企业官网建设流程全解析

1. 从“marketingskills”说起：一个营销人的AI技能库到底长什么样

第一次看到marketingskills这个词，我脑子里蹦出来的不是某个具体工具，而是一类东西——把营销工作中那些重复、琐碎、但又必须做扎实的活儿，拆成一个个可以被 AI 代理（AI agents）调用的“技能模块”。你可以把它理解成一个营销人的“技能抽屉”：SEO 诊断是一个抽屉，转化率优化（CRO）是一个抽屉，数据分析报表是一个抽屉，内容分发又是一个抽屉。每个抽屉里装着对应的提示词模板、检查清单、脚本工具和判断逻辑。

这件事为什么值得聊？因为过去一年，我身边做独立站、做内容站、做 SaaS 增长的朋友，几乎都在干同一件事：把 Claude Code 这类能直接读写文件、执行终端命令的 AI 代理，接进自己的日常工作流。但大多数人卡在同一个地方——AI 很聪明，可它不知道“我们公司的 SEO 规范是什么”“落地页必须包含哪几个转化元素”“周报的数据口径怎么算”。marketingskills要解决的，正是这个“最后一公里”的问题：把营销领域的隐性经验，变成 AI 能稳定执行的显性技能。

这篇文章适合三类人看。第一类是自己运营独立站、需要同时兼顾 SEO 和转化的个人站长；第二类是在团队里负责增长、想用 AI 代理把重复工作自动化的人；第三类是对 Claude Code 感兴趣、想看看它在真实营销场景里怎么落地的人。不管你是刚听说 Claude Code，还是已经装好但不知道怎么用出价值，下面这些内容都能直接抄作业。

我会从整体设计思路讲起，然后拆解 SEO、CRO、Analytics 三个核心技能模块的实现细节，再给出一套完整的实操流程和踩坑记录。全程按我自己的项目经验来说，不绕弯子。

2. 整体设计思路：为什么用“技能”而不是“一个大提示词”

2.1 营销工作的本质是“多任务切换”，不是单一问答

很多人用 AI 做营销，习惯写一个巨长的提示词，把 SEO、文案、数据分析全塞进去，然后指望它一次输出完美结果。我试过，结论是：不行。原因很简单，营销工作天然是多任务、多角色、多上下文的。你今天上午在做关键词聚类，下午在改落地页的 CTA 按钮文案，晚上在拉渠道转化数据。这三件事需要的背景知识、判断标准、输出格式完全不同。

如果用一个提示词包打天下，AI 会在不同任务之间“串味”。比如你让它分析关键词，它可能顺手给你写了一段广告文案；你让它优化落地页，它又跑去评论你的网站加载速度。marketingskills的核心设计思路，就是按任务边界切分技能，每个技能有独立的输入、输出、判断逻辑和工具权限。

2.2 技能模块的四个组成部分

我自己的marketingskills目录结构大概是这样，每个技能是一个独立文件夹：

marketingskills/ ├── seo-audit/ │ ├── SKILL.md # 技能说明与触发条件 │ ├── checklist.md # 检查清单 │ ├── prompts/ # 提示词模板 │ └── scripts/ # 辅助脚本 ├── cro-landing/ │ ├── SKILL.md │ ├── heuristics.md # 转化启发式规则 │ └── templates/ ├── analytics-report/ │ ├── SKILL.md │ ├── metrics.md # 指标口径定义 │ └── queries/ └── content-brief/ ├── SKILL.md └── outline-rules.md

每个技能包含四个部分：

• 触发条件：什么情况下该调用这个技能。比如“用户提到关键词排名下降”触发 SEO 诊断，“用户要改落地页”触发 CRO 技能。
• 判断逻辑：这个技能内部的决策树。比如 SEO 诊断里，先看索引状态，再看内容质量，最后看外链结构。
• 执行工具：需要调用哪些脚本、API 或终端命令。Claude Code 的优势就在这里，它能直接跑命令、读文件、写文件。
• 输出规范：结果以什么格式呈现。是 Markdown 报告、CSV 表格，还是直接改代码。

