企业官网建设流程全解析

1. 从“marketingskills”说起：一个被低估的Agent能力封装思路

第一次看到marketingskills这个词，是在翻 Claude Code 的 Agent Skills 规范文档时。当时我的第一反应是：这不就是把营销场景里那些重复性动作，打包成一套可被 AI agent 直接调用的“技能包”吗？后来跟几个做增长和内容的朋友聊，发现大家其实都在干类似的事——有人把竞品分析流程写成了 prompt 模板，有人把投放素材的审核规则做成了 checklist，还有人干脆把一整套 SEO 关键词挖掘的 SOP 塞进了 Cursor 的 rules 文件里。这些做法本质上都是marketingskills的雏形。

marketingskills不是一个具体的开源库，也不是某个官方产品，它更像是一种能力封装范式：把营销工作中那些高频、可复用、有明确输入输出的动作，抽象成 AI agent 能理解、能执行、能组合的“技能单元”。你可以把它理解成给 AI 装上一套“营销工具箱”，每个工具对应一个具体任务，比如“生成一条小红书标题”“分析一份竞品落地页”“把一段产品描述改写成三种不同风格的广告语”。这些技能单元通过 Agent Skills spec 这样的规范来描述，然后被 Claude Code、OpenAI Codex、Cursor 这类支持 agent 能力的工具加载和调用。

为什么现在值得聊这个话题？因为 Claude Code 和 Cursor 这类工具的普及，让“写代码”和“写营销文案”之间的边界变得模糊了。一个懂点技术的营销人，完全可以用 Claude Code 写一个脚本，自动抓取竞品信息、生成分析报告、再输出投放建议。而marketingskills的价值就在于，它把这种能力从“每次都要重新写 prompt”变成了“一次封装、反复调用”。我实测下来，一个封装好的营销技能包，能把重复性任务的耗时压缩到原来的三分之一甚至更少。

这篇文章适合三类人看：一是做增长、内容、投放的营销从业者，想用 AI 工具提效但不知道从哪下手；二是用 Claude Code、Cursor 做开发但想拓展到营销场景的工程师；三是正在研究 Agent Skills spec 和 AI agent 能力封装的技术爱好者。我会从设计思路、核心细节、实操过程、问题排查四个维度，把marketingskills这套东西拆开讲清楚，尽量让不同基础的人都能看懂、能上手。

2. 内容整体设计与思路拆解

2.1 为什么营销场景特别适合做技能封装

营销工作的一个显著特点是：流程化程度高，但创造性要求也不低。这听起来矛盾，但恰恰是技能封装的最佳土壤。比如写一条产品卖点文案，它有固定的结构（痛点-解决方案-证据-行动号召），但具体措辞需要根据平台、受众、产品阶段灵活调整。这种“框架固定、内容可变”的任务，最适合做成技能单元——框架部分固化在技能定义里，可变部分通过参数传入。

另一个原因是，营销任务的输入输出边界相对清晰。你让 AI 分析一份竞品落地页，输入就是一个 URL 或一段 HTML，输出就是一份结构化的分析报告。这种清晰的边界让技能定义变得容易：你只需要描述清楚“给我什么，我还你什么”，中间的过程可以交给 agent 自己规划。相比之下，像“帮我制定全年营销战略”这种任务，输入输出都太模糊，就不适合做成单一技能，而应该拆解成多个子技能的组合。

还有一个现实因素：营销团队里工具链特别分散。写文案用 Notion，做图用 Canva，投放用各种广告后台，数据分析用 Excel 或 BI 工具。每换一个工具就要重新适应一套操作逻辑。而marketingskills的思路是，把这些分散的操作统一到 agent 的调用接口下，你只需要用自然语言描述需求，agent 自己去决定调用哪个技能、传什么参数。这对非技术背景的营销人来说，门槛降低了很多。

2.2 Agent Skills spec 到底规定了什么

Agent Skills spec 是 Anthropic 在 Claude Code 里推行的一套技能描述规范。它的核心思想很简单：用结构化的方式告诉 agent“这个技能是干什么的、什么时候用、怎么用”。一个符合 spec 的技能定义通常包含几个关键部分。

