企业官网建设流程全解析

1. 从“marketingskills”说起：一个被低估的增长工具箱

第一次看到marketingskills这个词，是在一个做独立站的朋友群里。有人甩了个链接，说“这套东西把 SEO 和 CRO 的活儿全拆成 AI 能直接执行的技能包了”。我当时的第一反应是：又一个概念包装。但点进去看了几眼之后，我改主意了——它解决的是一个真实存在的痛点。

先说清楚它是什么。marketingskills本质上是一套面向 AI 编程助手（尤其是 Claude Code 这类能在终端里直接干活的 agent）的营销技能定义集合。你可以把它理解成给 AI 装的一本“营销操作手册”：里面把 SEO 审计、关键词研究、转化率优化、落地页诊断、结构化数据生成这些原本靠人肉经验和一堆工具拼凑的活儿，拆解成了结构化的、可被 AI 理解和执行的技能单元。

它能做什么？举个最直接的例子。以前你要给一个独立站做 SEO 体检，流程大概是：打开 Screaming Frog 爬一遍、导出 CSV、筛出 404 和重定向链、再去 Ahrefs 看外链、去 PageSpeed Insights 跑分、最后人工汇总成一份报告。整个过程两三个小时起步。而有了marketingskills这套技能定义，你可以在 Claude Code 里直接说“帮我审计 example.com 的 SEO 问题”，它会按预设的技能流程去抓取、分析、输出结论。这不是魔法，是把重复劳动标准化了。

适合谁看？三类人。第一类是独立站站长和跨境电商运营，尤其是自己动手做谷歌 SEO 的那批人，预算有限但想把每个环节做扎实。第二类是增长方向的从业者，包括做 CRO、内容营销、投放的人，你们会关心怎么把 AI 接进日常工作流。第三类是对 Claude Code 这类 AI agent 工具感兴趣的技术型营销人，想搞清楚“AI 到底能不能干营销的活、干到什么程度”。

这篇文章不会停留在“这东西很酷”的层面。我会把marketingskills背后的设计逻辑、核心技能拆解、实际落地步骤、以及我在配置和使用过程中踩过的坑，全部摊开讲。你看完应该能自己动手搭一套出来，或者至少知道该怎么把这套思路迁移到自己的业务里。

2. 核心设计思路：为什么是“技能包”而不是“又一个工具”

2.1 传统营销工具的断裂感在哪里

做营销的人手里从来不缺工具。SEO 有 Ahrefs、Semrush、Screaming Frog；CRO 有 Hotjar、Optimizely；内容有 Surfer、Clearscope。问题不在于工具少，而在于工具之间是断裂的。

你从 Ahrefs 拿到关键词列表，导出 Excel，手动筛一遍，再复制到 Surfer 里写文章，写完再去 WordPress 发布，发布完再去 GSC 提交。每一步都要人来做“翻译”和“搬运”。更麻烦的是，每个工具的输出格式不一样，你脑子里得维护一张映射表：Ahrefs 的“Keyword Difficulty”对应 Surfer 的哪个字段、GSC 的“展示次数”和“点击率”怎么和 CRO 的假设挂钩。

marketingskills的设计出发点，就是把这层“翻译和搬运”交给 AI。它不替代任何工具，而是定义了一套技能接口：每个技能描述“输入什么、做什么处理、输出什么”。AI agent 负责调用和串联。这样一来，工具还是那些工具，但中间的胶水层被自动化了。

2.2 技能包的三层结构

我拆过它的组织方式，大致是三层。

第一层是技能定义层。每个技能是一个结构化的描述文件，通常包含：技能名称、适用场景、输入参数、执行步骤、输出格式、注意事项。比如一个叫seo-audit的技能，会写明“输入：目标域名；步骤：抓取 sitemap、检查 robots.txt、分析 meta 标签、检测重定向链、评估 Core Web Vitals；输出：按优先级排序的问题清单”。

