy 的 description 补充 description: ...适用于产品页、活动页、注册页等以转化为目标的页面。不适用于博客文章的 SEO 内容规划。

加上"不适用"的负向描述后，误调用率明显下降。这个经验我觉得挺重要——写技能描述时，不光要说"我是什么"，还要说"我不是什么"。

3.3 技能内部的指令怎么写才不容易被 AI 忽略

技能正文（SKILL.md 的 body）是给 agent 看的操作手册。我观察下来，AI 对结构化、带示例的指令执行得最好，对一大段散文式描述执行得最差。

我的写法是"三段式"：先写"何时使用"，再写"执行步骤"，最后写"输出格式和示例"。执行步骤用有序列表，每步尽量是动词开头、可验证。比如faq-schema-generator的正文：

## 何时使用 当文章内容已完成，需要为页面添加 FAQ 结构化数据以争取搜索结果中的富摘要展示时。 ## 执行步骤 1. 从文章正文中提取 3-6 个用户最可能提问的问题，优先选择正文已明确回答的。 2. 每个问题的答案控制在 40-60 字，直接回答，不要绕。 3. 按 schema.org 的 FAQPage 规范生成 JSON-LD。 4. 校验 JSON 合法性，确保没有尾逗号、引号转义正确。 ## 输出格式 输出一段可直接嵌入 <head> 或 <body> 的 <script type="application/ld+json"> 代码块。

这里有个细节：步骤 2 里我特意写了"40-60 字"。为什么？因为 FAQ 答案太短信息量不够，太长在搜索结果里会被截断，40-60 字是我实测下来比较舒服的区间。这种具体数字，比"答案要简洁"有用得多——AI 对模糊形容词的理解很不稳定。

4. 在 Claude Code 里跑通第一个营销技能：完整实操链路

4.1 环境准备：别在第一步就卡住

要用 Claude Code 跑技能，前提是你本地能正常使用 Claude Code。安装方式按官方文档来就行，Mac、Ubuntu、Windows 各有对应流程。这里我不展开安装细节（官方文档写得很清楚），只提醒几个我踩过的点。

第一，Windows 用户注意 64 位兼容性问题，有些老版本环境会报不兼容，建议用较新的系统版本。第二，VS Code 里配置 Claude Code 插件时，注意工作区目录要指向你的技能库根目录，否则 agent 扫不到技能。第三，如果你所在环境对账号有访问限制，可能会遇到订阅访问被禁用之类的提示，这种情况按官方支持渠道确认，不要去找来路不明的绕过方案——既不安全也不稳定。

注意：任何涉及绕过账号限制、使用非官方渠道的做法，我都不建议。技能库本身是纯本地的文件，跟账号体系无关，你完全可以在合规前提下先把技能文件组织好。

4.2 目录放哪、怎么让 agent 发现技能

技能库的存放位置，一般有两种约定：一种是放在项目根目录下的特定文件夹（比如.claude/skills/或项目自定义的skills/），另一种是放在用户级配置目录，全局可用。我建议营销技能库放在项目级，因为营销内容通常跟具体站点/品牌强相关，放项目里方便跟内容一起版本管理。

放好之后，验证 agent 能不能发现技能，最直接的办法是问它："你现在有哪些可用的技能？"如果它能列出你定义的技能名和描述，说明扫描成功。如果列不出来，八成是目录层级不对或者元数据格式有误。

我遇到过一次扫描失败，排查了半天，最后发现是 YAML frontmatter 的---前后多了空行，导致解析器没识别出来。这种低级错误特别浪费时间，建议写完技能文件后，先用一个 YAML 校验工具过一遍。

4.3 一次真实的调用：从关键词到内容简报

假设我要给一个做户外装备的独立站规划一篇 SEO 文章。我的操作流程是这样的：

第一步，把种子关键词丢给 agent，触发keyword-cluster技能。输入大概是"露营帐篷、轻量帐篷、双人帐篷、四季帐篷、帐篷推荐"这几个词。技能会按搜索意图和主题相关性聚类，输出分组表。