提示：技能粒度不要太细，也不要太粗。我的经验是，一个技能对应“一个完整的工作交付物”。比如“SEO 诊断报告”是一个交付物，“关键词研究”是另一个。如果拆成“检查 title 标签”“检查 meta 描述”，就太碎了，AI 调用起来反而低效。

2.3 为什么选 Claude Code 作为执行载体

市面上能跑 AI 代理的工具不少，我最终选 Claude Code 做主力，原因有三个。第一，它能直接操作文件系统。营销工作大量涉及改 HTML、改配置、读写 CSV，这一点太关键了。第二，它能执行终端命令。跑个 Python 脚本做数据清洗、调用 API 拉数据，都不需要我手动复制粘贴。第三，它的上下文管理比较适合长任务。一个 SEO 诊断可能涉及几十个页面，Claude Code 能在一个会话里保持对整体结构的理解。

当然，Claude Code 的安装和配置本身有一些门槛，尤其是国内环境。这部分我会在实操章节详细说，包括 VS Code 配置、Ubuntu 配置、以及怎么接入其他模型作为备选方案。

2.4 技能库的维护成本与收益平衡

说句实在话，搭marketingskills不是零成本。前期你要花时间把脑子里的经验写成文档，把重复操作写成脚本。但收益曲线很陡：一旦技能库成型，后面每次做同类任务，时间成本能压到原来的三分之一甚至更低。我的建议是从最高频、最痛的任务开始，不要一上来就追求大而全。大多数人从 SEO 诊断或内容简报开始，这两个任务重复度高、判断标准相对明确，最容易看到效果。

3. SEO 技能模块：从关键词到索引的完整诊断链

3.1 SEO 技能的核心判断逻辑

SEO 这个技能模块，我把它设计成一条从外到内、从粗到细的诊断链。为什么是这个顺序？因为 SEO 问题的排查成本是不一样的。先看索引状态，成本最低，如果页面根本没被收录，后面内容优化做得再好也没用。再看内容质量，这个需要读页面、做对比。最后看外链和站点结构，这个最耗时，放在最后。

具体判断逻辑分四层：

1. 索引层：页面是否被收录，robots.txt 是否误屏蔽，sitemap 是否完整。
2. 内容层：标题、描述、H 标签、正文关键词密度、内容深度是否达标。
3. 结构层：内链是否合理，URL 结构是否清晰，是否有重复内容。
4. 外链层：外链数量与质量，锚文本分布，是否有异常链接。

每一层都有对应的检查清单和脚本。比如索引层，我会用脚本批量检查 sitemap 里的 URL 返回状态码，然后对比搜索引擎收录数据。内容层则用提示词让 Claude Code 逐页分析，输出问题列表。

3.2 独立站谷歌 SEO 的特殊处理

独立站做谷歌 SEO，和平台内 SEO 有本质区别。平台内你是在别人的规则下玩，独立站你要自己搭规则。marketingskills里针对独立站有几个专门的处理：

• 多语言与多地区：如果你的独立站面向多个地区，hreflang 标签是必须的。技能里有一个检查项，专门验证 hreflang 的完整性和正确性。
• 站点速度与 Core Web Vitals：独立站没有平台兜底，速度问题直接影响排名。技能里集成了对 LCP、FID、CLS 的检查提示。
• 结构化数据：产品页、文章页、FAQ 页的 Schema 标记，技能会逐类检查并给出补全建议。

我踩过的一个坑是：早期做独立站，只顾着堆关键词，忽略了站点结构。结果就是页面收录了，但权重分散，核心页面排名上不去。后来在技能里加了一条“内链权重分配检查”，强制每次诊断都看内链结构，情况才好转。