首先是技能名称和描述。名称要简短、动词开头，比如analyze-competitor-landing-page或generate-ad-copy-variants。描述要写清楚这个技能解决什么问题、适用于什么场景。这部分看起来简单，但实际写的时候很容易犯一个错误：描述写得太泛，比如“分析营销数据”，agent 根本不知道什么时候该调用它。好的描述应该是“分析 Google Ads 广告组级别的点击率和转化率数据，输出优化建议”，这样 agent 在遇到类似任务时才能准确匹配。

其次是输入参数定义。每个参数要有名称、类型、是否必填、描述。比如一个生成广告文案的技能，可能需要product_name（字符串，必填）、target_audience（字符串，必填）、tone（枚举：专业/轻松/紧迫，可选，默认专业）、platform（枚举：Facebook/Google/小红书，必填）。参数定义得越清晰，agent 调用时传参就越准确，出错概率越低。

然后是执行逻辑描述。这部分可以用自然语言写，也可以用伪代码。关键是让 agent 理解“拿到这些参数后，我应该按什么步骤去执行”。比如“先读取产品信息，然后根据目标受众和平台特点生成三个版本的文案，最后按指定语气调整措辞”。这里有个经验：步骤不要写得太细，否则 agent 会变得死板；也不要太粗，否则 agent 会自由发挥到偏离预期。我一般会写到“关键决策点”的粒度，比如“如果平台是小红书，标题控制在 20 字以内；如果是 Facebook，标题可以到 40 字”。

最后是输出格式定义。这部分经常被忽略，但特别重要。如果你不规定输出格式，agent 可能这次给你 Markdown 表格，下次给你 JSON，再下次给你一段散文。对于需要后续处理的技能，输出格式必须固定。比如“输出一个 JSON 数组，每个元素包含variant_id、headline、body、cta四个字段”。

2.3 技能拆分的粒度怎么把握

这是我在实操中踩坑最多的地方。一开始我恨不得把每个动作都拆成一个技能，结果技能数量爆炸，agent 调用时反而不知道该用哪个。后来我总结了一个原则：一个技能应该对应一个“可独立交付的成果”。

什么意思？比如“生成一条广告文案”是一个可独立交付的成果，用户拿到就能用。但“分析目标受众”就不是一个独立成果，它只是生成文案的一个中间步骤。这种中间步骤不应该单独做成技能，而应该作为技能内部的一个执行环节。

那什么样的粒度算合适？我一般按“用户会不会单独要这个东西”来判断。如果用户经常说“帮我分析一下这个受众”，那就可以做成独立技能；如果用户从来不会单独要受众分析，只会说“帮我写条文案”，那受众分析就应该是文案技能的内部步骤。

另一个判断标准是复用频率。如果一个动作在多个技能里都会用到，那它就值得被抽出来做成独立技能。比如“提取网页正文内容”这个动作，在竞品分析、内容改写、SEO 优化等多个场景都会用到，那就应该做成一个独立的extract-web-content技能，其他技能通过调用来复用它。这样既减少了重复定义，也方便统一维护。

2.4 为什么选 Claude Code 和 Cursor 作为主要载体

市面上支持 agent 能力的工具不少，但我主要用 Claude Code 和 Cursor 来跑marketingskills，原因有几个。

Claude Code 的优势在于终端原生和文件系统访问能力。营销工作中经常需要处理本地文件，比如读取一份 CSV 格式的投放数据、批量重命名素材文件、把生成的文案写入指定目录。这些操作在 Claude Code 里就是几条命令的事，非常直接。而且 Claude Code 的 Agent Skills spec 支持得比较完整，技能定义可以直接放在项目目录下的.claude/skills文件夹里，agent 会自动加载。

Cursor 的优势在于编辑器集成和多模型切换。有时候我需要对比不同模型对同一个营销任务的处理效果，Cursor 里可以快速切换 Claude、GPT、DeepSeek 等模型，不用重新配置环境。而且 Cursor 的 rules 功能可以把技能定义写成.cursorrules文件，在写文案或分析数据时直接调用，体验很流畅。

OpenAI Codex 我也试过，它的代码生成能力很强，但在营销场景下的自然语言理解和文件操作方面，不如前两者顺手。当然这可能跟我的使用习惯有关，大家可以根据自己的工具链选择。

3. 核心细节解析与实操要点

3.1 技能定义文件的结构与写法

一个完整的marketingskills技能定义，通常是一个 Markdown 文件，放在项目的.claude/skills或.cursor/rules目录下。文件名就是技能名称，比如generate-ad-copy.md。文件内容按 Agent Skills spec 的格式组织，我一般分成四个部分来写。

