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，加上关联的 Claude Code、AI agents、Agent Skills spec 这几个词，我大概能猜到它想做的事情：把营销领域里那些重复、零散、依赖个人经验的活儿，打包成一套可以被 AI agent 直接调用的"技能包"。这不是又一个营销工具，而是一种组织方式——把营销方法论沉淀成结构化的、机器可读的 skill 定义，让 Claude Code 这类 agent 在具体任务里按需加载、按规范执行。

为什么这件事值得单独拿出来讲？因为绝大多数人用 AI 做营销，还停留在"打开对话框，敲一段提示词，复制结果"的阶段。这种方式的问题非常明显：每次都要重新描述背景，输出质量随提示词波动，团队里十个人用出十种风格，经验无法沉淀。而 Agent Skills 这套思路的核心，是把"怎么做"从一次性对话里抽出来，变成可复用、可版本管理、可组合的资产。营销恰恰是最需要这种沉淀的领域之一——文案、投放、SEO、用户分层、活动复盘，每一块都有相对固定的方法论，但又高度依赖上下文。

这篇文章适合三类人看：一是已经在用 Claude Code 或类似 agent 工具、想把营销工作流标准化的从业者；二是对 Agent Skills spec 感兴趣、想搞清楚 skill 到底怎么定义和加载的技术同学；三是团队里负责营销 SOP、想让 AI 真正接进业务流程的人。我会从 skill 的本质讲起，拆解它的结构，然后给出一套可以照着搭的 marketingskills 目录设计，最后聊实测中踩过的坑。全程按我自己的实操经验来写，不绕弯子。

需要先说明一点：Agent Skills 目前还在演进，不同工具对 skill 的加载机制、字段命名、触发条件支持程度不一样。我下面讲的结构和做法，是基于常见实践和公开规范整理的合理方案，具体落地时你要对照自己所用工具的文档做适配。这个前提很重要，别照抄完发现字段名对不上就懵了。

2. Agent Skills 的本质：把方法论变成可加载的模块

2.1 skill 和 prompt 的根本区别在哪

很多人第一次接触 skill，会觉得"这不就是长一点的提示词吗"。我一开始也这么想，直到真正把一个营销任务拆成 skill 之后才发现，两者的差别是结构性的。

普通 prompt 是"一次性指令"，它活在对话上下文里，用完就散。你这次写了一段很棒的投放文案提示词，下次换个产品，得重新改一遍。skill 不一样，它是一个有明确边界的文件单元，通常包含元信息（名字、描述、适用场景）和正文（具体指令、步骤、示例、约束）。它被存放在固定位置，agent 根据当前任务判断要不要加载它。加载之后，skill 的内容才进入上下文，任务结束它就可以被卸载。

这个"按需加载"的机制是关键。你可以想象成一个工具箱：prompt 是你每次干活前临时口述一遍工具怎么用；skill 是你把每件工具的使用说明写好贴在工具上，需要哪件拿哪件。营销工作涉及的技能太多了——写标题、做竞品分析、设计 A/B 测试、写落地页、规划内容日历——如果全塞进一个超长 prompt，上下文会被撑爆，模型注意力也会被稀释。拆成独立 skill，每个只在自己被需要时出现，效率和准确率都会好很多。

2.2 Agent Skills spec 里几个绕不开的概念

虽然不同实现的细节有差异，但一套 skill 体系通常离不开这几个概念，理解了它们，后面搭 marketingskills 就顺了。

Skill 元数据（metadata）：一般包括 name（技能名）、description（一句话说明这个技能干什么、什么时候用）。description 特别重要，因为 agent 往往就是靠它来判断"当前任务要不要加载这个 skill"。写得太模糊，比如"处理营销相关任务"，agent 根本不知道该不该用；写得具体，比如"为电商产品撰写 30 字以内的短视频标题，强调痛点+利益点"，命中率会高得多。

Skill 正文（body/instructions）：真正干活的部分。好的 skill 正文不是一堆形容词，而是清晰的步骤、判断规则、输出格式、正反示例。营销类 skill 尤其需要示例，因为"好文案"这种标准很难用规则穷举，给几个高质量样例比写十条抽象原则管用。

触发条件（trigger）：有些实现支持显式触发，比如用户输入特定命令或关键词时加载对应 skill；有些是模型自主判断。营销场景里，我倾向于给高频任务配显式触发，减少模型误判。

组合与依赖：复杂任务往往需要多个 skill 协作。比如"策划一次新品上市传播"，可能要依次用到受众分析 skill、内容日历 skill、渠道选择 skill。设计时要想清楚 skill 之间的边界，避免一个 skill 什么都管、最后变成又一个巨型 prompt。

