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，我脑子里蹦出来的不是某个具体工具，而是一类很典型的需求：把营销这件事拆成一项项可复用的技能，然后让 AI agent 去调用。这个词最近频繁和 Claude Code、Agent Skills spec、SEO 这些关键词绑在一起出现，说明它已经不是一个空泛的概念，而是落到了一套具体的工程实践上。

我先把结论摆出来：marketingskills 本质上是一套面向营销场景的 Agent Skills 集合，它遵循 Agent Skills spec 这套规范，把 SEO 审计、关键词研究、内容结构优化、FAQ 结构化数据生成、竞品分析这些营销动作，封装成 Claude Code 可以直接识别和调用的技能包。你不需要每次都写一大段提示词去描述"帮我做 SEO 检查"，而是让 agent 自己判断当前任务该调用哪个 skill。

这套东西解决的核心痛点是：营销工作高度重复、高度依赖经验、又很难标准化。一个做了五年的 SEO 老手和一个刚入行的新人，做同一份页面审计，产出质量能差出三倍。marketingskills 的思路是把老手的判断逻辑固化成 skill 文件，让 AI 按这套逻辑执行，输出稳定且可复现的结果。

适合谁来参考？三类人最该看：一是独立站站长，尤其是做谷歌 SEO 的，你一个人要顶一个营销团队；二是做 AI agent 应用开发的工程师，想了解 Agent Skills spec 怎么落地；三是营销团队里负责提效的人，想把重复劳动交给自动化流程。哪怕你只是刚装好 Claude Code 想找点实战项目练手，这套东西也是个很好的切入点。

下面我会从设计思路、核心细节、实操流程、问题排查四个层面，把 marketingskills 这套东西拆开讲透。中间会穿插大量我在实际配置和使用中踩过的坑，以及一些官方文档不会写的经验。

2. 整体设计与思路拆解：为什么是 Skills 而不是一堆提示词

2.1 Agent Skills spec 到底规定了什么

要理解 marketingskills 的设计，得先搞明白 Agent Skills spec 这套规范。简单说，它定义了一种让 AI agent 发现、加载、执行"技能"的标准方式。一个 skill 通常是一个目录，里面至少有一个描述文件（一般是 SKILL.md 或类似的元数据文件），声明这个技能叫什么、什么时候该用、需要哪些输入、执行什么逻辑。

这套规范的关键设计在于"渐进式披露"。Agent 启动时不会把所有 skill 的完整内容都塞进上下文，而是先加载每个 skill 的简短描述，等判断当前任务确实需要某个技能时，才把完整内容读进来。这个设计非常聪明，因为营销类技能往往内容很长——一份完整的 SEO 审计清单可能有两三千字——如果全部常驻上下文，token 消耗会爆炸，而且会干扰模型判断。

我实测下来，一个设计良好的 marketingskills 集合，通常包含十几个到几十个独立技能，每个技能的描述控制在两三句话以内。Agent 在接到"帮我看看这个页面 SEO 有没有问题"这类请求时，会先匹配到 seo-audit 这个技能，然后才加载它的完整执行逻辑。

提示：如果你自己写 skill，描述文件里的触发条件一定要写得具体。"用于 SEO 相关工作"这种描述太宽泛，agent 很难判断什么时候该调用；写成"当用户提供网页 URL 并要求检查标题标签、meta 描述、标题层级、结构化数据时使用"就精准得多。

2.2 为什么营销场景特别适合做成 Skills

营销工作有个特点：流程相对固定，但判断标准很依赖上下文。比如写 meta 描述，规则是"控制在 150-160 字符、包含核心关键词、有行动号召"，但具体到某个页面该突出什么卖点，就得看页面内容。这种"框架固定、细节灵活"的特性，恰好是 skill 最擅长的。

如果只用提示词，你会遇到几个问题。第一，每次都要重复描述规则，浪费 token 还容易漏。第二，不同人写的提示词质量参差不齐，产出不稳定。第三，提示词没法版本管理，改了之后没法回溯。做成 skill 之后，规则固化在文件里，可以进 Git 做版本控制，团队共享，还能持续迭代。

我见过不少团队的做法是维护一个巨大的"营销提示词库"，几十个提示词存在飞书文档或者 Notion 里，用的时候复制粘贴。这种方式在规模小的时候还行，一旦技能超过二十个，查找和维护成本就上来了。marketingskills 这种基于 spec 的组织方式，本质上是把提示词库升级成了可被 agent 自动发现和调用的技能系统。

