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教程合集，而是一套把营销能力"技能化"、再交给 AI agent 去执行的工程化方案。为什么这么判断？因为最近围绕 Claude Code、AI agents 的讨论里，一个反复出现的痛点是——大模型很聪明，但你让它去做一件具体的营销活儿，比如写一个符合 SEO 规范的落地页、给某个关键词做搜索意图拆解、或者跑一遍转化率优化（CRO）的检查清单，它经常给你一堆"正确的废话"。问题不在于模型能力不够，而在于你没有把"营销这件事该怎么做"沉淀成一套结构化的、可复用的技能包。

"marketingskills"要解决的正是这个断层。它把散落在资深营销人脑子里的隐性经验——关键词怎么分层、落地页的转化要素怎么排布、结构化数据怎么埋、分析指标怎么定义——拆成一个个独立的、有明确输入输出的"技能单元"，然后让 AI agent 按需调用。你可以把它理解成给 AI 装了一本"营销操作手册"，而且这本手册不是给人读的散文，是给机器执行的规程。

这套东西适合谁？我梳理了三类人。第一类是独立站运营者，尤其是自己一个人扛 SEO、内容、转化全流程的，你缺的不是工具，是把流程标准化的能力。第二类是增长团队里的技术型营销人，你懂一点代码、会用 API、愿意折腾 agent 配置，但苦于没有一套现成的营销技能框架。第三类是产品经理和创业者，你想验证"AI 到底能不能真正接手一部分营销执行工作"，需要一个可落地的切入点。

关键词里出现的 Claude Code、AI agents、SEO、CRO、analytics，其实已经把这套方案的骨架勾勒出来了：以 Claude Code 这类能读写文件、能执行终端命令的 agent 为运行载体，把 SEO、CRO、数据分析这些营销子领域做成可调用的技能，最终形成一个能自主完成营销任务的闭环。下面我就按这个思路，把整套东西拆开讲透。

2. 为什么营销能力必须"技能化"才能交给 AI

2.1 直接让大模型做营销，到底卡在哪

我先说一个我自己踩过的坑。早些年我试过直接给模型一段 prompt："帮我为这个产品写一个高转化的落地页。"结果它给我的东西，结构上挑不出毛病，标题、副标题、卖点、CTA 一应俱全，但读起来就是"飘"——卖点全是"高效、便捷、领先"这种谁都能说的词，CTA 是"立即开始"这种毫无针对性的按钮文案。你让它改，它改出来的还是同一类东西。这不是模型不行，是我没给它"约束"。

营销这件事的本质，是一堆高度依赖上下文的判断：这个关键词背后的搜索意图是信息型还是交易型？这个页面的访客是从广告来的还是从自然搜索来的？这个 CTA 的文案要匹配用户此刻的心理阶段。这些判断，资深营销人是靠经验和一套内化的检查清单做出来的。你把这些判断全部塞进一句 prompt，模型只能靠"平均印象"来回答，出来的自然就是平均值——而平均值在营销里等于平庸。

"技能化"的核心思路，就是把这些判断从"一句 prompt"里拆出来，变成一个个独立的、带明确规则和检查项的模块。每个模块只负责一件事，输入输出清晰，模型执行时不需要"猜"，只需要"按规程走"。

2.2 一个"营销技能"应该长什么样

我理解的 marketing skill，最小可用单元应该包含四个部分。第一是触发条件：什么情况下该调用这个技能，比如"当需要为一个新关键词生成内容大纲时"。第二是输入规范：需要哪些上下文，比如目标关键词、目标受众、竞品 URL、品牌调性。第三是执行规程：具体怎么做，这一步是核心，要把资深从业者的判断逻辑写清楚，比如"先判断搜索意图，信息型走 A 模板，交易型走 B 模板"。第四是输出校验：做完之后怎么检查，比如"标题是否包含主关键词且不超过 60 字符""是否至少覆盖 3 个长尾变体"。

这四部分里，最容易被忽略也最值钱的是执行规程和输出校验。大多数人做 AI 营销工具，只做了"输入 prompt、输出内容"这一层，缺了规程和校验，结果就是不可控、不可复现。而 marketing skills 的价值恰恰在于把这两层补上，让 AI 的输出从"看运气"变成"看规程"。