下面这张表是我整理的核心概念对照，方便你快速建立整体印象：

2.3 为什么营销领域特别适合 skill 化

营销工作的一个特点是：方法论相对稳定，但执行高度依赖上下文。写文案的底层逻辑（抓注意力、讲利益、给行动理由）几年都不太变，但具体到某个产品、某个平台、某类人群，表达方式千差万别。这种"稳定框架+可变填充"的结构，天然适合 skill 化。

另一个原因是营销任务重复度极高。一个内容团队每周可能要产出几十条标题、十几篇种草文、若干条投放素材。如果每次都靠人重新想提示词，效率低且质量不稳。把这些重复任务固化成 skill，相当于给团队装了一套"标准作业程序"，新人上手快，老人也省心。

还有一点常被忽略：营销效果需要复盘和迭代。skill 是文件，可以版本管理。你这次投放发现某个标题结构转化特别好，就可以把这条经验写回 skill 的示例里，下次自动生效。这种"经验沉淀进资产"的闭环，是纯 prompt 做不到的。

3. 搭一套 marketingskills 目录：从任务清单到文件结构

3.1 先别急着写 skill，把营销任务盘一遍

我见过不少人一上来就开始写 skill 文件，结果写到一半发现技能之间大量重叠，或者漏掉了关键环节。正确顺序是先做任务盘点。

拿一个典型的电商营销团队举例，把日常任务按"频率"和"标准化程度"两个维度过一遍：

• 高频且标准化：商品标题撰写、卖点提炼、短视频脚本开头、详情页文案、客服话术
• 高频但需判断：竞品分析、投放素材迭代、用户评论归类
• 低频但重要：新品上市传播策划、季度内容日历、大促活动复盘

高频标准化的任务优先 skill 化，因为投入产出比最高。低频复杂的任务可以先做成"半成品 skill"，提供框架和检查清单，具体执行仍由人主导。这个优先级判断很关键，别一上来就啃最难的。

3.2 目录结构怎么设计才不乱

我推荐的目录结构是按"职能域"分层，而不是按"任务"平铺。原因是任务会不断增加，平铺很快会乱；按域分层，新增任务往对应域里放就行。

marketingskills/ ├── copywriting/ # 文案类 │ ├── product-title/ │ │ └── SKILL.md │ ├── short-video-hook/ │ │ └── SKILL.md │ └── landing-page/ │ └── SKILL.md ├── analysis/ # 分析类 │ ├── competitor-scan/ │ │ └── SKILL.md │ └── review-clustering/ │ └── SKILL.md ├── planning/ # 策划类 │ ├── content-calendar/ │ │ └── SKILL.md │ └── campaign-retro/ │ └── SKILL.md └── shared/ # 共享资源 ├── brand-voice.md └── audience-profiles.md

每个 skill 一个独立文件夹，里面放 SKILL.md 作为主文件。如果某个 skill 需要额外的参考文件（比如品牌语气指南、人群画像），放在 shared 里统一管理，skill 正文里引用路径即可。这样做的好处是：品牌信息只有一份，改了全局生效，不用在每个 skill 里重复维护。

提示：目录名和 skill 名尽量用英文小写加连字符，避免空格和中文。很多工具在解析路径时对特殊字符支持不好，用英文能省掉一堆莫名其妙的加载失败问题。

3.3 一个 SKILL.md 应该包含哪些字段

下面是我实际在用的模板结构，字段名你可以根据所用工具的规范调整，但内容维度基本通用：

--- name: product-title description: 为电商平台商品生成符合平台调性的标题，适用于上新、优化老链接等场景 version: 1.2 tags: [copywriting, ecommerce, title] --- # 商品标题生成 ## 适用场景 当需要为某商品撰写或优化标题时使用。 ## 输入要求 - 商品品类 - 核心卖点（1-3 个） - 目标平台（决定字数与风格） - 目标人群 ## 执行步骤 1. 判断平台字数限制 2. 从卖点中选出最具差异化的 1 个作为主卖点 3. 按"人群词+主卖点+场景词+规格"结构组装 4. 生成 5 个候选，标注各自侧重 ## 输出格式 | 序号 | 标题 | 侧重 | 字数 | ... ## 正例 ... ## 反例 ...

