企业官网建设流程全解析

1. 项目缘起与核心定位

1.1 从“会聊天的AI”到“能干活的营销团队”

“marketingskills”这个标题，第一次看到的时候我脑子里蹦出来的不是某个具体工具，而是一整套思路：把营销工作中那些重复、琐碎、但又必须做的动作，拆成一个个可以被 AI agent 调用的“技能包”。你可以把它理解成给 AI 装上一本《营销岗位操作手册》，让它不只是会写两句文案，而是能按流程完成关键词调研、竞品分析、落地页诊断、结构化数据生成这些实打实的活。

我最早接触这个概念，是在折腾 Claude Code 的过程中。Claude Code 本身是一个跑在终端里的 AI 编程助手，但它的能力边界远不止写代码。它支持一种叫 Agent Skills 的规范，简单说就是你可以用 Markdown 文件定义一套“技能”，告诉 AI 在什么场景下该做什么、按什么步骤做、输出什么格式。marketingskills 就是把这套机制用在营销领域的实践——把 SEO、内容营销、转化率优化这些工作流，写成 AI 能读懂、能执行的技能文件。

这件事解决了一个很现实的痛点：大部分做营销的人，尤其是独立站站长、小团队运营，手里没有完整的营销团队，但要做的事情一点不少。关键词要挖、竞品要看、页面要优化、FAQ 结构化数据要写、外链要谈。每一项单独拎出来都不算难，但堆在一起就是一座山。marketingskills 的思路是，把这些工作拆解成标准化的“技能”，让 AI agent 按需调用，你只需要在关键节点做判断和审核。

适合谁来参考？三类人最直接受益。第一类是独立站站长和跨境电商运营，尤其是做谷歌 SEO 的，因为这套东西跟搜索流量的获取强相关。第二类是内容营销从业者，需要批量产出高质量、符合搜索意图的内容。第三类是对 AI agent 和 Claude Code 感兴趣的技术型营销人，想自己动手搭一套自动化工作流。哪怕你完全不懂代码，只要愿意花点时间理解 Agent Skills 的写法，也能上手。

1.2 为什么是 Claude Code 和 Agent Skills

这里得说清楚一个选型逻辑。市面上能跑 AI agent 的工具不少，为什么偏偏是 Claude Code 加 Agent Skills 这个组合？我自己的体会是三点：终端原生、文件驱动、可组合。

终端原生意味着它离你的实际工作环境最近。你不需要在浏览器和编辑器之间来回切换，直接在项目目录里就能调用。文件驱动意味着所有技能定义都是纯文本的 Markdown，你可以用 Git 管理、可以版本控制、可以团队共享，改起来没有任何门槛。可组合意味着一个技能可以调用另一个技能，比如“关键词调研”技能跑完之后，结果可以直接喂给“内容大纲生成”技能，形成流水线。

Agent Skills 的规范本身不复杂，核心就是一个 SKILL.md 文件，里面用 YAML frontmatter 定义技能的元信息（名称、描述、触发条件），正文部分写清楚执行步骤、输入输出、注意事项。Claude Code 在运行时，会根据你的指令匹配对应的技能，然后按技能里写的流程去执行。这个机制的好处是，AI 的行为变得可预测、可复现，而不是每次都要靠提示词去“哄”。

我试过用纯提示词的方式让 AI 做 SEO 分析，结果每次输出的格式都不一样，有时候漏掉关键步骤，有时候自己编数据。换成技能文件之后，流程被固定下来，输出结构稳定，质量波动小了很多。这就是“技能”相对于“提示词”的核心优势——它把隐性的经验变成了显性的流程。

2. 核心机制拆解：Agent Skills 到底怎么工作

2.1 SKILL.md 文件的结构与关键字段

要理解 marketingskills，得先搞明白一个技能文件长什么样。我拿一个“关键词调研”技能举例，结构大概是这样的：

--- name: keyword-research description: 针对给定主题或种子关键词，生成关键词列表并分类 trigger: 当用户要求做关键词调研、挖词、找关键词时触发 --- ## 执行步骤 1. 接收用户提供的种子关键词或主题 2. 从搜索意图角度分类：信息型、导航型、商业型、交易型 3. 对每个关键词标注预估竞争度和相关性 4. 输出 Markdown 表格 ## 输出格式 | 关键词 | 搜索意图 | 竞争度 | 相关性 |

frontmatter 里的name是技能的唯一标识，description是给 AI 看的说明，trigger是触发条件。正文部分就是具体的执行指令。Claude Code 在收到用户请求时，会扫描所有已安装技能的 description 和 trigger，找到匹配的那个，然后把技能正文作为上下文注入，引导 AI 按步骤执行。