3.3 关键词研究与内容简报的自动化

关键词研究是 SEO 的起点，也是最耗时的环节之一。我的做法是：先用工具拉一批种子关键词，然后让 Claude Code 做聚类和意图分类。具体步骤：

1. 把关键词列表存成 CSV，放在项目目录。
2. 调用seo-audit技能，触发关键词聚类子任务。
3. Claude Code 读取 CSV，按搜索意图（信息型、导航型、交易型、商业调查型）分类。
4. 输出聚类结果和对应的内容简报模板。

内容简报（content brief）是连接关键词和写作的桥梁。一个好的简报应该包含：目标关键词、次要关键词、搜索意图、建议字数、必须覆盖的子主题、竞品参考链接、内部链接建议。这些内容，技能库都能自动生成初稿，人工只需要做审核和补充。

注意：AI 生成的关键词聚类和简报，一定要人工过一遍。我遇到过 AI 把“购买”意图的词归到信息型里，如果直接拿去写文章，方向就偏了。人工审核这一步不能省。

3.4 Discuz 列表页 SEO 设置的技能化处理

虽然现在做独立站的人多，但 Discuz 论坛的 SEO 需求依然存在，尤其是老站点。Discuz 列表页的 SEO 有几个经典问题：列表页标题重复、分页内容重复、URL 参数过多导致收录混乱。marketingskills里我单独做了一个 Discuz 子技能，处理这些：

• 标题模板：列表页标题要包含版块名和分页信息，避免所有分页标题一样。
• 分页处理：建议对分页使用 rel=“next” 和 rel=“prev”，或者做 canonical 指向第一页。
• URL 重写：把动态参数 URL 重写成静态形式，减少参数干扰。
• 内容去重：列表页只展示摘要，避免和内容页重复。

这些规则写成检查清单后，Claude Code 可以直接读取 Discuz 的模板文件，定位到对应位置，给出修改建议甚至直接改代码。这比手动翻模板文件快太多了。

4. CRO 技能模块：把转化率优化变成可执行的检查清单

4.1 CRO 的本质是“减少摩擦”，不是“增加花哨”

很多人理解 CRO 就是改按钮颜色、加弹窗。这是误区。CRO 的核心是减少用户从进入到完成目标的摩擦。摩擦可能来自文案不清晰、表单太长、信任元素缺失、加载太慢、移动端体验差。marketingskills的 CRO 模块，就是把这些摩擦点变成可检查、可量化的清单。

我的 CRO 技能里有一个heuristics.md，里面列了大概 40 条启发式规则，分五类：

• 清晰度：用户能不能在 5 秒内知道这个页面是干什么的。
• 相关性：页面内容和用户来源是否匹配。
• 信任度：有没有社会证明、安全标识、退款保证。
• 行动成本：表单字段数、步骤数、决策复杂度。
• 技术体验：加载速度、移动端适配、无障碍访问。

每次做 CRO 诊断，Claude Code 会逐条对照，输出问题清单和优先级建议。

4.2 落地页诊断的实操流程

落地页诊断是我用得最多的 CRO 子技能。完整流程如下：

1. 抓取页面：用脚本把落地页 HTML 和截图拉下来，存到项目目录。
2. 结构分析：Claude Code 读取 HTML，分析页面结构，标出首屏、价值主张、CTA、信任元素、表单的位置。
3. 启发式检查：对照heuristics.md逐条检查，输出问题列表。
4. 竞品对比：如果有竞品页面，一起分析，找出差异点。
5. 优先级排序：按“影响大、成本低”的原则排序，输出优化建议。

这个流程跑下来，一个落地页的诊断大概 10 到 15 分钟，比人工逐条看快很多。而且 AI 不会漏项，40 条规则每次都会过一遍。

4.3 A/B 测试的假设生成与结果解读

CRO 离不开 A/B 测试。但很多人做 A/B 测试的问题是：假设拍脑袋，结果看不懂。marketingskills里我加了一个 A/B 测试子技能，做两件事：

• 假设生成：基于落地页诊断结果，自动生成可测试的假设。比如“如果把首屏 CTA 从‘了解更多’改成‘免费试用’，点击率会提升”，并说明理由。
• 结果解读：把测试数据（访问量、转化数、置信区间）输入，让 Claude Code 做统计显著性判断，并给出解读建议。