2.3 核心技能模块的划分逻辑

一套完整的 marketingskills，我建议按营销漏斗来划分模块，这样逻辑最清晰，agent 也容易理解技能之间的关系。

这个划分不是拍脑袋来的。我试过按工具划分（比如"Ahrefs 相关技能""Search Console 相关技能"），结果发现 agent 匹配技能时经常混淆，因为同一个任务可能涉及多个工具。按漏斗阶段划分后，匹配准确率明显提升，因为用户描述需求时天然会带阶段信息，比如"我想找点新选题"对应流量获取，"这个页面转化不行"对应转化提升。

2.4 与 Claude Code 的集成方式选择

marketingskills 要跑起来，得有个 agent 运行时。Claude Code 是目前最主流的选择，因为它原生支持 Agent Skills spec，而且能直接操作文件系统、执行终端命令，这对营销自动化很关键——你需要它读本地文件、写报告、调用命令行工具。

但 Claude Code 有个现实问题：部分地区访问受限，而且订阅账号在某些组织下会被禁用。这时候可以考虑用第三方 API 接入其他模型，比如通过 cc switch 这类工具切换到 DeepSeek、Qwen、GLM 等模型。我实测过，对于 SEO 审计、内容生成这类任务，国产模型的表现已经够用，尤其是结构化输出方面。

如果你在 VS Code 里工作，装 Claude Code 插件是最顺手的。配置好之后，agent 能直接读取你打开的项目文件，你在编辑器里选中一段 HTML，让它做 SEO 检查，它就能基于当前上下文执行。这种"所见即所审"的体验，比在终端里来回粘贴内容高效太多。

3. 核心细节解析与实操要点：把技能写对才是关键

3.1 一个合格 skill 文件的解剖

我拿 SEO 审计这个技能举例，拆解一下一个能用的 skill 文件该长什么样。它通常包含几个部分：元数据区、触发条件、执行步骤、输出格式、边界说明。

元数据区声明技能名称、版本、作者、依赖。触发条件写清楚什么情况下该用这个技能。执行步骤是核心，把审计流程拆成有序的检查项。输出格式规定结果怎么呈现，是表格还是分级列表。边界说明很重要，告诉 agent 哪些情况不该用这个技能，比如"仅适用于 HTML 页面，不适用于 PDF 或图片"。

很多人写 skill 时忽略边界说明，结果 agent 拿着 SEO 审计技能去分析一份 PDF 报告，输出一堆无意义内容。加上边界说明后，这种情况基本不会发生。

注意：执行步骤不要写得太抽象。"检查页面 SEO 质量"这种描述等于没写。要写成"检查 title 标签是否存在、长度是否在 50-60 字符、是否包含主关键词"，agent 才能执行。步骤越具体，产出越稳定。

3.2 关键词研究技能的参数设计

关键词研究是营销技能里最复杂的一个，因为它涉及多个维度的判断。我在设计这个技能时，把参数分成了必填和选填两类。

必填参数包括：种子关键词、目标市场、内容语言。选填参数包括：搜索量下限、竞争度上限、意图类型过滤、结果数量。

为什么要区分必填和选填？因为 agent 调用技能时，如果必填参数缺失，它应该主动追问；选填参数缺失则用默认值。这个逻辑要在 skill 里写清楚，否则 agent 要么瞎猜，要么卡住不动。

搜索量下限这个参数特别有用。做独立站 SEO 时，我一般把下限设在 100，低于这个数的词流量太小，不值得单独做页面。但如果是做长尾内容矩阵，下限可以降到 10，靠数量取胜。这个阈值没有标准答案，取决于你的内容策略。

3.3 FAQ 结构化数据技能的实现细节

谷歌 SEO 里 FAQ 结构化数据是个高频需求，也是 marketingskills 里最实用的技能之一。它的逻辑是：读取页面内容，提取出适合做成问答的信息，生成符合 schema.org 规范的 JSON-LD 代码。

这里有个关键细节：不是所有内容都适合做 FAQ。谷歌对 FAQ 结构化数据有明确要求，问题必须是用户真实会问的，答案要简洁直接。如果硬把营销文案包装成问答，不仅拿不到富媒体展示，还可能被判定为垃圾结构化数据。

我在技能里加了一条判断规则：只有当页面内容里存在明确的"问题-答案"结构，或者能从内容中自然提炼出至少三个独立问答对时，才生成 FAQ 结构化数据。否则技能会提示"当前内容不适合生成 FAQ 结构化数据"，而不是硬凑。

生成的 JSON-LD 代码要包含 @context、@type、mainEntity 这些必需字段，每个 Question 下面要有 name 和 acceptedAnswer。我建议在技能里内置一个模板，agent 填充内容后直接输出，避免格式错误。

