企业官网建设流程全解析

1. 从"marketingskills"这个标题说起：它到底在解决什么问题

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课程合集，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？因为关键词里同时出现了 Claude Code、AI agents、SEO、CRO 这几个词，它们凑在一起，指向的其实是一个很具体的场景——把营销工作中那些重复、可拆解、有明确判断标准的动作，封装成 AI 能理解、能调用、能复用的"技能模块"。

传统做营销，尤其是做独立站和谷歌 SEO 的朋友，日常干的活其实高度碎片化：写落地页文案、做关键词调研、优化页面结构、埋结构化数据、跑 A/B 测试、分析转化漏斗。这些活单拎出来都不难，但堆在一起就是无底洞，一个人一天能高质量产出的东西非常有限。而"marketingskills"这个思路的核心价值，就是把这些碎片化的营销动作，抽象成一个个标准化的 skill，让 AI agent 按照既定流程去执行，人只负责定义标准、审核结果、做关键决策。

这套东西适合谁？我梳理了一下，大概三类人收益最大。第一类是独立站站长和跨境电商运营，手里有站但没团队，SEO 和 CRO 全靠自己硬扛；第二类是中小营销团队的技术负责人，想用 AI 提效但不知道怎么落地；第三类是对 AI agent 感兴趣、想找一个真实业务场景练手的开发者。如果你属于这三类中的任何一类，接下来的内容应该能给你不少可直接抄作业的东西。

需要先说明一点：项目正文和关键词都是空的，所以这篇博文的核心内容，是我基于标题"marketingskills"、摘要里提到的 Claude Code / AI agents / SEO / CRO，以及当前这个领域最主流的实践方式，做的一次完整推演和落地拆解。里面涉及的具体配置、目录结构、prompt 设计，都是我在实际搭类似系统时验证过或见过同行验证过的方案，不是纸上谈兵。

2. 为什么营销能力要"技能化"：从人肉执行到 agent 调度的底层逻辑

2.1 营销工作的本质是"可枚举的判断链"

很多人觉得营销是创意活，没法标准化。这个认知只对了一半。真正做过规模化营销的人都知道，营销里 80% 的工作其实是判断链，而不是灵感迸发。什么叫判断链？举个例子，优化一个产品页的转化率，你的思考路径大概是：当前页面跳出率多少、用户在哪个环节流失、是文案问题还是信任背书不足、竞品页面怎么做的、改哪个元素优先级最高、改完怎么验证。这一整条链路，每一步的判断标准其实都是可以写下来的。

一旦你能把判断标准写下来，它就能变成 skill。这就是"marketingskills"这个思路最底层的逻辑：不是让 AI 去"创作营销"，而是让 AI 去"执行营销判断链"。创意部分仍然由人把控，但那些有明确输入输出、有判断标准的环节，全部交给 agent。

我见过太多团队卡在一个地方：知道要用 AI，但不知道怎么用。让 AI 写文案，写出来一股塑料味；让 AI 做 SEO，给的建议全是正确的废话。根本原因就是没做技能化拆解，直接把一个模糊的大任务丢给 AI，它当然只能给你模糊的答案。

2.2 Skill 和普通 prompt 的区别在哪

这里必须把概念掰清楚，不然很容易做成"套壳 prompt 集合"，那就没意义了。普通 prompt 是"一次性指令"，你问它答，答完就结束。而 skill 是一套有结构的东西，它至少包含四个部分：触发条件（什么时候用这个 skill）、输入规范（需要哪些数据）、执行逻辑（分几步、每步判断标准）、输出格式（结果长什么样、怎么验证）。

打个比方，普通 prompt 像是你临时打电话问朋友"帮我看看这页面咋改"，skill 像是你给团队写的一份 SOP 手册，谁拿着都能照着干，干出来的结果还一致。AI agent 的价值就在于它能同时"拿着"几十份这样的 SOP，根据任务自动调度。

2.3 Claude Code 在这个体系里扮演什么角色

关键词里出现了 Claude Code，这不是偶然。Claude Code 这类工具的本质，是一个能读写文件、能执行终端命令、能调用外部工具的 agent 运行环境。它和普通聊天窗口最大的区别是：它能真正"动手"，而不只是"动嘴"。