第一部分是元信息，包括技能名称、版本、作者、适用场景。这部分不是 spec 强制要求的，但加上之后方便团队协作时追溯。比如：

--- name: generate-ad-copy version: 1.2.0 author: marketing-team scenario: 为指定产品生成多平台广告文案变体 ---

第二部分是技能描述，用一段话说明这个技能做什么、什么时候用。这里要注意，描述是给 agent 看的，不是给人看的。所以要写得具体、可匹配。比如不要写“生成广告文案”，而要写“根据产品名称、目标受众和投放平台，生成 3 个版本的广告文案，每个版本包含标题、正文和行动号召”。这样 agent 在遇到“帮我写几条 Facebook 广告”时，才能准确匹配到这个技能。

第三部分是参数定义，用表格或列表形式列出每个参数的名称、类型、是否必填、说明和示例值。我习惯用表格，因为看起来清晰：

第四部分是执行步骤，用有序列表描述 agent 应该按什么顺序做什么。这里的关键是把决策逻辑写清楚。比如“如果平台是小红书，标题控制在 20 字以内，多用 emoji 和口语化表达；如果平台是 Facebook，标题可以到 40 字，语气更正式”。这种条件判断写进去之后，agent 生成的内容会更符合平台特点。

3.2 参数设计的几个坑

参数设计看起来简单，但实际写的时候很容易踩坑。我总结了几种常见问题。

坑一：参数太多。一开始我恨不得把所有可能影响输出的因素都做成参数，结果 agent 调用时经常漏传或传错。后来我定了个规矩：只把“用户会主动指定”的因素做成参数。比如“目标受众”用户通常会指定，“产品所属行业”用户一般不会主动说，那就不要做成参数，而是让 agent 从产品名称里自己推断。

坑二：枚举值不完整。比如platform参数我只写了 Facebook、Google、小红书，结果用户说“帮我写条抖音文案”，agent 就懵了。后来我改成两种策略：要么把枚举值写全，要么把类型改成 string 并在描述里说明“常见值包括...”。后者更灵活，但需要 agent 有更强的理解能力。

坑三：默认值不合理。比如tone参数默认值设成“专业”，但用户实际用的时候大部分场景需要“轻松”语气。默认值应该设成最常用的那个值，而不是你觉得最“正确”的那个。这个只能通过实际使用来调整，我一般会先设一个，用一两周后根据调用记录改。

坑四：参数之间有关联但没说明。比如platform和tone其实有关联——小红书适合轻松语气，LinkedIn 适合专业语气。如果不在技能定义里说明这种关联，agent 可能会生成“LinkedIn 上的轻松搞笑文案”这种不伦不类的东西。解决办法是在执行步骤里加一句“根据平台特点自动调整语气，除非用户明确指定了 tone 参数”。

3.3 执行逻辑的写法：伪代码还是自然语言

Agent Skills spec 允许执行逻辑用自然语言或伪代码写。我两种都试过，最后倾向于混合使用：整体流程用自然语言描述，关键判断用伪代码或条件语句。

比如一个竞品落地页分析的技能，执行逻辑可以这样写：

## 执行步骤 1. 使用 `extract-web-content` 技能获取目标 URL 的正文内容。 2. 分析页面结构，识别以下元素： - 主标题和副标题 - 核心卖点（通常以列表或图标形式呈现） - 社会证明（客户 logo、评价、数据） - 行动号召按钮的位置和文案 3. 如果页面包含视频或图片，记录其数量和大致内容类型。 4. 按以下格式输出分析结果： - 页面类型：落地页 / 产品页 / 活动页 - 核心卖点：列出 3-5 个 - 社会证明：有 / 无，具体形式 - 行动号召：位置、文案、是否突出 - 改进建议：基于常见最佳实践给出 2-3 条

这种写法的好处是，agent 能理解整体意图，同时在关键输出格式上有明确约束。我试过纯自然语言的写法，agent 有时候会自由发挥，输出一些我没要求的内容；也试过纯伪代码的写法，agent 又变得太死板，遇到页面结构特殊的情况不知道怎么处理。混合写法平衡了灵活性和可控性。