3.4 技能之间的依赖与调用关系

marketingskills 里的技能不是孤立的。关键词研究的结果会作为内容选题的输入，内容选题的结果又会作为大纲生成的输入。这种依赖关系要在技能设计时考虑清楚。

我的做法是在 skill 里声明"上游技能"和"下游技能"。比如内容选题技能声明上游是关键词研究，下游是大纲生成。这样 agent 在执行复杂任务时，能自动串联起多个技能，形成工作流。

但要注意，依赖关系不能设计得太深。我试过设计一条五层深的技能链，结果 agent 执行到第三层就开始丢失上下文，产出质量下降。后来我把链条控制在三层以内，超过三层的任务拆成多个独立会话，效果反而更好。

3.5 输出格式的标准化

营销技能的输出如果格式不统一，后续处理会很麻烦。我在每个 skill 里都强制规定了输出格式，主要用三种：Markdown 表格、分级列表、JSON。

表格适合对比类结果，比如关键词列表、竞品对比。分级列表适合审计类结果，按严重程度分级。JSON 适合需要程序化处理的结果，比如结构化数据生成。

统一格式还有个好处：方便做批量处理。我写过一个脚本，把 agent 输出的 JSON 结果自动导入到表格工具里，省去了手动整理的时间。如果输出格式五花八门，这个自动化就没法做。

4. 实操过程与核心环节实现：从零搭起一套可用的技能集

4.1 环境准备与 Claude Code 安装

先把运行环境搭起来。Claude Code 的安装方式取决于你的系统。macOS 和 Ubuntu 下，官方推荐用包管理器安装，Windows 用户要注意 64 位兼容性问题，部分旧版本 Windows 会报"与 64 位版本不兼容"的错误，这种情况建议升级系统或者用 WSL。

安装完成后，第一件事是验证能否正常调用。在终端里跑一个简单任务，比如让它读取当前目录下的文件列表。如果这一步就卡住，说明环境有问题，先别急着配技能。

VS Code 用户装 Claude Code 插件会更方便。插件配置里有个关键选项是模型选择，如果你用的是第三方 API，需要在这里填入对应的 endpoint 和密钥。我建议把配置写在项目级的配置文件里，而不是全局配置，这样不同项目可以用不同模型。

提示：如果你遇到"your organization has disabled claude subscription access"这类提示，说明当前账号的订阅权限被组织策略限制了。这种情况要么换账号，要么走第三方 API 接入其他模型。cc switch 这类工具可以帮你在多个模型之间快速切换。

4.2 技能目录结构搭建

环境就绪后，开始搭技能目录。我推荐的结构是这样的：

marketingskills/ ├── skills/ │ ├── seo-audit/ │ │ └── SKILL.md │ ├── keyword-research/ │ │ └── SKILL.md │ ├── faq-schema/ │ │ └── SKILL.md │ └── ... ├── templates/ │ ├── faq-schema.json │ └── report.md ├── config/ │ └── settings.json └── README.md

每个技能一个独立目录，目录名用英文小写加连字符。SKILL.md 是核心文件。templates 目录放可复用的模板，比如 JSON-LD 模板、报告模板。config 放配置。这个结构清晰，agent 扫描时也容易识别。

目录名千万别用中文或者空格，我踩过这个坑，某些环境下路径解析会出问题。统一用英文小写加连字符，最稳妥。

4.3 编写第一个技能：SEO 审计

拿 SEO 审计开刀，因为它的逻辑最清晰，适合练手。SKILL.md 的内容大致分几块。

元数据部分声明技能名、版本、描述。描述要精炼，控制在两句话内，因为这部分会被 agent 常驻加载。

触发条件部分写清楚什么时候用。我写的是："当用户提供网页 URL 或 HTML 内容，并要求检查 SEO 相关问题时使用。典型请求包括'检查这个页面的 SEO''这个页面有什么优化空间''帮我做一次页面审计'。"

执行步骤部分把审计拆成检查项。我列了十几项，包括 title 标签、meta 描述、H1-H6 层级、图片 alt 属性、内部链接、外部链接、URL 结构、页面加载相关标记、结构化数据、移动端适配标记、canonical 标签、robots 元标签、Open Graph 标签、内容长度、关键词密度。

每项检查都要写清楚判断标准。比如 title 标签，标准是"存在且非空、长度 50-60 字符、包含页面主关键词、与页面内容相关"。这样 agent 执行时有明确依据。