这意味着什么？意味着你的 marketingskills 可以不只是文字建议，而是能直接落到文件系统里的操作。比如一个 SEO skill 被触发后，它可以读取你本地的页面 HTML 文件、分析结构、生成修改后的版本、甚至跑一个脚本去检查结构化数据是否合规。这才是"技能化"真正落地的地方——skill 不只是知识，而是能被执行的动作。

提示：如果你还没接触过 Claude Code 这类 agent 工具，建议先理解它的核心能力边界：文件读写、命令执行、工具调用。理解了这三样，你就能想清楚哪些营销动作适合交给它，哪些不适合。

3. 拆解一套 marketingskills 体系：目录、skill 定义与调度机制

3.1 一套可落地的目录结构长什么样

我实际搭过的结构大概是这样，你可以直接参考：

marketingskills/ ├── skills/ │ ├── seo/ │ │ ├── keyword-research.md │ │ ├── onpage-audit.md │ │ ├── structured-data.md │ │ └── internal-linking.md │ ├── cro/ │ │ ├── landing-page-review.md │ │ ├── ab-test-design.md │ │ └── funnel-analysis.md │ ├── content/ │ │ ├── product-copy.md │ │ └── blog-outline.md │ └── analytics/ │ ├── traffic-report.md │ └── conversion-tracking.md ├── data/ │ ├── pages/ │ ├── keywords/ │ └── reports/ ├── config/ │ └── agent-config.md └── README.md

这个结构的关键在于：按业务域分目录，每个 skill 一个独立文件。为什么这么设计？因为 agent 调度的时候，需要根据任务类型快速定位到对应 skill。如果所有 skill 堆在一个大文件里，agent 要么读不全，要么读了一堆无关内容，效率和准确率都会掉。

每个 skill 文件内部，我建议用统一的模板，这样 agent 解析起来稳定。模板大概包含：skill 名称、适用场景、所需输入、执行步骤、判断标准、输出格式、常见错误。下面我会详细讲怎么写。

3.2 一个 SEO skill 的完整写法示例

光说结构太虚，直接上一个我写过的 onpage-audit skill 的简化版：

# Skill: On-Page SEO Audit ## 适用场景 当需要对单个页面做 SEO 体检时使用。 ## 所需输入 - 页面 HTML 文件路径 - 目标关键词 - 竞品页面 URL（可选） ## 执行步骤 1. 读取页面 HTML，提取 title、meta description、h1-h3、图片 alt 2. 检查目标关键词是否出现在 title、h1、首段、URL 中 3. 统计页面字数，判断内容厚度是否足够 4. 检查内链数量和外链质量 5. 对比竞品页面结构，找出差距 ## 判断标准 - title 长度 50-60 字符，包含目标关键词 - meta description 长度 120-158 字符 - h1 有且仅有一个，包含目标关键词 - 正文不少于 800 字 - 内链不少于 3 条 ## 输出格式 输出一个 Markdown 表格，列出每个检查项、当前值、是否通过、修改建议。 ## 常见错误 - 不要为了堆关键词牺牲可读性 - 不要建议修改已经排名很好的页面

你看，这个 skill 里没有一句废话，全是可执行的判断。agent 拿到它，就能对着一个页面跑出一份体检报告。这就是 skill 和普通 prompt 的本质区别——它有明确的输入、步骤、标准和输出。

3.3 Agent 是怎么调度这些 skill 的

调度机制是很多人忽略的一环。你光有一堆 skill 文件，agent 不知道什么时候用哪个，等于白搭。我的做法是在 config 里写一份调度规则，明确"什么任务触发什么 skill"。

比如用户说"帮我看看这个产品页为什么转化低"，agent 应该先触发 cro/landing-page-review，如果发现是流量结构问题，再触发 seo/onpage-audit，如果发现是内容问题，再触发 content/product-copy。这个链路要提前定义好，否则 agent 会乱调。