第二层是执行逻辑层。这一层依赖 AI agent 的能力。Claude Code 这类工具能在终端里执行命令、读写文件、调用 API，所以技能定义里的“抓取 sitemap”可以真的去跑一个 curl 或者调用爬虫脚本。这是它和纯 prompt 工程的区别——不是让 AI“假装”分析，而是让它真的去取数据。

第三层是编排层。多个技能可以组合成工作流。比如“新站上线检查”这个工作流，可能依次调用technical-seo-check、schema-markup-generator、page-speed-audit、content-gap-analysis四个技能，最后汇总成一份上线报告。

提示：这套结构的关键在于“技能定义”和“执行能力”解耦。技能定义是纯文本，可以版本控制、可以复用；执行能力由 agent 提供，可以换模型、换环境。这种解耦让整套东西的可维护性比写死的脚本高很多。

2.3 为什么选 Claude Code 作为载体

热词里大量出现 Claude Code，不是偶然。marketingskills这类技能包要落地，需要一个能在本地环境里“动手”的 AI agent。Claude Code 的几个特性正好匹配：

• 终端原生：能直接执行 shell 命令，这意味着爬虫、API 调用、文件处理都能做。
• 文件系统访问：能读写本地文件，技能定义、中间数据、输出报告都能落盘。
• 项目上下文：能理解当前目录结构，知道你在哪个项目里干活。
• 可扩展：支持通过配置文件接入不同的模型后端，包括本地模型。

对比一下：如果你只用网页版的对话式 AI，它没法帮你跑爬虫、没法读你本地的 CSV、没法把结果写成文件。技能包再漂亮，也只能停留在“建议”层面。而 Claude Code 这类工具把“建议”变成了“执行”。

2.4 和纯 Prompt 模板的本质区别

市面上有很多“SEO prompt 合集”，几十条提示词打包卖。marketingskills和它们的区别在哪？

纯 prompt 模板的问题是：它假设 AI 已经知道所有上下文。你贴一段 prompt，AI 基于你粘贴的内容回答。但真实的 SEO 审计需要的数据量远超一次对话能塞进去的。你得先爬站、再分析、再对比，中间涉及大量结构化数据处理。

marketingskills的思路是：让 AI 自己去取数据、自己处理、自己判断。技能定义里写的是“去抓取 sitemap”，而不是“假设你已经有了 sitemap 内容”。这个差别看起来小，实际上是“玩具”和“工具”的分界线。

3. 核心技能拆解：SEO 与 CRO 的实操要点

3.1 SEO 审计技能：从爬取到优先级排序

seo-audit是整套技能包里最核心的一个。我把它拆成几个关键环节来讲。

第一环节是抓取范围界定。技能定义里通常会让你指定：是抓全站还是抓特定目录、是否包含子域名、爬取深度限制。这里有个经验：首次审计建议限制在 500 个 URL 以内。原因很简单，全站爬取在本地环境跑起来很慢，而且大部分问题在前 500 个页面就能暴露出来。等定位到问题类型后，再针对性扩大范围。

第二环节是技术检查项。这部分是硬功夫，技能定义里会列出一串检查点：

这张表不是拍脑袋来的。优先级排序的逻辑是：影响抓取和索引的问题优先，影响点击率的问题其次，影响体验的问题最后。4xx 和重定向链直接影响爬虫预算，canonical 错误会导致索引混乱，这些必须先修。

第三环节是输出格式。好的技能定义会要求输出结构化结果，通常是 Markdown 表格加优先级标签。我自己的习惯是让输出分成三块：立即修复（P0）、本周修复（P1）、排期优化（P2）。这样拿到报告的人不用再判断轻重缓急。

注意：SEO 审计技能最容易出的问题是“报了一堆问题但没排序”。AI 倾向于把所有发现都列出来，看起来全面，实际上没法执行。技能定义里一定要强制要求优先级字段。

3.2 关键词研究技能：从种子词到内容地图

关键词研究这块，marketingskills的做法和传统工具不太一样。传统工具给你一个巨大的关键词列表加各种指标，然后你自己筛。技能包的做法是按意图分组，直接产出内容地图。