2.3 技能化和 prompt 工程的区别

这里要澄清一个常见误解：技能化不等于把 prompt 写长。我见过有人把 prompt 写到两千字，塞满了各种要求，结果模型反而抓不住重点。技能化的关键不是"长"，而是"分"——把一个大任务拆成多个小技能，每个技能职责单一，然后通过 agent 的调度把它们串起来。

打个比方，prompt 工程像是你给一个新人写一封很长的邮件，把所有要求一次性说完；技能化像是你给这个新人建了一套标准作业程序（SOP），每个 SOP 对应一个具体动作，他做哪一步就翻哪一页。前者依赖你一次说清楚，后者依赖体系本身的结构。对于营销这种环节多、判断多的领域，后者显然更靠谱。

而且技能化有个额外好处：可迭代。哪个技能效果不好，你单独改那一个，不影响其他。prompt 工程里你改一处，可能整个输出都变了，很难定位问题。这一点在我实际调优的时候体会特别深。

3. 用 Claude Code 承载营销技能：为什么是它，怎么落地

3.1 Claude Code 作为 agent 载体的独特之处

关键词里 Claude Code 出现频率极高，这不是偶然。市面上能跑 AI agent 的工具不少，但 Claude Code 有几个特性特别适合承载营销技能。第一，它能直接读写本地文件，这意味着你的技能包可以是一堆 Markdown 或 JSON 文件，放在项目目录里，agent 按需读取，不需要你把所有内容塞进对话上下文。第二，它能执行终端命令，这让"跑一个 SEO 检查脚本""调用一个分析 API"这类动作变成可能。第三，它的项目级配置（比如 CLAUDE.md 这类约定文件）让你可以把"这个项目里有哪些技能、怎么调用"写清楚，agent 每次启动都能读到。

我实测下来，把营销技能做成文件放在项目里，比每次在对话里贴一遍 prompt 稳定得多。因为文件是持久的、可版本管理的，你改了技能，下次 agent 读到的就是新版，不会出现"这次忘了贴某个要求"的情况。

3.2 技能包在项目里的组织方式

我建议的目录结构是这样的（这是基于常见 agent 项目实践总结的，不是唯一答案）：

marketing-agent/ ├── CLAUDE.md # 项目总说明，告诉 agent 有哪些技能 ├── skills/ │ ├── seo/ │ │ ├── keyword-intent.md # 关键词意图判断技能 │ │ ├── content-outline.md # 内容大纲生成技能 │ │ └── structured-data.md # 结构化数据技能 │ ├── cro/ │ │ ├── landing-audit.md # 落地页审计技能 │ │ └── cta-optimize.md # CTA 优化技能 │ └── analytics/ │ ├── metric-define.md # 指标定义技能 │ └── funnel-analyze.md # 漏斗分析技能 └── data/ ├── keywords.csv └── competitors.json

每个技能文件里，我按前面说的四部分来写：触发条件、输入规范、执行规程、输出校验。CLAUDE.md 里则写清楚"当用户提出 X 类需求时，读取 skills/xxx 下的对应文件并按其规程执行"。这样 agent 就有了一个清晰的"技能地图"。

3.3 一个具体的技能文件长什么样

光说结构太抽象，我直接给一个"关键词意图判断"技能的实际写法，你可以照着改：

# 技能：关键词搜索意图判断 ## 触发条件 当需要为一个或多个关键词确定内容策略时调用。 ## 输入 - 关键词列表（CSV 或纯文本） - 目标市场（如：北美、东南亚） - 业务类型（B2B / B2C / 独立站） ## 执行规程 1. 对每个关键词，判断其搜索意图，分为四类： - 信息型（Informational）：用户想了解某个概念 - 导航型（Navigational）：用户想找某个特定品牌或站点 - 商业调研型（Commercial）：用户在比较方案 - 交易型（Transactional）：用户准备购买 2. 判断依据： - 关键词中是否含 "how / what / guide / tutorial" → 倾向信息型 - 是否含 "best / vs / review / compare" → 倾向商业调研型 - 是否含 "buy / price / discount / near me" → 倾向交易型 - 是否含品牌名 → 倾向导航型 3. 对每个关键词，给出建议的内容形式： - 信息型 → 教程、指南、FAQ - 商业调研型 → 对比页、评测页 - 交易型 → 产品页、落地页 - 导航型 → 品牌页 ## 输出校验 - 每个关键词必须标注唯一意图类别 - 意图判断需给出至少一条依据 - 输出为表格：关键词 | 意图 | 依据 | 建议内容形式