3.4 输出格式的约束技巧

输出格式约束是保证技能可复用的关键。我一般用三种方式来约束输出。

第一种是结构化模板。直接在技能定义里给出输出模板，agent 照着填。比如：

## 输出格式 请按以下模板输出： ### 文案版本 1 - 标题：[标题内容] - 正文：[正文内容] - 行动号召：[CTA 内容] - 适用场景：[说明这个版本适合什么场景] ### 文案版本 2 ...

第二种是JSON Schema。适合需要后续程序处理的场景。比如：

{ "type": "array", "items": { "type": "object", "properties": { "variant_id": {"type": "number"}, "headline": {"type": "string", "maxLength": 40}, "body": {"type": "string"}, "cta": {"type": "string"} }, "required": ["variant_id", "headline", "body", "cta"] } }

第三种是示例输出。给一个完整的示例，让 agent 模仿。这种方式对格式的约束最弱，但对内容风格的引导最强。我通常会把模板和示例结合使用：模板约束结构，示例引导风格。

注意：输出格式一旦确定，就不要频繁改动。因为下游可能已经有程序在解析这个格式，改了会导致解析失败。如果确实需要改，建议新增一个技能版本，而不是直接修改原技能。

4. 实操过程与核心环节实现

4.1 环境准备：Claude Code 和 Cursor 的基础配置

在开始封装marketingskills之前，需要先把工具环境搭好。我用的是 macOS，Windows 和 Linux 的步骤类似，只是路径和命令略有差异。

Claude Code 的安装比较简单，官方提供了 npm 包。打开终端，执行：

npm install -g @anthropic-ai/claude-code

安装完成后，在项目目录下运行claude命令，会进入交互式界面。第一次使用需要登录，按提示操作即可。登录后，Claude Code 会自动读取项目目录下的.claude文件夹，里面的skills子目录就是存放技能定义的地方。

Cursor 的安装更直接，从官网下载安装包，双击安装。安装完成后，打开设置，把界面语言改成中文（如果你需要的话），然后在项目根目录下创建.cursorrules文件，技能定义就写在这里面。Cursor 的 rules 文件支持 Markdown 格式，写法和 Claude Code 的技能定义基本一致。

有一个细节需要注意：Claude Code 的技能定义文件是每个技能一个.md文件，放在.claude/skills/目录下；而 Cursor 的 rules 是全部写在一个.cursorrules文件里。如果你两个工具都要用，建议以 Claude Code 的格式为主，然后写一个脚本把多个技能文件合并成.cursorrules。我写了个简单的 Node.js 脚本来做这件事：

const fs = require('fs'); const path = require('path'); const skillsDir = path.join(__dirname, '.claude', 'skills'); const outputFile = path.join(__dirname, '.cursorrules'); const files = fs.readdirSync(skillsDir).filter(f => f.endsWith('.md')); let content = '# Marketing Skills\n\n'; files.forEach(file => { const skillContent = fs.readFileSync(path.join(skillsDir, file), 'utf8'); content += skillContent + '\n\n---\n\n'; }); fs.writeFileSync(outputFile, content); console.log(`Merged ${files.length} skills into .cursorrules`);

这个脚本每次新增或修改技能后跑一次就行，省得手动复制粘贴。

4.2 第一个技能：从“生成广告文案”开始

我建议从generate-ad-copy这个技能开始练手，因为它足够简单，但又涵盖了技能封装的完整流程。

在.claude/skills/目录下创建generate-ad-copy.md，内容如下：

--- name: generate-ad-copy version: 1.0.0 scenario: 为指定产品生成多平台广告文案变体 --- ## 技能描述 根据产品名称、目标受众和投放平台，生成指定数量的广告文案变体。每个变体包含标题、正文和行动号召。适用于 Facebook、Google、小红书等主流广告平台。 ## 参数定义 | 参数名 | 类型 | 必填 | 说明 | 示例 | |--------|------|------|------|------| | product_name | string | 是 | 产品名称 | 智能扫地机器人 | | target_audience | string | 是 | 目标受众描述 | 25-35岁一线城市上班族 | | platform | string | 是 | 投放平台 | Facebook / Google / 小红书 | | tone | string | 否 | 语气风格，默认根据平台自动选择 | 专业 / 轻松 / 紧迫 | | variant_count | number | 否 | 生成版本数，默认 3 | 3 | ## 执行步骤 1. 根据 platform 参数确定文案风格： - 小红书：口语化，多用 emoji，标题 20 字以内，正文 100-200 字 - Facebook：半正式，标题 40 字以内，正文 80-150 字 - Google：简洁直接，标题 30 字以内，正文 60-90 字 2. 如果用户指定了 tone 参数，以用户指定的为准；否则按平台默认风格。 3. 围绕 target_audience 的痛点和 product_name 的卖点，生成 variant_count 个不同角度的文案变体。 4. 每个变体包含：标题、正文、行动号召、适用场景说明。 ## 输出格式 ### 文案版本 1 - 标题： - 正文： - 行动号召： - 适用场景： ### 文案版本 2 ...