具体流程是这样的：输入种子词，技能会去调用关键词数据源（可以是付费 API，也可以是免费的数据源），拉取相关词，然后按搜索意图分成四类：信息型、导航型、商业型、交易型。分完之后，再按主题聚类，每个聚类对应一个内容页面建议。

这里有个关键判断：不是所有关键词都值得做。技能定义里通常会设置过滤条件，比如月搜索量低于某个阈值的不做、难度高于某个值的不做、和业务不相关的不做。我自己的经验是，对于新站，优先做“商业型 + 低难度”的词，这类词转化意图明确，竞争又没那么激烈。

3.3 CRO 技能：落地页诊断的检查清单

CRO 这块的技能定义，核心是落地页诊断。它检查的维度包括：

• 首屏信息：价值主张是否在 5 秒内可理解、是否有明确的 CTA
• 信任信号：是否有社会证明、评价、资质展示
• 表单设计：字段数量、必填项、错误提示
• 移动端适配：触控目标大小、字体可读性、加载速度
• 摩擦点：是否有不必要的步骤、是否有干扰元素

CRO 技能和 SEO 技能的区别在于，SEO 的很多判断是客观的（状态码就是状态码），CRO 的判断更依赖启发式规则。所以技能定义里通常会引用一些成熟的 CRO 原则，比如“减少表单字段能提升转化率”“首屏必须有明确的下一步动作”。

提示：CRO 技能的输出建议用“假设-验证”的格式。比如“假设：当前表单有 7 个字段，减少到 4 个可能提升转化率 10-15%。验证方式：A/B 测试，样本量至少 XXX”。这样输出比单纯说“表单字段太多”有用得多。

3.4 结构化数据技能：FAQ Page 的正确打开方式

热词里有人问“谷歌 SEO 的 FAQ page 结构化数据是怎么回事”，这正好是marketingskills里一个很实用的技能。

FAQ 结构化数据的本质是：用代码告诉搜索引擎“这段内容是问答对”，这样搜索结果里可能展示成可展开的问答形式，增加展示面积和点击率。技能包里的schema-markup-generator会根据页面内容自动生成 JSON-LD 格式的标记。

但这里有个坑，很多人踩过：FAQ 结构化数据不是加了就有效。谷歌对 FAQ 富媒体结果的展示有严格限制，主要看内容质量和相关性。而且 2023 年之后，谷歌收紧了 FAQ 富媒体结果的展示范围，主要留给权威站点。所以技能定义里应该包含一个判断：这个页面适不适合加 FAQ 标记。如果页面本身内容单薄、问答质量低，加了也是白加。

生成 JSON-LD 的代码结构大概是这样：

{ "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [ { "@type": "Question", "name": "问题文本", "acceptedAnswer": { "@type": "Answer", "text": "答案文本" } } ] }

技能定义里要强调：答案文本必须和页面上可见的内容一致，不能只写在标记里而页面上没有。这是谷歌明确规定的，违反会被判作弊。

4. 实操落地：从零搭一套可用的技能环境

4.1 环境准备：Claude Code 的安装与配置

要把marketingskills跑起来，第一步是把 Claude Code 装好。这里我按不同系统分别说。

macOS 安装。最省事的方式是用 npm：

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

装完之后在终端输入claude就能启动。如果你用的是 zsh，可能需要确认一下 PATH 配置。

Ubuntu 安装。步骤和 macOS 类似，但要注意 Node.js 版本。Claude Code 要求 Node 18 以上，建议用 nvm 管理版本：

curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.0/install.sh | bash nvm install 20 nvm use 20 npm install -g @anthropic-ai/claude-code

Windows 安装。这里有个常见问题：热词里有人提到“claude code 由于与 64 位版本的 windows 不兼容”。这个情况通常出现在旧版 Windows 或者 WSL 配置有问题的时候。我的建议是直接用 WSL2，在 WSL 里按 Ubuntu 的方式装。原生 Windows 的支持一直不太稳定，WSL 是更可靠的选择。