第二步，选定一个聚类（比如"轻量双人帐篷"），触发seo-content-brief技能。技能会输出：目标主关键词、次要关键词、搜索意图判断（信息型/商业型）、建议的 H1/H2/H3 结构、需要覆盖的子话题、内链建议、FAQ 问题清单。

第三步，文章写完后，触发faq-schema-generator，把 FAQ 部分转成 JSON-LD。

第四步，发布前触发internal-link-planner，检查站内链接是否合理。

整个链路跑下来，我最大的感受是：技能把"我脑子里的营销经验"变成了"agent 能执行的规则"。以前这些判断全靠我临场发挥，现在固化下来了，换个人来操作，产出质量也不会差太多。

4.4 关于 FAQ 结构化数据，几个容易搞错的点

既然热词里提到了"谷歌 SEO 的 FAQPage 结构化数据"，我多说几句实操中容易翻车的地方。

FAQPage 结构化数据的本质，是用 JSON-LD 告诉搜索引擎"这个页面有一组问答"。它不保证一定展示富摘要，但它是争取展示的前提。常见错误有这么几个：

一是答案和页面上可见内容不一致。搜索引擎要求结构化数据必须对应页面上真实可见的内容，你 JSON-LD 里写了但页面上没有，属于违规，可能被惩罚。

二是问题数量堆太多。我一般控制在 3-6 个，太多反而稀释相关性。而且问题要选用户真会搜的，不是自己硬凑的。

三是 JSON 格式错误。尾逗号、中文引号、转义没处理好，都会导致解析失败。我建议用脚本生成而不是手写，faq-schema-generator技能里挂一个 Python 脚本就是干这个的：

import json def build_faq_jsonld(faqs): """ faqs: list of dict, each with 'question' and 'answer' """ data = { "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [ { "@type": "Question", "name": item["question"], "acceptedAnswer": { "@type": "Answer", "text": item["answer"] } } for item in faqs ] } return json.dumps(data, ensure_ascii=False, indent=2) if __name__ == "__main__": sample = [ {"question": "轻量双人帐篷一般多重？", "answer": "主流轻量双人帐篷重量在 1.5 到 2.5 公斤之间，具体取决于面料和帐杆材质。"}, {"question": "四季帐篷能夏天用吗？", "answer": "可以，但四季帐篷通风较差，夏天使用可能闷热，建议根据实际气候选择。"} ] print(build_faq_jsonld(sample))

用ensure_ascii=False是为了让中文正常显示而不是变成\uXXXX，这个细节很多人会忽略，结果生成的 JSON 里全是转义字符，虽然合法但没法读。

5. 技能库的维护与迭代：让它越用越值钱

5.1 用版本管理管技能，别用网盘

技能库本质是文本文件，天生适合 Git。我强烈建议用 Git 管理，原因有三个：一是能追踪每次修改，出问题能回滚；二是能分支实验，新技能在分支上跑通了再合并；三是团队协作时能 review。

我见过有人把技能文件放在网盘同步，结果两个人同时改，冲突了都不知道谁覆盖了谁。营销技能是团队资产，别用这种土办法。

5.2 技能迭代的触发信号

技能不是写完就完事了，它需要跟着业务迭代。我总结了几个该迭代的信号：

• agent 频繁误调用某个技能，说明 description 边界不清；
• 某个技能的输出老是要人工大改，说明指令不够具体或缺少示例；
• 业务规则变了（比如站点改了内链策略），技能里的规则没同步；
• 同一个技能被反复追加"补充说明"，说明该重构了。