这里有个细节很多人会忽略：description的写法直接决定了技能能不能被正确触发。写得太窄，该触发的时候不触发；写得太宽，不该触发的时候乱触发。我的经验是，description 里要包含用户可能用的同义词和口语化表达。比如“挖词”“找关键词”“关键词调研”都要覆盖到，因为不同人表达习惯不一样。

2.2 技能之间的组合与调用链路

单个技能能解决一个问题，但真正的价值在于组合。marketingskills 的设计思路不是做一个大而全的“营销技能”，而是拆成多个小技能，每个技能只干一件事，然后通过调用链路串起来。

举个例子，一个完整的“独立站 SEO 内容生产”流程可能涉及这些技能：

• keyword-research：挖出目标关键词
• serp-analysis：分析搜索结果页的竞品内容结构
• content-outline：基于关键词和竞品生成内容大纲
• faq-schema：生成 FAQ 结构化数据
• meta-tags：生成标题和描述标签
• internal-links：建议内链布局

这些技能可以单独调用，也可以串起来。串起来的方式有两种：一种是在一个技能里显式调用另一个技能，另一种是用户按顺序手动触发。我倾向于后者，因为每一步的输出都需要人工审核，全自动跑完反而容易出问题。

提示：技能组合时要注意上下文长度。每个技能的输出都会占用 token，如果链路太长，后面的技能可能因为上下文超限而丢失前面的信息。我的做法是每个技能输出都落盘成文件，下一个技能从文件读取，而不是全部塞在对话里。

2.3 与 Claude Code 运行环境的配合

Claude Code 的运行环境决定了技能能做什么。它跑在终端里，意味着技能可以调用命令行工具、读写文件、执行脚本。这对营销工作来说其实很有用。比如关键词调研技能可以调用一个 Python 脚本去查搜索量数据，内容生成技能可以把结果直接写成 Markdown 文件。

安装 Claude Code 的过程这里不展开，官方文档写得很清楚。重点说一下技能文件的存放位置。Claude Code 默认会扫描项目目录下的.claude/skills/文件夹，每个技能一个子目录，里面放 SKILL.md。你也可以放在全局配置目录里，这样所有项目都能用。我建议营销相关的技能放在项目目录里，因为不同项目的营销策略不一样，技能也需要定制。

如果你用的是 VS Code，Claude Code 有对应的插件，可以在编辑器里直接调用。配置方式是在 VS Code 的设置里指定 Claude Code 的可执行文件路径，然后在集成终端里就能用。Ubuntu 和 Mac 上的安装流程基本一致，Windows 用户需要注意版本兼容性，有些旧版本会有 64 位不兼容的提示，升级到最新版一般能解决。

3. 营销技能的具体拆解与实操

3.1 关键词调研技能：从种子词到意图分类

关键词调研是所有 SEO 工作的起点。传统做法是打开关键词工具，输入种子词，导出几百个结果，然后人工筛选。这个过程耗时且主观。用技能的方式来做，可以把筛选逻辑固化下来。

我的keyword-research技能里，核心步骤是这样的：先让 AI 基于种子词扩展出相关词，然后按搜索意图分类。搜索意图分四类：信息型（用户想了解某个知识）、导航型（用户想找某个特定网站）、商业型（用户在比较产品）、交易型（用户准备购买）。分类的意义在于，不同意图的关键词对应不同的内容策略。信息型适合写博客，商业型适合写对比页，交易型适合写产品页。

实操的时候，我会把种子词和已知的竞品域名一起给 AI，让它先分析竞品在哪些关键词上有排名，再扩展。这样挖出来的词更精准。输出格式我固定成表格，包含关键词、意图、预估竞争度、相关性评分、建议内容类型。竞争度没法精确获取，但可以让 AI 基于词的长度和具体程度做粗略判断——长尾词通常竞争度低。

注意：AI 给出的搜索量数据不可信，它没有实时数据源。搜索量必须用专业工具验证。技能的作用是帮你做分类和筛选，不是替代数据工具。

3.2 内容大纲生成技能：对齐搜索意图

有了关键词，下一步是生成内容大纲。这里最容易犯的错误是，大纲写得很漂亮，但跟搜索意图不匹配。比如用户搜“什么是独立站谷歌 SEO”，意图是信息型，想要一个科普性的解释，结果你给了一篇产品推销文，排名肯定上不去。