你看，这个技能文件里没有一句废话，全是可执行的规则。模型读到它，就知道该怎么一步步做，而不是自由发挥。这就是技能化和普通 prompt 的本质区别。

3.4 环境准备里最容易忽略的细节

关于 Claude Code 的安装和配置，网上教程已经很多，我不重复。但有几个细节是新手最容易忽略、又特别影响体验的。第一，项目根目录的约定文件一定要写，很多人装完就开始对话，结果 agent 不知道你的项目结构，每次都要重新解释。第二，技能文件要用 agent 能稳定解析的格式，Markdown 加清晰的标题层级是最稳的，别用太花哨的嵌套。第三，数据文件和技能文件分开放，技能是"怎么做"，数据是"对什么做"，混在一起后期维护会很痛苦。

还有一个坑：如果你用的是本地模型或者第三方 API 接入，要注意不同模型对长上下文和结构化指令的遵循能力差异很大。我试过用同一个技能文件跑不同模型，有的模型能严格按规程走，有的会"自作主张"跳过校验步骤。所以技能文件里的校验部分，最好写得足够强硬，比如用"必须""禁止"这类词，而不是"建议""可以"。

4. SEO 技能拆解：从关键词到结构化数据的完整链路

4.1 关键词意图判断是所有 SEO 技能的起点

SEO 这件事，很多人一上来就想着"怎么写内容"，其实第一步应该是"这个词到底该不该做、该怎么做"。关键词意图判断就是干这个的。我在上一节给了技能文件的写法，这里补充几个实操中的判断经验。

首先，同一个词在不同市场意图可能不同。比如 "CRM software" 在北美市场，用户大概率是商业调研型，想比较方案；但在某些新兴市场，可能更多是信息型，用户还在了解 CRM 是什么。所以技能文件里的输入一定要包含目标市场，不能一刀切。

其次，意图判断要结合 SERP 实际结果验证。技能文件里给的是基于关键词文本的快速判断，但最准的判断是看搜索结果页——如果首页全是产品页，那这个词就是交易或商业调研型；如果全是博客文章，那就是信息型。我建议在技能规程里加一步："对判断存疑的关键词，抓取 SERP 前 10 条结果的页面类型作为交叉验证。"这一步能让准确率提升不少。

第三，长尾词的意图往往更明确。短词如 "marketing" 意图模糊，长尾词如 "how to do keyword research for a new blog" 意图非常清晰。所以技能执行时，可以按词的长度和具体程度给一个"意图明确度"评分，明确度低的词建议先不做，或者只做品牌曝光。

4.2 内容大纲生成：把意图翻译成结构

意图判断完之后，下一步是生成内容大纲。这个技能的核心，是把"用户想解决什么问题"翻译成"页面该有哪些板块"。我见过太多内容大纲是"引言、正文、结论"这种万能模板，毫无针对性。好的大纲应该直接对应搜索意图。

比如一个信息型关键词 "what is structured data"，大纲应该是：定义 → 为什么重要 → 常见类型 → 如何实现 → 常见错误 → FAQ。而一个商业调研型关键词 "best SEO tools"，大纲应该是：评选标准 → 工具对比表 → 各工具优缺点 → 适用场景 → 价格对比 → 结论推荐。你看，同样是"大纲"，结构完全不同，因为用户的心理阶段不同。

在技能文件里，我建议为每种意图预设一套大纲骨架，然后让 agent 根据具体关键词填充。这样既保证了结构合理，又保留了灵活性。输出校验部分要检查：大纲是否覆盖了该意图下的核心子问题、是否有明确的 H2/H3 层级、是否预留了 FAQ 板块（这个对 SEO 很重要，后面讲）。