写完之后，在 Claude Code 里测试一下。输入“帮我写 3 条小红书广告文案，产品是智能扫地机器人，目标受众是 25-35 岁一线城市上班族”，agent 应该会自动匹配到这个技能并调用。如果没匹配到，检查一下技能描述里的关键词是否和用户输入有重叠。

4.3 技能组合：把多个技能串成工作流

单个技能只能解决单点问题，真正的效率提升来自技能组合。比如一个完整的“竞品广告分析”工作流，可以拆成三个技能：extract-web-content（抓取网页内容）、analyze-ad-creative（分析广告创意）、generate-counter-ad（生成针对性文案）。

在 Claude Code 里，你可以直接说“先抓取这个竞品页面的内容，然后分析它的广告创意，最后生成三条针对性的反击文案”。agent 会自动按顺序调用这三个技能，把前一个的输出作为后一个的输入。这种组合调用的能力，是marketingskills相比单个 prompt 模板最大的优势。

不过组合调用有个前提：技能之间的输入输出格式要兼容。比如extract-web-content的输出格式如果是纯文本，那analyze-ad-creative的输入参数就要能接受纯文本。如果格式不兼容，agent 会在中间做一次转换，但转换过程可能丢失信息。所以我在设计技能时，会尽量让输出格式标准化，比如统一用 JSON 或 Markdown 表格。

4.4 参数计算与选择：以 variant_count 为例

variant_count这个参数看起来简单，但实际设置时有讲究。设成 1，用户没有选择余地；设成 10，agent 生成质量会下降，而且用户看不过来。我实测下来，3 到 5 个版本是比较合适的区间。

为什么是 3 到 5 个？从认知心理学角度，人类短期记忆的容量大约是 7±2 个信息块。3 到 5 个选项既能让用户有选择空间，又不会造成决策疲劳。从 agent 生成质量角度，生成 3 个版本时，每个版本都能得到足够的“注意力”；生成 10 个版本时，后面的版本明显质量下降，会出现重复和套话。

如果你确实需要更多版本，建议分批次生成。比如先生成 3 个，让用户选一个方向，再基于选中的方向生成 3 个细化版本。这样总共有 6 个版本，但质量比一次性生成 6 个要好得多。

另一个参数tone的选择也有讲究。我一开始把默认值设成“专业”，后来发现大部分用户在小红书和 Facebook 场景下更需要“轻松”语气。现在我的做法是：不设全局默认值，而是根据 platform 参数动态决定。小红书默认轻松，Google 默认专业，Facebook 默认半正式。用户如果明确指定了 tone，就覆盖默认值。这种动态默认值的写法，在 Agent Skills spec 里可以通过条件语句实现。

4.5 实操现场记录：一次完整的技能调用过程

为了让大家更直观地理解，我记录一次完整的技能调用过程。

我在 Claude Code 里输入：“帮我分析这个竞品落地页 https://example.com/landing，然后生成三条针对性的广告文案，投放在 Facebook 上。”

Claude Code 的响应过程大致如下：

第一步，识别意图。Agent 解析出三个任务：抓取网页内容、分析落地页、生成广告文案。它扫描已加载的技能列表，匹配到extract-web-content、analyze-landing-page、generate-ad-copy三个技能。

第二步，调用extract-web-content。Agent 传入 URL 参数，技能执行抓取，返回页面的标题、正文、卖点列表、行动号召等结构化信息。

第三步，调用analyze-landing-page。Agent 把上一步的输出作为输入，技能分析页面结构、卖点强度、社会证明、转化路径，返回一份分析报告。

第四步，调用generate-ad-copy。Agent 把分析报告中的关键信息（竞品卖点、目标受众、页面风格）作为输入参数，结合用户指定的 Facebook 平台，生成三条文案变体。