VS Code 集成。如果你习惯在 VS Code 里干活，可以装 Claude Code 的 VS Code 扩展。装完之后在 VS Code 的终端里直接调claude，或者在命令面板里找 Claude Code 相关命令。配置上主要注意一点：确保 VS Code 的终端用的是你装 Claude Code 的那个 shell 环境，否则会出现“命令找不到”的情况。

注意：热词里有人问“your organization has disabled claude subscription access for claude code”，这是企业账号的权限问题。如果你用的是公司账号，可能需要管理员在后台开启 Claude Code 的访问权限。个人账号一般不会遇到。

4.2 接入本地模型：用 LM Studio 跑起来

不是所有人都想用云端模型，有人关心“claude code 调用 lmstudio 的本地模型”。这条路是通的，但有几个关键点。

首先，LM Studio 要开启本地服务器模式，默认端口是 1234。然后在 Claude Code 的配置里指定 API 端点。配置文件通常在~/.claude/config.json或者项目根目录的.claude/config.json。

配置大概长这样：

{ "apiBase": "http://localhost:1234/v1", "model": "local-model-name" }

但这里有个现实问题：本地模型的能力和云端模型差距明显。营销技能包里很多任务需要较强的推理和长上下文处理能力，本地跑 7B 或 13B 的模型，效果会打折扣。我的建议是：简单任务用本地模型，复杂任务切回云端。比如格式转换、简单的内容生成可以用本地，SEO 审计这种需要多步推理的用云端。

4.3 技能包的目录结构设计

搭好环境之后，下一步是组织技能包。我自己的目录结构是这样的：

marketingskills/ ├── skills/ │ ├── seo-audit.md │ ├── keyword-research.md │ ├── cro-audit.md │ ├── schema-generator.md │ └── content-gap.md ├── workflows/ │ ├── new-site-launch.md │ └── monthly-seo-check.md ├── data/ │ └── (中间数据落盘) ├── reports/ │ └── (输出报告) └── config.json

每个技能文件用 Markdown 写，包含前面说的那几个字段。这样组织的好处是：技能定义和项目数据分离，技能包可以复制到不同项目里复用，数据不会混。

4.4 一个完整的 SEO 审计实操流程

我把整个流程走一遍，你照着做就能复现。

第一步：初始化项目。在终端里进入你的工作目录，启动 Claude Code。

第二步：加载技能定义。把seo-audit.md的内容作为上下文提供给 Claude Code。有些版本支持自动读取.claude/skills/目录下的文件，具体看你的配置。

第三步：下达指令。比如：“对 example.com 执行 SEO 审计，爬取深度限制 3，最多 300 个页面，输出按优先级排序的问题清单。”

第四步：观察执行过程。Claude Code 会依次做这些事：读取 robots.txt、抓取 sitemap、爬取页面、分析每个页面的 meta 标签和状态码、汇总结果。这个过程可能需要几分钟到十几分钟，取决于站点大小。

第五步：检查输出。输出应该是一份 Markdown 报告，包含问题清单、优先级、修复建议。你要做的是抽查几个问题是否真实存在。AI 偶尔会误报，比如把正常的重定向判成问题。

第六步：落盘和跟进。把报告存到reports/目录，然后按优先级安排修复。

提示：第一次跑建议先用一个小站点或者你自己控制的测试站练手。直接拿生产站跑，万一技能定义里的爬取逻辑有问题，可能给服务器造成压力。

4.5 参数选择与计算过程

技能包里有些参数需要你根据实际情况算，不能拍脑袋。举两个例子。

爬取深度。这个参数影响爬取范围和耗时。经验公式是：深度 = log(预期页面数) / log(平均每页链接数)。比如你预计站点有 1000 个页面，平均每个页面有 20 个内链，那深度大概是 log(1000)/log(20) ≈ 2.3，取 3 就够覆盖大部分页面。