我的content-outline技能里，会强制要求 AI 先分析 SERP 上前三名的内容结构，包括标题写法、H2 分布、内容长度、是否包含 FAQ 板块。然后基于这些信息生成大纲，确保覆盖竞品覆盖到的主题，同时找到差异化角度。差异化不是硬凑，而是看竞品没讲透的地方在哪里。

大纲的输出我要求包含：H1 标题、H2 和 H3 层级、每个章节的核心要点、建议字数、需要引用的数据或来源。这样后续写内容的时候，直接按大纲填充就行，效率高很多。我实测下来，用技能生成的大纲比纯靠脑子想的大纲，覆盖度高至少三成，因为 AI 不会漏掉那些“显而易见但容易忘”的点。

3.3 FAQ 结构化数据技能：让搜索结果更丰富

FAQ 结构化数据是谷歌 SEO 里一个容易被忽视但效果明显的点。简单说，就是在页面里用特定的 JSON-LD 格式标记问答内容，谷歌在搜索结果里可能会展示这些问答，增加搜索结果的视觉面积，提升点击率。

faq-schema技能的核心是两件事：一是从内容里提取出适合做 FAQ 的问答对，二是生成符合规范的 JSON-LD 代码。提取问答对的时候，要注意问题必须是用户真实会搜的，答案要简洁直接，控制在 50 到 300 字之间。太短信息量不够，太长谷歌可能不展示。

生成的 JSON-LD 代码大概长这样：

{ "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [ { "@type": "Question", "name": "什么是独立站谷歌SEO？", "acceptedAnswer": { "@type": "Answer", "text": "独立站谷歌SEO是指通过优化网站内容和结构..." } } ] }

这个代码要放在页面的<head>或<body>里。我一般放在</body>之前。放完之后用谷歌的富媒体测试工具验证一下，确保没有语法错误。

提示：FAQ 结构化数据不是万能的。谷歌现在对 FAQ 的展示越来越谨慎，不是标记了就一定展示。但标记了没有坏处，而且对语音搜索和 AI 搜索有潜在帮助。

3.4 竞品分析技能：拆解对手的流量结构

竞品分析是营销里最花时间的活之一。传统做法是手动看竞品的页面、外链、关键词，效率很低。用技能的方式，可以让 AI 帮你做初步的结构化分析。

我的competitor-analysis技能里，输入是竞品域名和你的目标关键词，输出包括：竞品在目标关键词上的排名情况、内容类型分布、外链来源类型、页面结构特点、差异化机会点。AI 没法直接抓取实时数据，但可以基于你提供的截图、导出的数据文件、或者公开信息做分析。

实操的时候，我会先用工具导出竞品的关键词排名数据，存成 CSV，然后让技能读取这个文件做分析。这样 AI 的分析有数据支撑，不是瞎猜。分析结果我会重点看三个东西：竞品在哪些词上有排名但我们没有、竞品的内容结构有什么规律、竞品的外链主要来自哪些类型的网站。这三个信息直接指导后续的内容和外链策略。

4. 落地部署与常见问题排查

4.1 环境准备与技能安装

部署 marketingskills 的前提是 Claude Code 能正常运行。安装流程根据操作系统略有差异，但核心步骤一致：下载安装包、配置环境变量、验证安装。Mac 和 Ubuntu 上通常用命令行安装，Windows 用户建议用 WSL 或者最新版的桌面版。

安装完成后，在项目目录下创建.claude/skills/文件夹，每个技能一个子目录。比如：

mkdir -p .claude/skills/keyword-research touch .claude/skills/keyword-research/SKILL.md

然后把写好的技能内容填进去。Claude Code 启动时会自动扫描这个目录。你可以用/skills命令查看已加载的技能列表，确认技能被正确识别。

如果你用的是第三方 API 接入方式，比如通过 cc switch 这类工具接入其他模型，需要注意技能机制可能不完全兼容。Agent Skills 是 Claude Code 的特性，换模型之后能不能用，取决于那个模型是否支持类似的技能加载机制。我试过接入本地模型，技能触发不稳定，后来还是用回了官方渠道。

4.2 技能不触发或触发错误的排查

这是最常见的问题。技能写好了，但 Claude Code 不调用，或者调用了错误的技能。排查思路分三步：

第一步，检查 frontmatter 格式。YAML 对缩进和冒号很敏感，一个空格错了就解析失败。用在线 YAML 校验工具过一遍，确保格式没问题。

第二步，检查 trigger 描述。如果 trigger 写得太具体，用户换个说法就匹配不上。我的经验是 trigger 里至少包含三到五个同义表达。比如关键词调研技能，trigger 里要写“关键词调研、挖词、找关键词、关键词分析、keyword research”。