4.3 FAQ 结构化数据到底是怎么回事

关键词里有一条"谷歌seo的 faqpage 结构化数据是怎么回事"，这个问题问的人很多，我专门讲一下。FAQPage 结构化数据，简单说就是你在页面 HTML 里加一段特定格式的代码，告诉搜索引擎"这个页面有一组问答"。搜索引擎理解之后，可能在搜索结果里直接展示这些问答，也就是所谓的"富媒体摘要"。

它的价值在于：占据更多搜索结果版面，提升点击率。同样排在第一，有 FAQ 富摘要的结果比普通结果占的屏幕空间大，用户更容易点。但要注意几个坑。第一，不是加了就一定有富摘要，搜索引擎会判断内容质量，问答内容必须真实、有价值，不能为了加而加。第二，问答内容必须和页面主体相关，不能页面讲 A，FAQ 全是 B。第三，格式必须严格符合规范，字段名、嵌套结构错了，搜索引擎直接忽略。

在 marketing skills 里，这个可以做成一个独立技能：输入是页面内容和目标问答，输出是符合规范的 JSON-LD 代码。技能规程里要包含"问答数量建议 3-8 组""每个答案控制在 40-60 字""必须包含页面主关键词的变体"这类具体规则。输出校验则要检查 JSON 语法是否正确、必填字段是否齐全。

4.4 结构化数据技能的通用化思路

FAQPage 只是结构化数据的一种。实际上还有 Article、Product、Breadcrumb、HowTo 等多种类型。与其为每种类型写一个技能，不如写一个"结构化数据生成"通用技能，输入里包含"页面类型"和"要标记的内容"，技能根据类型选择对应的 schema 模板。

这样做的好处是维护成本低。搜索引擎的 schema 规范会更新，你只需要改一个技能文件，所有类型都受益。我在实际项目里就是这么做的，把 schema 模板做成一个独立的配置文件，技能文件负责"选模板 + 填字段 + 校验"，职责清晰。

5. CRO 技能：让落地页自己会说话

5.1 落地页审计技能该检查哪些项

CRO（转化率优化）是营销里最"玄学"也最"实在"的领域。玄学是因为影响因素太多，实在是因为每一个改动都能用数据验证。把 CRO 技能化，核心是把资深优化师的检查清单固化下来。

我总结的落地页审计技能，至少覆盖这几个维度。首屏：主标题是否在 3 秒内说清"这是什么、给谁、有什么好处"；副标题是否补充了主标题没说清的信任要素；主视觉是否和文案一致。价值主张：是否具体到可感知，而不是"高效便捷"这种空话；是否有数字或对比支撑。信任要素：是否有客户评价、案例、资质、数据背书；这些要素是否放在决策关键位置。CTA：按钮文案是否明确动作和收益；是否在页面多个位置出现；点击后的预期是否清晰。阻力排查：表单字段是否过多；是否有隐藏费用；加载速度是否达标。

这些检查项写进技能文件后，agent 就能对任意落地页做结构化审计，输出一份带优先级的问题清单。这比"帮我看看这个页面怎么样"这种模糊提问高效太多。

5.2 CTA 优化：小按钮里的大文章

CTA 是落地页里最值得单独做成技能的部分，因为它对转化率的影响直接且可测。一个 CTA 优化技能，输入是当前按钮文案、页面上下文、目标受众，输出是若干备选文案加推荐理由。

我实操中的经验是，CTA 文案的优化方向主要有三个。第一，从"动作"转向"收益"："提交"改成"获取我的专属方案"，后者告诉用户点了能得到什么。第二，降低心理门槛："立即购买"改成"免费试用 14 天"，把决策成本降下来。第三，增加具体性："联系我们"改成"预约 15 分钟咨询"，让用户知道要付出多少时间。

技能文件里可以把这些方向做成规则，让 agent 针对每个 CTA 生成 3-5 个变体，并标注每个变体用了哪个优化方向。输出校验则检查：变体是否都包含明确动词、是否避免了模糊词、长度是否适合按钮展示。

5.3 把 CRO 和分析技能串起来

CRO 单独做是盲目的，必须和分析结合。这就是为什么 analytics 技能要和 CRO 技能放在同一套体系里。一个完整的闭环是：分析技能发现某个页面转化率低 → CRO 审计技能找出问题 → CTA 优化技能生成改进方案 → 上线后分析技能验证效果。