输出格式部分规定结果怎么呈现。我用的是分级列表，按"严重问题""建议优化""表现良好"三级分类，每项后面附上具体说明和修改建议。

4.4 参数计算与阈值设定

技能里涉及不少数值阈值，这些不是随便定的，背后有依据。

title 标签长度 50-60 字符，是因为谷歌搜索结果页大约显示 600 像素宽度，超过这个长度会被截断。按平均字符宽度估算，50-60 个字符刚好占满。meta 描述 150-160 字符同理。

关键词密度我设的上限是 2.5%。这个数字来自大量页面分析的经验值，超过这个密度容易触发关键词堆砌的判定。下限我设的是 0.5%，低于这个数说明关键词覆盖不足。

内容长度阈值分场景。产品页建议 300 字以上，博客文章建议 1500 字以上，分类页建议 500 字以上。这些数字不是硬性规定，而是参考线，低于这个数会提示"内容偏薄"，但不一定就是问题。

注意：阈值只是参考，不要机械执行。我见过有人把关键词密度卡死在 2.5%，结果为了凑密度把文章写得生硬无比。阈值的作用是提示异常，不是强制约束。

4.5 串联技能形成工作流

单个技能跑通后，开始串联。我搭的第一个工作流是"关键词研究 → 内容选题 → 大纲生成 → SEO 审计"。

具体操作是：先让 agent 执行关键词研究，输入种子词和目标市场，输出一批候选关键词。然后把这些关键词作为输入，执行内容选题技能，筛选出值得做的选题。接着对选中的选题执行大纲生成，产出文章结构。最后等文章写完后，执行 SEO 审计做检查。

这个工作流跑一遍大概需要十几分钟，产出的是一个完整的选题到初稿的流程。我实测下来，效率比手动操作提升明显，尤其是批量处理的时候。

但要注意，工作流不是越长越好。我试过把七八个技能串成一条链，结果 agent 在中途就开始"忘记"前面的输出。后来我把工作流拆成几个独立阶段，每个阶段结束后把结果存成文件，下个阶段从文件读取，稳定性大幅提升。

4.6 用第三方模型跑技能集的配置

不是所有人都有条件用 Claude 官方服务，这时候第三方模型就是备选。配置方式是通过 API 接入，在 Claude Code 的配置里指定 endpoint 和模型名。

我用 cc switch 切换过 DeepSeek 和 Qwen，配置过程不复杂。关键是要确认模型支持工具调用（function calling），因为 Agent Skills 的执行依赖这个能力。部分模型虽然能对话，但不支持工具调用，跑技能时会报错。

模型选择上，SEO 审计这类需要结构化输出的任务，对模型的指令遵循能力要求高，建议选能力较强的版本。内容生成类任务对模型要求相对低一些，可以用轻量版本节省成本。

本地模型也是个选项，通过 LM Studio 之类的工具跑本地模型，再让 Claude Code 调用。但本地模型的能力目前和云端还有差距，适合对数据隐私要求极高的场景，日常使用还是云端模型更实际。

5. 常见问题与排查技巧实录

5.1 技能不被调用怎么办

最常见的问题是 agent 不调用你写的技能。原因通常有三个：描述文件位置不对、触发条件写得太模糊、技能名和任务不匹配。

先检查目录结构。Agent Skills spec 对目录位置有要求，技能必须放在约定的目录下，agent 才会扫描。位置对了还不行，得确认描述文件的文件名和格式符合规范。

触发条件模糊是重灾区。我见过有人写"用于营销相关工作"，这种描述 agent 根本没法判断。改成具体的任务描述，比如"当用户要求分析关键词搜索量、竞争度、搜索意图时使用"，匹配率立刻上去了。

技能名也要讲究。用 seo-audit 比用 check-page 更容易被匹配到，因为前者直接对应任务领域。命名时用"领域-动作"的格式，清晰且好匹配。

5.2 输出格式不稳定的处理

Agent 输出格式飘忽是另一个高频问题。同样的技能，跑十次可能出五种格式。解决办法是在 skill 里给出明确的格式示例，最好附上一个完整的输出样例。

我在每个 skill 的输出格式部分都放了一个样例，agent 照着样例输出，格式稳定性明显提升。样例不用太长，覆盖主要结构就行。

如果还是不稳定，可以在技能里加一条"输出前自检"的步骤，让 agent 在输出前对照格式要求检查一遍。这个额外步骤会增加一点 token 消耗，但换来的是格式一致性，值得。

5.3 上下文丢失的应对

执行长工作流时，agent 丢失上下文很常见。表现是执行到后面几步时，忘记了前面步骤的输出。

应对方法有几个。一是把中间结果存成文件，后续步骤从文件读取，而不是依赖上下文记忆。二是在每个步骤开始时，把关键信息重新注入。三是控制单次会话的任务量，超过三个技能的任务拆成多次会话。