这里有几个我踩过坑才明白的点。第一，description 要写"什么时候用"，不只是"是什么"。模型判断是否加载 skill，主要看 description 和当前任务的匹配度，把使用场景写进去命中率明显提升。第二，输入要求要明确。如果 skill 依赖某些信息而用户没提供，模型要么瞎编要么卡住，不如在 skill 里写清楚"缺信息时先追问"。第三，正反例比规则更有用。营销判断很多是模糊的，给两个好例子和一个坏例子，比写五条抽象原则更能约束输出质量。

4. 把营销方法论翻译成 skill 指令的实操细节

4.1 从"经验"到"步骤"的翻译过程

营销老手脑子里有很多"感觉"，比如"这个标题不够抓人"。skill 化的难点就在于把这种感觉翻译成可执行的步骤。我的做法是"追问三层"：看到一个判断，连问三次"为什么"，直到问出可操作的规则。

举个例子。判断"标题不够抓人"，第一层为什么？因为开头没有制造信息差。第二层为什么信息差重要？因为用户刷信息流时只给 0.5 秒注意力，需要立刻产生"这跟我有关"或"这有点意外"的反应。第三层怎么制造？用具体数字、反常识结论、或直接点名人群。到这一层，就得到了可写进 skill 的规则：标题前 8 个字必须包含数字、人群词或反常识表述之一。

这个过程很费脑子，但值得。翻译得越细，skill 输出越稳定。反过来，如果 skill 里全是"要吸引人""要有创意"这种话，模型只能靠猜，结果就是每次风格飘忽。

4.2 用约束条件替代模糊形容词

营销 skill 里最容易泛滥的就是形容词。我的原则是：能用数字和规则表达的，绝不用形容词。

这些约束不是拍脑袋定的，而是从历史数据和高转化案例里反推出来的。你团队如果有投放数据，直接拿转化率高的素材做逆向分析，提炼出的约束最靠谱。没有数据也没关系，先定一版，跑一段时间再根据反馈调。

4.3 让 skill 学会"先问再答"

营销任务有个特点：信息不全时硬做，结果一定差。所以我在关键 skill 里都加了"信息检查"环节。比如商品标题 skill，如果用户只给了品类没给卖点，skill 会先追问卖点和人群，而不是直接生成。

这个设计看起来简单，实际效果差别很大。早期我做的 skill 是"给什么做什么"，结果经常生成一堆正确但无用的标题。加了追问机制后，虽然多一轮交互，但产出可用率提升明显。实现方式就是在 skill 正文开头写一段判断逻辑：

## 前置检查 在执行前确认以下信息是否齐全： - 商品品类：缺失则询问 - 核心卖点：缺失则询问，或基于品类给出候选让用户确认 - 目标平台：缺失则默认按通用电商平台处理，并说明假设

注意：追问不要太多，超过 3 个问题用户会烦。我的经验是只追问"缺了就没法做"的关键信息，其他用合理默认值补上并明确告知。

4.4 输出格式统一，后续才好接自动化

如果 skill 只是给人看，格式随意点无所谓。但如果产出要接进后续流程（比如批量生成后导入投放系统），输出格式就必须固定。我在所有 marketingskills 里都强制要求结构化输出，能表格就表格，能 JSON 就 JSON。

比如评论归类 skill，输出固定为：

{ "category": "物流体验", "sentiment": "negative", "count": 37, "representative_quotes": ["...", "..."], "suggested_action": "..." }

固定格式的好处是，你可以写脚本批量处理这些输出，做统计、做看板、做自动分发。营销工作里大量时间花在"整理结果"上，格式统一能省掉这部分重复劳动。

5. 实测中暴露的问题：skill 不触发、输出跑偏、上下文打架

5.1 skill 该加载时没加载，怎么排查

这是最常见的问题。你明明写了商品标题 skill，用户说"帮我写个标题"，agent 却没用 skill，直接自由发挥。排查思路按这个顺序走：

第一步，看 description 是否匹配。如果 description 写的是"生成电商标题"，而用户说的是"写个卖货的标题"，语义上接近但模型可能没关联上。解决办法是把 description 写得更贴近用户实际说法，把常见同义表达都覆盖进去。

第二步，看是否有多个 skill 竞争。如果你同时有"商品标题"和"内容标题"两个 skill，description 又都提到"标题"，模型可能选错或干脆不用。这时候要给 description 加区分词，比如一个强调"电商平台商品"，一个强调"社交媒体内容"。

第三步，看触发机制。如果工具支持显式触发，给高频 skill 配上明确的触发词最稳。自主判断虽然灵活，但稳定性不如显式触发。

我自己的做法是：核心高频 skill 全部配显式触发，长尾 skill 靠自主判断。这样既保证主力任务稳定，又不至于把所有 skill 都硬编码成命令。

5.2 输出风格飘忽的根因定位

skill 加载了，但每次输出风格不一样，问题通常出在 skill 正文的约束力不够。我遇到过几种典型情况：

一种是示例太少。只给一个正例，模型会把它当"参考"而不是"标准"，自由发挥空间太大。后来我在关键 skill 里放 3 个正例、2 个反例，风格稳定性明显提升。

另一种是规则之间有冲突。比如 skill 里既写"标题要包含数字"，又写"避免使用具体数字以免显得夸张"，模型就懵了。写 skill 时要通读一遍，确保规则之间不打架。