每次迭代，我都会在技能文件里加一行 changelog 注释，记录改了什么、为什么改。半年后回头看，这些记录能帮你快速回忆当时的决策逻辑。

5.3 团队协作：技能库怎么分工

如果是一个小团队用，我建议按"技能负责人"分工：每个人认领几个技能，负责维护和迭代。同时约定一个 review 机制——新技能或重大修改，至少一个人过一遍。

另外，技能库最好配一份"技能索引"文档，列出所有技能、用途、负责人、最近更新时间。这份索引不用很正式，一个 markdown 表格就够，但能省掉大量"这个技能谁在管"的沟通成本。

5.4 一个我反复强调的原则：技能要"可验证"

技能写得好不好，最终要看输出能不能验证。我在每个技能里都会加一段"验收标准"，比如seo-content-brief的验收标准是：输出的简报必须包含主关键词、至少 3 个次要关键词、完整的 H 标签结构、至少 3 条内链建议、至少 3 个 FAQ 问题。有了验收标准，agent 自己也能对照检查，人工 review 也有依据。

这个习惯是从写代码的单元测试里学来的——没有验收标准的技能，就像没有测试的代码，你不知道它什么时候会悄悄坏掉。

6. 关于本地模型接入和工具链选择的一些个人看法

热词里出现了"Claude Code 调用 LM Studio 本地模型""接入 DeepSeek、Qwen、GLM 等模型"这类话题，我顺带聊聊技能库和模型选择的关系。

技能库本身是模型无关的——它就是一堆 markdown 和脚本，理论上任何支持 Agent Skills spec 的 agent 都能加载。但实际体验上，不同模型对技能指令的遵循程度差别挺大。我的观察是：指令遵循能力强的模型，对结构化技能的执行更稳定；能力弱一些的模型，容易忽略技能里的细节规则，或者把多个技能的规则混在一起。

所以如果你打算用本地模型或第三方模型跑技能库，建议先做个小测试：拿一个规则明确的技能（比如faq-schema-generator），看模型能不能严格按步骤输出。如果连这种确定性高的技能都跑不稳，那复杂的营销规划技能就更别指望了。

另外，工具链的选择上，我的原则是"够用就好，别为了新而新"。VS Code 插件、桌面版、命令行，选一个你顺手的就行，技能库的迁移成本很低，不用被工具绑定。

7. 最后分享几个我压箱底的小技巧

写到这里，技能库的搭建、拆分、调用、维护基本都覆盖了。最后分享几个我实操中攒下来的小技巧，都是文档里不太会写、但用起来很爽的。

第一个，给技能加"反例"。在技能正文里放一段"错误示范 vs 正确示范"的对比，AI 对反例的学习效果出奇地好。比如落地页文案技能里，我会写"错误：这款帐篷采用先进材料，品质卓越（空洞）；正确：这款帐篷 1.8 公斤，单手可撑，暴雨天实测不漏（具体）"。加了反例之后，输出质量肉眼可见地提升。

第二个，技能描述里埋"触发词"。用户实际说话时用的词，跟技能名往往对不上。比如用户说"帮我搞个文章大纲"，技能名却是seo-content-brief。在 description 里把"文章大纲""内容规划""选题结构"这些口语化触发词都写进去，命中率会高很多。

第三个，定期做"技能体检"。每隔一两个月，把所有技能过一遍，删掉不再用的，合并重复的，更新过时的规则。技能库跟衣柜一样，不定期清理就会越来越乱，最后你都不想打开它。

第四个，把技能库当成"团队知识资产"而不是"个人工具"。我见过太多人把营销经验存在自己脑子里，人一走经验就没了。技能库的价值，恰恰在于它把隐性经验显性化、可传承。哪怕你明天换工具、换模型，这套技能文件还在，换个 agent 照样能用。

marketingskills这个方向，我觉得最值得关注的不是它具体实现了哪些技能，而是它代表的一种思路：把营销工作中那些可复用的判断和流程，沉淀成 AI 能理解和执行的技能模块。这个思路一旦跑通，你的营销效率提升不是线性的，而是复利的——每沉淀一个技能，后面所有相关任务都受益。