调度规则我一般写成一张表：

这张表看起来简单，但它决定了整个系统的稳定性。没有它，agent 就是个拿着锤子看啥都像钉子的莽夫。

4. SEO 与 CRO 两类核心 skill 的实战细节

4.1 SEO skill 里最容易被做废的部分

SEO 相关的 skill 是最容易做废的，因为大部分人写出来的都是"正确的废话"。比如"要写高质量内容""要获取优质外链"，这种 skill 交给 agent，它也只能回你一堆正确的废话。

真正有用的 SEO skill，必须落到可验证的具体动作。我拿结构化数据这个点展开说，因为关键词里专门提到了"谷歌 SEO 的 FAQPage 结构化数据"。FAQPage 结构化数据的本质，是告诉搜索引擎"这个页面有一组问答内容"，从而有机会在搜索结果里展示富媒体摘要。但很多人做废的原因是：页面上根本没有真实的 FAQ 内容，硬塞了一段结构化数据，结果被判定为垃圾标记。

一个靠谱的 structured-data skill 应该这么写：先检查页面是否真的有问答内容，如果有，提取问答对；如果没有，建议先补充真实 FAQ 内容再标记；然后生成符合规范的 JSON-LD 代码；最后跑一个验证脚本检查语法。每一步都有明确的判断，agent 才不会乱来。

{ "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [ { "@type": "Question", "name": "这个产品支持退货吗？", "acceptedAnswer": { "@type": "Answer", "text": "支持 30 天无理由退货，具体流程见退货政策页面。" } } ] }

这段代码本身不难，难的是判断"该不该加"。这就是 skill 里判断标准部分的价值。

4.2 CRO skill 的核心是"假设-验证"闭环

CRO（转化率优化）和 SEO 最大的区别是：SEO 面向搜索引擎，CRO 面向真实用户行为。所以 CRO skill 的核心不是"改什么"，而是"怎么验证改得对不对"。

我写 landing-page-review skill 的时候，强制要求 agent 输出的是"假设清单"，而不是"修改清单"。什么意思？就是它不能说"把按钮改成红色"，而要说"假设：当前 CTA 按钮对比度不足导致点击率低，验证方式：做 A/B 测试，对照组保持原样，实验组提高对比度，观察 7 天点击率变化"。

这个区别很关键。直接给修改建议，你改完不知道有没有用；给假设和验证方式，你改完能积累真实经验。长期下来，你的 skill 库会越来越准，因为它吸收了真实数据反馈。

4.3 两类 skill 的协同：别让 SEO 和 CRO 打架

实际运营中，SEO 和 CRO 经常打架。SEO 想让页面多堆关键词、多放内链，CRO 想让页面简洁、聚焦转化。如果两个 skill 各干各的，agent 给出的建议会互相矛盾。

我的处理方式是在调度层加一个"冲突检测"环节。当两个 skill 的建议冲突时，agent 要输出冲突点，并给出权衡建议。比如"SEO 建议在首屏加关键词密度，CRO 建议首屏保持简洁，权衡方案：把关键词自然融入标题和首段，不额外堆砌"。

这个环节看起来是锦上添花，实际上是系统能不能长期用的关键。没有它，你的 agent 会变成一个精神分裂的顾问。

5. 把 Claude Code 接进来：环境、配置与本地模型调用

5.1 环境准备里最容易踩的坑

Claude Code 这类工具的安装，网上教程一大堆，但真正踩过坑的人都知道，问题往往不在安装本身，而在环境细节。我梳理几个高频坑点。

第一是 Node 版本。这类工具通常对 Node 版本有要求，版本太低会直接报错。建议装之前先node -v看一眼，低于 18 的先升级。第二是权限问题，在 Linux 和 macOS 上，全局安装经常遇到权限报错，别硬用 sudo，配置好 npm 的全局目录更稳妥。第三是网络环境，这个不多说，自己确保能正常访问所需服务即可。

在 VS Code 里配置的话，核心是把 agent 工具作为插件或外部命令接进来，然后在项目根目录放好你的 marketingskills 文件夹，让 agent 的工作目录指向它。这样它读写文件时，作用范围就被限制在你的技能库内，不会乱动系统其他文件。