第三步，检查技能之间的优先级。如果两个技能的 trigger 有重叠，Claude Code 可能选错。解决办法是在 description 里写清楚适用场景和不适用场景，帮助 AI 区分。

4.3 输出质量不稳定的应对

AI 输出质量波动是常态，哪怕用了技能文件也一样。我的应对策略是三层过滤：技能层面加约束、执行层面加审核、输出层面加校验。

技能层面，在 SKILL.md 里明确写清楚“不要做什么”。比如“不要编造搜索量数据”“不要使用夸张的营销用语”“不要输出超过 500 字的大纲”。负面约束往往比正面指令更有效。

执行层面，每个技能跑完我都人工过一遍，重点看数据是否合理、逻辑是否自洽。发现问题的技能，当场修改 SKILL.md，下次就不会再犯。

输出层面，对于结构化数据这类有严格格式要求的内容，我会写一个校验脚本，跑一遍确认格式正确。比如 FAQ 的 JSON-LD，用 Python 的 json 库解析一下，能解析通过才用。

4.4 与飞书等协作工具的衔接

营销工作不是一个人闷头做，需要跟团队协作。Claude Code 本身是终端工具，但输出可以对接协作平台。我的做法是技能输出统一用 Markdown 格式，然后通过飞书的 API 或者手动复制，把结果同步到飞书文档里。

飞书连接 Claude Code 的方式，目前没有官方集成，但可以通过 webhook 或者机器人来实现。简单说就是写一个脚本，监听技能输出的文件变化，有更新就推送到飞书群或者文档。这个脚本用 Python 写，几十行代码就能搞定。如果你不想写代码，也可以手动复制粘贴，虽然麻烦点但也能用。

注意：团队协作时，技能文件的版本管理很重要。建议用 Git 管理.claude/skills/目录，每次修改都提交，这样能追溯谁在什么时候改了什么，避免技能被误改导致输出异常。

5. 经验总结与扩展思路

5.1 我踩过的几个坑

第一个坑是技能写得太贪心。一开始我想做一个“全能营销技能”，把所有营销工作都塞进一个 SKILL.md 里。结果文件太长，AI 执行的时候经常漏步骤，而且触发条件模糊，不知道该不该调用。后来拆成十几个小技能，每个只干一件事，反而稳定了。

第二个坑是忽略输出格式的约束。早期技能输出格式不固定，有时候是表格，有时候是列表，有时候是段落。后续技能读取的时候经常解析失败。后来我在每个技能里都强制规定输出格式，用 Markdown 表格或者 JSON，后续处理就顺畅了。

第三个坑是过度依赖 AI 的判断。比如关键词竞争度，AI 给的判断经常不准。后来我改成 AI 只做初步分类，竞争度用工具数据覆盖。AI 负责它擅长的部分，数据负责数据擅长的部分，分工明确。

5.2 技能库的持续迭代

marketingskills 不是一次写完就完事的，它需要持续迭代。我的做法是每次实际用完之后，花五分钟回顾一下：哪个步骤卡住了、哪个输出不满意、哪个判断错了。然后当场改 SKILL.md。改完提交 Git，记录改了什么、为什么改。

迭代的方向有两个：一是增加新技能，覆盖更多营销场景，比如邮件营销、社媒内容、广告文案；二是优化现有技能，把模糊的指令改具体，把容易出错的步骤加校验。我现在的技能库大概有二十多个技能，常用的也就七八个，但备着的那些在特定场景下很有用。

5.3 后续可以扩展的方向

这套思路可以扩展到营销之外的领域。Agent Skills 的本质是把领域知识流程化，任何有固定流程的工作都可以用。比如项目管理、数据分析、客户支持，都可以写对应的技能文件。

另一个方向是技能的市场化。如果社区里有人分享高质量的技能文件，大家可以互相引用、组合，形成生态。现在已经能看到一些开源的技能库，虽然质量参差不齐，但方向是对的。

最后说一个我个人的体会：AI 技能不是要替代人，而是把人从重复劳动里解放出来，让人专注于判断和决策。关键词调研技能帮你省掉筛选的时间，但最终选哪个词、写什么角度，还是得人来定。工具越强，人的判断力越值钱。