还有一种是上下文被污染。如果对话历史里有很多无关内容，模型可能被带偏。解决办法是在 skill 正文里加一句"忽略与本任务无关的历史信息，严格按本 skill 执行"。这句话看着粗暴，但实测有效。

5.3 多个 skill 同时生效时的冲突处理

复杂任务里，agent 可能同时加载多个 skill。比如"策划一次大促"，可能同时触发内容日历 skill、文案 skill、渠道 skill。如果这些 skill 各自定义了输出格式和优先级，就会打架。

我的处理原则是：给 skill 分主从。主 skill 负责整体框架和最终输出格式，从 skill 只提供局部内容。在从 skill 的正文里明确写"本 skill 输出作为主 skill 的输入，不单独成文"。同时在主 skill 里声明它依赖哪些从 skill。

这套机制需要在 skill 元数据里加一个字段来标识主从关系，比如role: primary或role: supporting。如果你的工具不支持这个字段，可以在 description 里用文字说明，模型也能理解。

5.4 版本迭代时怎么避免"改一处崩一片"

skill 是活的，要不断迭代。但改 skill 有个风险：你优化了 A 场景，可能把 B 场景搞坏了。我的做法是给每个 skill 维护一个简单的变更记录，放在文件末尾：

## 变更记录 - v1.2: 增加短视频平台字数约束，修复标题过长问题 - v1.1: 补充 3 个正例 - v1.0: 初版

每次改动前想清楚影响范围，改完拿几个典型 case 回归测试一遍。如果团队多人维护 skill，最好用 Git 管理，改动走 review，避免有人随手改崩了别人不知道。

6. 让 marketingskills 真正跑起来的几个关键习惯

6.1 从最小可用 skill 开始，别追求一次到位

我见过太多人想一次性搭一套完美的 skill 体系，结果写了半个月还没上线。正确做法是先挑一个最高频、最简单的任务，比如商品标题，做一个最小可用版本，跑起来，用一周，收集问题，再迭代。

最小可用版本不需要面面俱到。有 name、description、基本步骤、一个正例，就能跑。跑起来之后你才会发现真正的问题在哪——可能是 description 不匹配，可能是输出格式不好用，可能是缺了某个关键输入。这些问题光靠想是想不出来的。

6.2 把真实案例喂回去，让 skill 越用越准

skill 最大的价值在于能沉淀经验。每次你用 skill 完成一个任务，如果结果特别好或特别差，都值得回写进 skill。好的做成正例，差的做成反例。坚持一两个月，你的 skill 会比任何通用提示词都懂你的业务。

我自己的习惯是每周五花 20 分钟过一遍本周的 skill 使用记录，挑 2-3 个典型案例更新进去。这个投入很小，但复利效应明显。

6.3 团队协作时 skill 的共享与权限

如果团队多人用同一套 skill，要提前想清楚几件事：谁能改、改了怎么通知、品牌信息放哪。我的建议是品牌语气、人群画像这类全局信息放 shared 目录，由专人维护；具体任务 skill 由对应岗位的人维护；所有改动走版本管理。

另外，skill 里不要放敏感信息，比如具体的投放预算、未公开的产品计划。skill 文件可能被复制、被分享，写进去的东西要当作半公开信息对待。

6.4 定期清理失效 skill

skill 会过时。平台规则变了、产品线砍了、方法论更新了，对应的 skill 就该退役。我建议每季度做一次 skill 盘点，把三个月没被触发过的 skill 标记出来，确认是没人用还是触发有问题。没人用的直接归档，触发有问题的修 description。

留着大量失效 skill 的坏处是，它们会干扰 agent 的判断，增加误触发概率。工具箱里工具太多太杂，找起来反而慢。

7. 关于这套东西后续还能怎么扩展

搭完基础版 marketingskills 之后，我实际用下来觉得最有价值的扩展方向有两个。一个是把 skill 和真实数据打通，比如让标题 skill 能读取历史投放的点击率数据，生成候选时参考高转化结构。另一个是做 skill 的效果追踪，记录每个 skill 被触发后的产出采纳率，用数据驱动 skill 迭代，而不是靠感觉。

这两个方向都需要一些工程投入，但回报很实在。营销这件事，说到底就是不断把"有效的做法"固化下来、把"无效的做法"淘汰掉。skill 只是让这个循环转得更快、更省力的一个载体。工具会变，这套"沉淀-复用-迭代"的思路不会变。