5.2 用本地模型跑 marketingskills 的可行性

关键词里提到了"claude code 调用 lmstudio 的本地模型"，这是个很实际的需求。用本地模型的好处是数据不出本地、成本可控、可以离线跑。但要注意，本地模型的能力和云端大模型有差距，尤其是复杂推理和多步调度。

我的建议是分层使用：简单的 skill（比如格式检查、字段提取）交给本地模型，复杂的 skill（比如转化漏斗分析、竞品对比）交给能力更强的模型。在 config 里可以配置模型路由规则，按 skill 的复杂度自动选择。

本地模型跑 marketingskills 时，prompt 要写得更"笨"一点，也就是步骤要拆得更细，判断标准要更明确。因为本地模型的指令遵循能力相对弱，你给它模糊指令，它容易跑偏。这一点和用云端模型时的写法不太一样，需要针对性调整。

5.3 让 agent 直接执行终端命令的价值

Claude Code 这类工具一个很大的能力是能直接执行终端命令。这在 marketingskills 场景里非常有用。比如你的 structured-data skill 生成完 JSON-LD 后，可以直接调用一个验证脚本去检查；你的 SEO audit skill 分析完页面后，可以直接跑一个爬虫脚本去抓取全站链接。

但这里有个安全边界必须守住：不要让 agent 无限制执行任意命令。我的做法是在 config 里维护一个命令白名单，只有白名单里的命令才允许执行，比如node validate.js、python check.py这类。涉及删除、覆盖、网络请求的命令，一律走人工确认。

注意：agent 能执行命令是双刃剑。方便的同时，一旦 skill 写错或调度出错，可能造成文件被误改。建议所有 skill 的输出先写到临时目录，人工确认后再合并到正式目录。

6. 从零搭一套 marketingskills 的完整步骤

6.1 第一步：梳理你的营销动作清单

别急着写 skill，先拿张纸（或者开个文档），把你日常做的营销动作全部列出来。列的时候按频率和标准化程度排序。高频且标准化的，优先做成 skill；低频且高度依赖创意的，先放着。

我自己的清单大概长这样：关键词调研、页面 SEO 体检、结构化数据生成、内链规划、落地页评审、A/B 测试设计、转化漏斗分析、产品文案撰写、博客大纲生成、流量报告解读。这十来个动作，覆盖了独立站运营 80% 的日常。

列完之后，给每个动作标注：输入是什么、输出是什么、判断标准能不能写清楚。凡是判断标准写不清楚的，说明这个动作还没到能 skill 化的程度，先跳过。

6.2 第二步：写第一个 skill 并跑通

别贪多，先写一个最简单的跑通。我建议从"页面 SEO 体检"开始，因为它的输入输出最清晰。按前面给的模板写，然后拿一个真实页面测试。

测试的时候重点看三件事：agent 有没有正确读取文件、有没有按步骤执行、输出格式对不对。如果这三样都对了，说明你的 skill 模板是有效的，可以复制到其他 skill。如果不对，先改模板，别急着写第二个。

这一步最容易犯的错是：skill 写得太笼统，agent 执行时自由发挥。记住，skill 是给"执行力强但判断力弱"的 agent 用的，你要把判断标准写到"傻瓜都能执行"的程度。

6.3 第三步：建立调度规则并做冲突测试

单个 skill 跑通后，开始建调度规则。把前面那张"用户意图-skill 映射表"填完整，然后做冲突测试：故意给一些模糊指令，看 agent 会不会调错 skill。

比如你说"帮我优化一下这个页面"，这句话既可能触发 SEO skill，也可能触发 CRO skill。好的调度规则应该让 agent 先反问"你是想优化搜索排名还是转化率"，而不是自作主张。这个反问机制，是系统成熟度的标志。

6.4 第四步：接入真实数据做迭代

skill 库初步成型后，接入真实数据。把页面的真实 HTML、真实的流量数据、真实的转化数据喂进去，看 agent 的输出和你的实际判断差多少。差得越多的地方，就是 skill 需要改的地方。

我一般每两周做一次复盘，把 agent 给出的建议和实际执行结果对比，把验证有效的判断标准固化进 skill，把验证无效的删掉。这样迭代几个月，你的 skill 库会变得非常贴合你的业务。