我现在的做法是每个技能执行完，都把结果写入一个固定的输出文件，下个技能从文件读取。这样即使上下文丢了，也能从文件恢复。文件命名用"步骤序号-技能名-时间戳"的格式，方便追溯。

5.4 结构化数据生成报错的排查

FAQ 结构化数据生成时，最常见的报错是 JSON 格式错误。原因通常是 agent 在填充模板时，把引号或者特殊字符处理错了。

排查方法是先用 JSON 校验工具验证输出，定位错误位置。然后在 skill 里加一条规则：生成 JSON 后必须自检格式，确认能被解析。如果自检失败，重新生成。

另一个坑是字段缺失。schema.org 对 FAQ 结构化数据有必需字段要求，缺了就拿不到富媒体展示。我在模板里把所有必需字段都列出来，agent 填充时不会漏。

5.5 常见问题速查表

5.6 几个我踩过的坑

第一个坑是技能写得太多太细。一开始我恨不得把每个检查项都做成独立技能，结果技能数量膨胀到五十多个，agent 匹配时经常选错。后来合并成十几个粗粒度技能，匹配准确率反而高了。技能粒度要适中，太细反而添乱。

第二个坑是忽略技能版本管理。改技能时没做版本控制，改坏了没法回滚。后来把技能目录纳入 Git 管理，每次改动都有记录，出问题能快速定位。

第三个坑是过度依赖默认参数。有些技能我设了默认参数，结果 agent 每次都直接用默认值，不追问用户。后来我把关键参数改成必填，强制 agent 追问，产出质量提升明显。

第四个坑是没做技能测试。写完技能直接用，结果各种边界情况出问题。后来我建了一套测试用例，每个技能写完先跑测试，通过后再用。这个习惯省了很多返工时间。

6. 技能集的扩展与维护思路

6.1 从单点技能到技能矩阵

技能集跑顺之后，可以考虑扩展成技能矩阵。所谓矩阵，就是按"营销阶段 × 内容类型"两个维度组织技能。营销阶段分认知、考虑、转化、留存，内容类型分文章、视频、图文、落地页。每个交叉点对应一组技能。

这种组织方式的好处是覆盖全面，不容易漏。比如"考虑阶段 × 文章"这个交叉点，对应的技能可能包括对比类内容生成、评测类内容生成、FAQ 生成。用户提出需求时，agent 能快速定位到对应的技能组。

但矩阵不要铺得太大。我建议先做核心的几个交叉点，跑通后再扩展。一上来就铺满整个矩阵，维护成本会压垮你。

6.2 技能效果的评估方法

技能写得好不好，得有个评估标准。我用三个指标：调用准确率、输出可用率、人工修改率。

调用准确率是指 agent 在应该调用某技能时，实际调用的比例。这个可以通过日志统计。输出可用率是指技能产出中，不需要大改就能用的比例。人工修改率是指产出后需要人工调整的比例。

这三个指标要定期统计。如果调用准确率低，说明触发条件有问题。如果输出可用率低，说明执行步骤或输出格式有问题。如果人工修改率高，说明技能逻辑和实际需求有偏差。

6.3 团队协作下的技能管理

如果是团队使用，技能管理要更规范。我建议的做法是：技能目录纳入 Git，每个技能有明确的负责人，改动走合并请求流程，重要技能有测试用例。

技能文档也要跟上。每个技能除了 SKILL.md，再配一个说明文档，写清楚技能用途、参数说明、使用示例、已知限制。新成员上手时看说明文档就能用。

版本管理上，技能改动要打标签。重大改动升主版本号，小改动升次版本号。这样出问题时能快速定位到是哪个版本引入的。

6.4 后续可以扩展的方向

这套技能集后续有几个扩展方向。一是接入更多数据源，比如把搜索趋势数据、竞品数据接进来，让技能判断更有依据。二是增加多语言支持，做跨境业务时能覆盖不同语言市场。三是做技能效果的可视化，把调用日志、产出质量做成仪表盘，方便监控。

还有一个方向是把技能和内容管理系统打通。技能产出直接写入 CMS，省去手动搬运的环节。这个需要一些开发工作，但长期看能省大量时间。

我个人在实际操作中的体会是，marketingskills 这类东西的价值不在于技能数量多，而在于每个技能都经过实战打磨。我见过有人收集了几百个技能，但真正好用的没几个。与其追求数量，不如把核心的十几个技能做扎实，让它们真正能替代重复劳动。技能集是给自己用的工具，不是给别人看的收藏品，实用永远排在第一位。