第五步，汇总输出。Agent 把三个技能的结果整合成一份完整的报告，包括竞品分析摘要和三条广告文案。

整个过程大约用了 40 秒，如果手动做，至少需要 30 分钟。而且 agent 的输出格式很稳定，可以直接复制到广告后台使用。

提示：如果 agent 没有按预期调用技能，可以在输入里显式提到技能名称，比如“使用 analyze-landing-page 技能分析这个页面”。这能帮助 agent 更准确地匹配。

5. 常见问题与排查技巧实录

5.1 技能不被调用怎么办

这是最常见的问题。你定义了一个技能，但 agent 在遇到相关任务时就是不调用它，而是自己瞎编。排查思路如下。

首先检查技能描述是否匹配用户输入。Agent 是根据描述来匹配技能的。如果用户说“帮我写条朋友圈文案”，而你的技能描述写的是“生成社交媒体广告文案”，匹配度就不够高。解决办法是在描述里加入更多同义词和场景词，比如“生成社交媒体广告文案，适用于朋友圈、小红书、Facebook 等平台”。

其次检查技能文件是否被正确加载。在 Claude Code 里，可以输入/skills命令查看已加载的技能列表。如果技能不在列表里，说明文件路径不对或格式有误。常见错误包括：文件不在.claude/skills/目录下、文件扩展名不是.md、YAML 元信息格式错误。

最后检查是否有多个技能竞争。如果你定义了多个功能相似的技能，agent 可能会选错。比如同时有generate-ad-copy和write-social-post，用户说“写条广告”时，agent 可能不知道选哪个。解决办法是合并相似技能，或者在描述里明确区分适用场景。

5.2 输出格式不稳定的处理

Agent 有时候不按你定义的格式输出，比如该用表格的地方用了列表，该用 JSON 的地方用了纯文本。这种情况通常有几个原因。

一是格式定义不够具体。如果你只写“输出一个表格”，agent 可能给你 Markdown 表格，也可能给你 HTML 表格。要写清楚“输出 Markdown 表格，包含以下列：...”。

二是格式定义太长。如果输出格式部分写了 500 字，agent 可能会“忘记”后面的要求。解决办法是把格式定义精简到最核心的约束，细节通过示例来传达。

三是agent 的“创造力”太强。有些模型在生成内容时倾向于自由发挥，忽略格式约束。这时候可以在执行步骤的最后加一句“严格按照输出格式部分的要求输出，不要添加额外内容”。

如果以上方法都不管用，可以在技能定义里加一个格式校验步骤：让 agent 在输出前自己检查一遍格式是否符合要求。虽然多了一步，但能显著提高格式稳定性。

5.3 技能执行速度慢的优化

技能调用多了之后，执行速度会变慢。我实测下来，一个技能平均耗时 5-15 秒，组合调用三个技能可能要 30-60 秒。优化思路有几个。

减少不必要的技能调用。有些技能其实可以合并。比如extract-web-content和analyze-landing-page经常一起用，可以考虑合并成一个analyze-landing-page技能，内部先抓取再分析。这样减少了一次 agent 调度，速度会快一些。

缓存重复结果。如果同一个 URL 被多次分析，可以把结果缓存起来。Claude Code 支持文件系统操作，可以把缓存写到本地文件里，下次调用时先检查缓存。

简化技能内部逻辑。技能定义里的执行步骤越复杂，agent 需要“思考”的时间就越长。把一些确定性高的步骤写成伪代码或固定流程，能减少 agent 的决策时间。

换更快的模型。如果用的是 Claude 的 Opus 模型，可以试试 Sonnet 或 Haiku。对于格式固定、创造性要求不高的技能，小模型的速度优势很明显，质量差距也不大。

5.4 常见问题速查表

5.5 几个独家避坑技巧

技巧一：给技能加“负面示例”。在技能定义里加一段“不要做什么”，比只写“要做什么”更有效。比如“不要生成超过 40 字的标题”“不要使用‘颠覆’‘革命性’等夸张词汇”。Agent 对负面约束的执行力往往更强。

技巧二：用“角色设定”提升输出质量。在技能描述开头加一句“你是一位有 10 年经验的效果广告优化师”，能让 agent 生成的内容更专业。这个技巧在多个技能里都适用，但要注意角色设定要和技能场景匹配，不要所有技能都用同一个角色。