这里有个细节：A/B 测试的样本量计算，我写了一个 Python 脚本放在技能目录里。Claude Code 可以直接调用，输入基线转化率和最小可检测效应，输出所需样本量。这样在测试开始前就能判断，当前流量够不够跑出显著结果。

提示：不要迷信 AI 给出的统计结论。我遇到过数据量太小、AI 却给出“显著”判断的情况。技能里我强制加了一条规则：样本量不足时，必须提示“结果不可靠，建议继续收集数据”。

4.4 表单与结账流程的摩擦点排查

表单和结账流程是转化漏斗里最容易漏钱的地方。我的 CRO 技能里有一个专门的表单检查子模块，检查项包括：

这些检查项，Claude Code 可以直接读 HTML 和 JS，逐项判断，输出修改建议。我实测下来，一个结账页跑一遍，通常能找出 5 到 10 个可优化点。

5. Analytics 技能模块：让数据口径不再打架

5.1 指标口径统一是分析的前提

做数据分析最怕什么？最怕同一个指标，不同人算出来不一样。比如“转化率”，有人用转化数除以访问数，有人用转化数除以独立访客数，还有人排除掉某些渠道。口径不统一，后面所有分析都是白搭。

marketingskills的 Analytics 模块，第一件事就是定义指标口径。我在metrics.md里把常用指标的定义、计算公式、数据来源、排除规则全部写清楚。比如：

• 转化率= 完成目标动作的次数 / 会话数，排除内部 IP 和机器人流量。
• 获客成本= 渠道总花费 / 该渠道带来的新客户数，新客户定义为首单用户。
• 留存率= 第 N 天仍活跃的用户数 / 第 0 天新增用户数，活跃定义为有任意关键行为。

这些定义写进技能库后，Claude Code 每次做分析都会先读metrics.md，确保口径一致。

5.2 周报与月报的自动化生成

周报月报是营销人的固定开销。我的做法是：把数据源（比如 CSV 导出、API 返回）放到指定目录，然后调用analytics-report技能。Claude Code 会：

1. 读取数据文件，识别指标列。
2. 按metrics.md的口径计算汇总指标。
3. 对比上期数据，计算变化率和变化幅度。
4. 识别异常波动，标注可能原因。
5. 输出 Markdown 格式的报告，包含表格和文字解读。

整个过程大概 5 分钟，人工只需要检查异常标注是否合理，补充一些上下文说明。我试过连续跑一个月，报告质量稳定，比手动做快太多了。

5.3 渠道归因与漏斗分析

渠道归因是 Analytics 里最复杂的一块。marketingskills里我实现了两种归因模型：首次触点和末次触点。为什么只做这两种？因为更复杂的线性归因、时间衰减归因，对数据要求高，而且解释成本大。对大多数中小团队来说，首次和末次已经能回答“哪个渠道带来新用户”和“哪个渠道促成转化”这两个核心问题。

漏斗分析则是按步骤拆解转化路径。比如电商漏斗：访问 → 商品页 → 加购 → 结账 → 支付。每一步的转化率和流失率，Claude Code 都能自动计算，并标注流失最严重的环节。这个输出直接对接 CRO 技能，形成“分析 → 优化 → 再分析”的闭环。

5.4 数据异常排查的常见套路

数据异常是常态，关键是快速定位原因。我整理了一个排查清单，放在 Analytics 技能里：

• 先看数据采集：埋点是否正常，API 是否返回错误，时区是否一致。
• 再看外部因素：是否有促销活动、节假日、竞品动作、平台算法更新。
• 然后看内部因素：是否有代码发布、配置变更、渠道预算调整。
• 最后看统计因素：是否是小样本波动，是否在正常置信区间内。

这个清单让 Claude Code 在发现异常时，按顺序排查，而不是乱猜。我踩过的坑是：有一次数据暴跌，AI 直接归因到“渠道效果下降”，结果查了半天发现是埋点脚本被误删了。后来我把“先看数据采集”放在排查第一步，这类误判就少了很多。