7. 实操中那些文档不会写的经验

7.1 skill 不是越多越好，是越准越好

新手最容易犯的错是疯狂堆 skill，觉得覆盖越全越好。实际上，skill 太多会导致调度混乱，agent 在几十个 skill 里挑，挑错的概率大幅上升。我的经验是：核心 skill 控制在 10-15 个，每个都打磨到能稳定输出。宁可少而精，不要多而乱。

7.2 给 skill 加"拒绝执行"的条件

好的 skill 不只会执行，还会拒绝。比如一个 CRO skill，如果输入的数据量太小（比如只有 50 个访问量），它应该拒绝给出结论，因为样本量不够，任何结论都是噪音。这个"拒绝条件"要写进 skill 里，否则 agent 会一本正经地给你错误建议。

7.3 输出格式统一，方便后续自动化

所有 skill 的输出，尽量统一成 Markdown 表格或结构化 JSON。为什么？因为统一格式后，你可以写脚本自动汇总多个 skill 的输出，生成一份综合报告。如果每个 skill 输出格式都不一样，后续自动化就无从谈起。

7.4 定期清理过时的判断标准

搜索引擎的规则、用户的浏览习惯都在变，你半年前写的判断标准可能已经过时。我建议每个季度过一遍 skill 库，把明显过时的标准更新掉。比如某些结构化数据的规范变了，你的 skill 还按老规范写，agent 就会给出错误建议。

7.5 人始终在闭环里，别想着全自动

最后一条也是最重要的：marketingskills 这套东西，定位是"提效工具"，不是"替代人"。agent 负责执行判断链、生成初稿、跑检查，人负责定义标准、审核结果、做最终决策。我见过有人想做成全自动，结果质量失控，最后还不如自己干。把 agent 当助手，而不是当替身，这个心态摆正了，系统才能长期跑下去。

8. 关于这套体系的几个常见疑问

8.1 没有编程基础能搭吗

能，但有限。如果你只是用现成的 agent 工具，把 skill 写成 Markdown 文件，那不需要编程基础，会写文档就行。但如果你想做调度自动化、输出汇总、命令白名单这些，就需要一点脚本能力。我的建议是：先从纯文档版开始，跑顺了再逐步加自动化。

8.2 本地模型和云端模型怎么选

看你的数据敏感度和预算。数据敏感、预算有限，用本地模型，但接受能力上的折扣；追求效果、数据不敏感，用云端模型。混合方案是最实际的：敏感数据用本地，复杂分析用云端。

8.3 skill 库要不要开源或共享

看情况。通用的 skill（比如结构化数据生成）可以共享，能帮到别人也能收到反馈。但涉及你业务核心判断标准的 skill（比如你的转化漏斗分析逻辑），建议自己留着。共享通用能力，保留核心壁垒，这个度要把握好。

8.4 这套东西和直接用 AI 聊天有什么区别

区别在于一致性和可复用性。直接聊天，每次结果都不一样，没法沉淀；用 skill，同样的输入能得到稳定的输出，而且能不断迭代优化。前者是"用一次算一次"，后者是"越用越值钱"。这就是为什么值得花时间搭这套体系。

9. 我个人的一点体会

搭 marketingskills 这套东西，最大的收获其实不是省了多少时间，而是被迫把自己的营销判断逻辑梳理清楚了。以前很多决策靠直觉，写 skill 的时候必须把直觉翻译成明确的判断标准，这个过程本身就是一次能力升级。

我现在的工作流大概是：agent 跑 skill 出初稿和检查报告，我花 20% 的时间做审核和关键决策，剩下 80% 的重复劳动交给它。效率提升是明显的，但更重要的是，我的判断标准被固化下来了，团队里其他人也能复用，不再依赖我一个人的经验。

如果你也想搭一套，我的建议是从一个最小的 skill 开始，别追求一步到位。跑通一个，你就理解整套逻辑了，剩下的就是复制和迭代。真正难的不是技术，是把你脑子里的判断标准写清楚。这件事没人能替你做，但做完之后，受益的是你自己。