技巧三：定期清理不再使用的技能。技能数量多了之后，agent 的匹配准确率会下降。我每个月会 review 一次技能列表，把三个月内没被调用过的技能归档或删除。保持技能库精简，比不断添加新技能更重要。

技巧四：用版本号管理技能变更。每次修改技能定义，都更新版本号，并在文件里记录变更内容。这样当输出质量下降时，可以快速定位是哪个版本的改动导致的。我一般用语义化版本号：小改动加 patch，新增参数加 minor，修改执行逻辑加 major。

技巧五：把技能定义纳入 Git 管理。.claude/skills/目录直接放进 Git 仓库，每次修改都提交。这样既能追溯变更历史，也方便团队协作。如果多人共用一套技能库，还可以通过分支和 PR 来管理变更。

6. 技能库的扩展与维护

6.1 从单点技能到技能矩阵

当你积累了 10 个以上的技能后，就需要考虑技能之间的组织关系了。我一般按“营销漏斗”来组织技能矩阵：顶部是获客相关技能（SEO 分析、广告文案、落地页优化），中部是转化相关技能（邮件序列、产品描述、社会证明生成），底部是留存相关技能（用户反馈分析、复购文案、社群运营）。

这种组织方式的好处是，当你要完成一个完整的营销任务时，可以快速找到对应的技能组合。比如“新品上市推广”这个任务，可能需要调用顶部漏斗的generate-ad-copy、中部的write-product-description、底部的create-email-sequence三个技能。技能按漏斗阶段组织后，组合调用时思路更清晰。

6.2 技能效果的评估与迭代

技能封装不是一劳永逸的事。市场在变，平台规则在变，用户偏好也在变。我一般每两周做一次技能效果评估，主要看三个指标。

调用频率：哪些技能被频繁调用，哪些几乎没人用。高频技能值得投入更多精力优化，低频技能可以考虑归档。

输出采纳率：Agent 生成的内容，用户直接采用的比例是多少。如果采纳率低于 50%，说明技能输出质量有问题，需要调整执行逻辑或参数定义。

用户反馈：用户在使用技能后有没有提出修改意见。我一般会在技能输出后面加一句“如果对结果不满意，请告诉我具体哪里需要调整”，收集到的反馈是迭代技能的重要依据。

6.3 团队协作中的技能共享

如果团队多人使用同一套技能库，需要建立一些协作规范。首先是命名规范，技能名称统一用动词开头的小写英文，单词之间用连字符，比如generate-ad-copy而不是AdCopyGenerator。其次是目录结构，按营销漏斗分文件夹存放，比如skills/top-funnel/、skills/mid-funnel/、skills/bottom-funnel/。

然后是变更流程。任何人修改技能定义，都需要提交 PR，由至少一人 review 后合并。Review 的重点是：参数定义是否清晰、执行步骤是否完整、输出格式是否稳定。最后是文档维护，每个技能除了定义文件，还要有一个简短的 README，说明适用场景、使用示例、已知问题。

6.4 后续扩展方向

marketingskills这套东西还有很多可以扩展的方向。比如接入外部数据源，让技能可以调用 Google Analytics、广告后台 API 获取实时数据，而不是只依赖用户输入。再比如加入 A/B 测试能力，让技能生成多个版本后，自动跟踪哪个版本效果更好，并反馈到下一次生成中。

还有一个方向是多语言支持。现在的技能定义主要是中文和英文，如果要做海外市场，需要加入西班牙语、法语、日语等语言的文案生成能力。这需要在参数里增加language参数，并在执行步骤里加入语言特定的风格规则。

我个人最看好的方向是技能的自学习能力。让 agent 根据用户的采纳和修改行为，自动调整技能参数和输出风格。比如用户每次都把标题改短，agent 就自动把标题长度限制调短。这种自适应能力一旦实现，技能库的维护成本会大幅降低。

最后再分享一个小技巧：如果你刚开始接触marketingskills，不要一上来就设计复杂的技能矩阵。先从一两个高频场景入手，把技能跑通，积累经验后再逐步扩展。我在实际操作中的体会是，一个打磨了 10 遍的简单技能，比 10 个粗糙的复杂技能更有价值。技能封装的核心不是数量，而是每个技能都能稳定、准确地解决一个具体问题。