6. 实操过程：从安装 Claude Code 到跑通第一个技能

6.1 Claude Code 的安装与环境配置

Claude Code 的安装方式取决于你的操作系统。我分别在 macOS、Ubuntu 和 Windows 上装过，下面说下各自的关键点。

macOS 安装：

# 通过 npm 安装 npm install -g @anthropic-ai/claude-code # 验证安装 claude --version

如果遇到无法下载的情况，先检查 Node.js 版本，建议 18 以上。另外，网络环境可能影响下载，这个自己想办法解决，我不展开。

Ubuntu 配置：

# 安装 Node.js（如果没装） curl -fsSL https://deb.nodesource.com/setup_20.x | sudo -E bash - sudo apt-get install -y nodejs # 安装 Claude Code npm install -g @anthropic-ai/claude-code # 配置环境变量 export ANTHROPIC_API_KEY="你的密钥"

Ubuntu 下要注意权限问题，全局安装可能需要 sudo。另外，如果是在服务器上跑，确保终端支持交互式输入。

Windows 安装：

Windows 下建议用 WSL2，体验最接近 Linux。直接在 PowerShell 里装也行，但某些终端命令的兼容性会差一些。安装步骤和 Ubuntu 类似，先装 Node.js，再 npm 全局安装。

VS Code 配置：

Claude Code 有 VS Code 扩展，装好后可以在编辑器里直接调用。配置步骤：

1. 在 VS Code 扩展市场搜索 Claude Code，安装。
2. 打开设置，填入 API 密钥。
3. 在项目根目录创建.claude文件夹，放入技能配置。
4. 用Ctrl+Shift+P打开命令面板，输入 Claude Code 相关命令即可调用。

VS Code 配置的好处是，AI 改代码、读文件、跑命令都在同一个界面里，不用来回切换终端。

6.2 技能库的初始化与目录搭建

装好 Claude Code 后，第一步是搭技能库目录。我的建议是从一个技能开始，不要贪多。以 SEO 诊断为例：

mkdir -p marketingskills/seo-audit/{prompts,scripts} cd marketingskills/seo-audit touch SKILL.md checklist.md

SKILL.md是技能的核心说明文件，内容大概包括：

# SEO 诊断技能 ## 触发条件 当用户提到关键词排名、索引、收录、SEO 问题时调用。 ## 输入 - 网站 sitemap URL 或本地 HTML 文件 - 目标关键词列表（可选） ## 执行步骤 1. 检查索引状态 2. 分析页面内容 3. 检查站点结构 4. 输出诊断报告 ## 输出格式 Markdown 报告，包含问题列表和优先级。

这个文件写好后，Claude Code 就能识别并调用这个技能。

6.3 跑通第一个 SEO 诊断任务

假设你有一个独立站，想跑一次 SEO 诊断。操作流程：

1. 把网站 sitemap 下载到项目目录，或者直接给 Claude Code 网址。
2. 在终端进入项目目录，启动 Claude Code。
3. 输入指令：“用 seo-audit 技能诊断这个网站，sitemap 在 ./sitemap.xml”。
4. Claude Code 读取技能说明，按步骤执行。
5. 等待输出诊断报告。

我第一次跑的时候，Claude Code 花了大概 8 分钟，检查了 50 多个页面，输出了 20 多条问题。其中有一条是“部分页面 title 标签重复”，这个我人工检查时漏掉了。这就是技能库的价值：它不会累，不会漏项。

6.4 接入其他模型作为备选方案

Claude Code 默认用 Anthropic 的模型，但有时候你可能想用其他模型。技术上可以通过配置代理层实现，把请求转发到其他兼容接口。具体做法是设置环境变量，指向自定义的 API 端点。不过要注意，不同模型对工具调用的支持程度不一样，有些模型不能很好地执行终端命令和文件操作。我的建议是：主力用 Claude Code 原生模型，备选方案只在特定场景下用，比如成本敏感或者原生模型不可用时。