在 agent 层面，这个闭环可以通过"技能链"实现。你在 CLAUDE.md 里定义好技能之间的调用关系，agent 就能按顺序执行。比如用户说"帮我优化这个落地页"，agent 先调分析技能看数据，再调审计技能找问题，最后调 CTA 技能出方案。这种串联能力，是单点 prompt 做不到的。

6. Analytics 技能：让数据说人话

6.1 指标定义技能：先统一语言再谈优化

数据分析最大的坑不是工具不会用，而是指标定义不统一。市场部说的"转化"和产品部说的"转化"可能根本不是一回事。所以 analytics 技能里，第一个要做的不是分析，而是"指标定义"。

这个技能的输入是业务目标和当前的数据字段，输出是一份指标字典：每个指标的名称、定义、计算公式、数据来源、负责人。比如"注册转化率 = 完成注册人数 / 落地页访客数"，把公式写清楚，就不会有歧义。

技能规程里要包含"每个指标必须有唯一口径""指标之间不能循环定义""必须标注数据更新频率"这些规则。输出校验则检查指标字典是否覆盖了业务全流程、是否有遗漏的关键节点。

6.2 漏斗分析技能：找到漏得最狠的那一环

漏斗分析是营销分析的核心方法。技能化的思路是：输入各环节的转化数据，输出每一环的转化率和流失率，并标注"最值得优化的环节"。

判断哪个环节最值得优化，不能只看流失率高低，还要看优化空间和优化成本。比如某个环节流失 60%，但它是行业普遍水平，优化空间有限；另一个环节流失 30%，但明显低于行业标杆，反而更值得投入。技能规程里要把这个判断逻辑写清楚，避免 agent 简单地"哪漏得多就报哪个"。

我还会在技能里加一条：对每个异常环节，给出至少两个可能的原因假设。因为漏斗分析的价值不在于告诉你"这里漏了"，而在于引导你去验证"为什么漏"。这一步能把分析技能和后续的优化动作衔接起来。

6.3 分析技能的输出如何反哺 SEO 和 CRO

分析技能不是孤立的。它产出的数据洞察，应该直接喂给 SEO 和 CRO 技能。比如分析发现某个关键词带来的流量转化率特别高，那 SEO 技能就应该加大这类关键词的内容投入；分析发现某个页面的跳出率异常高，CRO 技能就应该优先审计这个页面。

在 agent 体系里，这可以通过共享数据文件实现。分析技能把结论写入data/insights.json，SEO 和 CRO 技能在执行时读取这个文件作为输入。这样整套技能就形成了一个自我强化的循环，而不是各自为战。

7. 把技能串成 agent：调度、上下文与踩坑记录

7.1 技能调度的两种模式

技能写好了，怎么让 agent 知道什么时候用哪个？我实践下来有两种模式。第一种是显式调用：用户在对话里明确说"用关键词意图技能分析这批词"，agent 直接执行对应技能。这种方式可控，适合你清楚自己要什么的时候。第二种是隐式调度：用户说"帮我做这个新产品的 SEO 方案"，agent 根据 CLAUDE.md 里的技能地图，自动判断需要依次调用意图判断、大纲生成、结构化数据等技能。这种方式省心，但对技能地图的清晰度要求高。

我的建议是两者结合：日常用显式调用保证可控，复杂任务用隐式调度提效。CLAUDE.md 里要写清楚"当用户需求涉及多个技能时，按什么顺序调用"，避免 agent 乱序执行。

7.2 上下文管理：别让 agent "忘事"

营销任务往往跨多轮对话，上下文管理是个大问题。我的经验是，重要的中间结果一定要落盘，不要只留在对话里。比如关键词意图判断的结果，写入data/keyword-intent.csv；落地页审计的问题清单，写入data/audit-report.md。这样即使对话重置，agent 也能从文件里恢复上下文。

另一个技巧是给每个技能的输出定义固定格式。格式固定了，后续技能读取时就不用猜。比如所有表格类输出都用 CSV，所有报告类输出都用带固定标题层级的 Markdown。这个约定看起来小，但能省掉大量"格式对不上"的麻烦。

7.3 我踩过的几个坑

第一个坑：技能文件写得太抽象。我一开始写"判断关键词意图"，没写具体判断依据，结果 agent 每次判断标准都不一样。后来把判断规则一条条列出来，稳定性立刻上来了。教训是：技能文件要写到"傻瓜都能照着做"的程度。

第二个坑：技能之间职责重叠。我一度把"内容大纲"和"内容写作"放在一个技能里，结果 agent 经常跳过大纲直接写正文，质量很差。拆成两个技能后，强制先出大纲再写正文，质量明显提升。教训是：一个技能只干一件事。

第三个坑：忽略输出校验。早期我觉得校验是多余的，模型输出看着还行就用了。结果发现有些错误很隐蔽，比如结构化数据的字段名拼错、指标公式漏了分母。加上校验步骤后，这类低级错误基本绝迹。教训是：校验不是可选项，是必选项。

第四个坑：数据文件没有版本管理。有次我更新了关键词数据，但 agent 读的还是旧文件，导致分析结果对不上。后来把所有数据文件纳入版本管理，每次更新都记录变更，问题就解决了。

8. 关于模型接入和运行环境的一些实在话

关键词里有很多关于 Claude Code 安装、配置、接入不同模型的内容。我不重复具体步骤，但分享几个原则性的经验。

第一，模型能力决定技能上限。技能文件写得再好，如果模型对结构化指令的遵循能力弱，效果也会打折。我实测下来，处理营销这类需要多步推理和严格格式的任务，模型的选择比技能文件的微调更重要。所以选模型时，优先看它在"遵循复杂指令"和"稳定输出结构化内容"上的表现。

第二，本地模型和云端模型各有适用场景。本地模型胜在数据不出本地、成本可控，适合处理敏感的业务数据；云端模型胜在能力强、更新快，适合处理复杂的推理任务。我的做法是混合使用：敏感数据的初步处理用本地模型，复杂的内容生成和策略分析用能力更强的模型。

第三，运行环境要稳定。营销任务经常是批量、长时间的，环境不稳定会严重影响效率。我建议把技能包和运行环境做成可复现的配置，换台机器也能快速跑起来。这一点对于团队协作尤其重要。

第四，别迷信"一键方案"。市面上有很多号称"一键搞定 SEO""一键优化转化"的工具，实际用下来，能解决的都是最表层的问题。真正有价值的，是你自己把业务经验沉淀成技能的过程。marketingskills 这套思路的核心价值，不在于它提供了多少现成技能，而在于它给了你一个把经验结构化的框架。你往里填的每一分经验，都会变成 agent 的一分能力。

9. 从"能用"到"好用"：技能体系的迭代方向

技能体系搭起来只是第一步，真正拉开差距的是迭代。我目前的做法是给每个技能加一个"效果记录"：每次执行后，记录输入、输出、以及最终的业务结果（比如内容上线后的排名变化、落地页改版后的转化率变化）。积累一段时间后，就能看出哪些技能靠谱、哪些需要改。

迭代的优先级，我建议按"影响面 × 出错频率"来排。影响面大、出错频率高的技能优先改。比如关键词意图判断，它影响后续所有内容技能，一旦判断错，后面全错，所以它的准确率要优先保证。而一些边缘技能，比如某个特定 schema 的生成，出错影响有限，可以往后放。

还有一个容易被忽略的迭代方向：技能之间的衔接。单个技能都挺好，但串起来跑的时候经常出问题，比如格式对不上、上下文丢失、顺序错乱。这类问题往往比单个技能的 bug 更影响体验。我的做法是定期做一次"端到端演练"，用一个完整任务跑一遍全流程，专门找衔接问题。

最后说一个心态上的体会。做 marketing skills 这件事，最忌讳的是追求"大而全"。我见过有人一上来就想把营销的所有环节都做成技能，结果每个都做得半吊子。正确的做法是选一个最痛的点，把它做深做透，跑通闭环，再逐步扩展。我自己就是从"关键词意图判断"这一个技能起步的，跑顺了之后才慢慢加内容大纲、结构化数据、CRO 审计。每加一个，都确保它和已有的技能能顺畅衔接。这样长出来的体系，才是真正能用的体系，而不是一堆看起来很美、实际跑不起来的技能文件。