注意：接入其他模型时，技能库里的提示词可能需要调整。不同模型对指令的理解有差异，直接套用可能效果打折扣。建议先在小任务上测试，确认稳定后再用于正式工作。

7. 常见问题与排查技巧实录

7.1 安装与配置类问题

问题一：npm 安装报权限错误

这是最常见的。macOS 和 Linux 下，全局安装需要写权限。解决方案有两个：用sudo，或者配置 npm 的全局目录到用户目录下。我推荐后者，更安全：

mkdir ~/.npm-global npm config set prefix '~/.npm-global' export PATH=~/.npm-global/bin:$PATH

问题二：VS Code 扩展找不到 Claude Code

先确认 VS Code 版本是否太旧，然后检查扩展市场是否正常。如果还是找不到，可以手动下载 vsix 文件安装。

问题三：终端命令执行失败

Claude Code 执行终端命令时，如果遇到权限或路径问题，会报错。排查步骤：先手动在终端跑一遍同样的命令，确认命令本身没问题；再检查 Claude Code 的工作目录是否正确；最后看是否有环境变量缺失。

7.2 技能调用类问题

问题四：技能不被触发

通常是SKILL.md里的触发条件写得太窄。比如只写了“SEO 诊断”，用户说“帮我看看网站收录”就不会触发。解决办法是把触发条件写宽一些，列出同义词和相关场景。

问题五：输出格式不符合预期

检查SKILL.md里的输出格式定义是否清晰。如果只写“输出报告”，AI 可能自由发挥。要明确写“输出 Markdown 表格，包含列：问题、严重程度、建议”。

问题六：技能执行中途卡住

可能是任务太大，超出了上下文限制。解决办法是把大任务拆成小任务，分步执行。比如 SEO 诊断，先跑索引检查，再跑内容检查，不要一次全跑。

7.3 数据与结果类问题

问题七：数据分析结果和预期不符

先检查数据源是否正确，再检查指标口径是否一致。我遇到过因为时区设置不同，导致两天的数据对不上。后来在metrics.md里强制规定统一用 UTC 时间，问题解决。

问题八：AI 给出的建议太泛

这是提示词的问题。要在技能里要求 AI 给出具体、可执行的建议。比如不要写“优化标题”，要写“把标题从 A 改成 B，因为 C”。我在技能里加了一条规则：所有建议必须包含“改什么、怎么改、为什么”。

问题九：诊断报告太长，抓不住重点

在输出规范里加优先级排序。我要求 AI 按“影响大、成本低”排序，并且每个问题标注严重程度（高/中/低）。这样一眼就能看到最该先做什么。

7.4 常见问题速查表

8. 我个人的一些实操体会

搭marketingskills这件事，我最大的体会是：技能库的价值不在于 AI 多聪明，而在于你把多少隐性经验显性化了。写技能文档的过程，其实就是逼自己把“我觉得这样好”变成“因为 A 所以 B，具体操作是 C”。这个过程本身就在提升你的专业度。

另一个体会是，不要追求一步到位。我的技能库是慢慢长出来的，最开始只有 SEO 诊断一个技能，后来发现 CRO 和 Analytics 也高频，才逐步加进来。每个技能都是先用起来，再根据实际使用中的问题迭代。现在我的技能库大概有 8 个技能，覆盖了日常营销工作的大部分场景。

最后分享一个小技巧：技能库要版本管理。我用 Git 管理整个marketingskills目录，每次修改都提交。这样如果某次改动导致效果变差，可以快速回滚。而且通过 commit 记录，能清楚看到每个技能的演进过程，对复盘很有帮助。

这个方向后续还可以扩展，比如把技能库和团队的协作流程打通，让不同角色的人都能调用对应的技能；或者把技能输出对接到自动化工作流，实现“诊断 → 优化 → 验证”的闭环。这些我还在摸索，等跑通了再分享。