关键词难度阈值。这个取决于你站点的权重。新站（DR < 20）建议只做难度低于 30 的词；中等权重站点（DR 20-50）可以做到 50；高权重站点（DR > 50）可以冲 70 以上。这个不是绝对标准，但作为起点比较稳。

A/B 测试样本量。CRO 技能里如果涉及测试建议，样本量计算是：每组至少需要 100 个转化才能达到统计显著。如果你的转化率是 2%，那每组需要 5000 个访客。这个数字很多人忽略，导致测试结果不可信。

5. 常见问题与排查技巧实录

5.1 安装和配置类问题

问题一：命令找不到。装完 Claude Code 之后输入claude提示 command not found。这通常是 PATH 问题。解决方法是找到 npm 全局包的安装路径，手动加到 PATH 里。用npm config get prefix能看到路径。

问题二：企业账号权限被禁。热词里提到的“your organization has disabled claude subscription access”就是这个。个人账号不会遇到，企业账号需要管理员在后台开启。如果开不了，可以考虑用个人账号或者接入第三方 API。

问题三：Windows 兼容性。前面说过，直接用 WSL2 是最稳的方案。如果非要在原生 Windows 跑，确保系统是较新的版本，并且装了最新的 Node.js。

问题四：VS Code 里调不起来。检查 VS Code 的终端设置，确保用的是正确的 shell。有时候 VS Code 默认用 PowerShell，而 Claude Code 装在 bash 环境里，就会找不到。

5.2 技能执行类问题

问题五：爬取超时。站点大的时候，爬取容易超时。解决办法是分批爬，先爬主要目录，再爬次要目录。技能定义里可以加一个“分批模式”的选项。

问题六：误报太多。AI 审计偶尔会把正常情况判成问题。比如把带参数的 URL 判成重复内容。解决办法是在技能定义里加“排除规则”，明确哪些情况不算问题。

问题七：输出格式乱。有时候 AI 不按要求的格式输出。解决办法是在技能定义里用更明确的格式示例，并且加一句“必须严格按照以下格式输出”。

问题八：本地模型效果差。前面提过，本地模型在复杂任务上能力不足。如果发现输出质量明显下降，切回云端模型。

5.3 效果验证类问题

问题九：怎么知道审计结果准不准。抽查法。随机选 10 个报告里提到的问题，手动验证。如果准确率低于 80%，说明技能定义需要调整。

问题十：结构化数据加了没效果。FAQ 富媒体结果的展示受很多因素影响，不是加了标记就一定展示。检查内容质量、站点权威性、是否符合谷歌的展示标准。

问题十一：关键词研究结果和实际排名对不上。关键词工具的搜索量数据是估算值，和实际有偏差是正常的。重点看趋势和相对值，不要纠结绝对值。

5.4 常见问题速查表

提示：这张表建议放在项目根目录，遇到问题先查表。大部分问题都是配置和定义层面的，不是工具本身的 bug。

6. 我踩过的坑和几条实在建议

先说一个我印象最深的坑。有一次我拿一个客户的站跑 SEO 审计，技能定义里没限制爬取速度，结果 Claude Code 以很高的频率请求，把人家服务器搞得响应变慢，客户那边监控报警了。后来我在技能定义里强制加了请求间隔参数，默认 1 秒一次，并且加了“遇到 5xx 就暂停”的逻辑。这个教训是：AI 执行任务时不会自动考虑礼貌爬取，你得在技能定义里写死。

第二个坑是关于关键词研究的。早期我让 AI 直接输出关键词列表，结果它给了一堆搜索量很高但和业务完全不相关的词。后来我改了技能定义，要求每个关键词必须标注“和业务的关联度”，并且只输出关联度高的。这个改动之后，输出质量明显提升。

第三个坑是 CRO 技能的输出。一开始 AI 给的建议很泛，比如“优化首屏”。后来我要求它必须给出具体的修改方案和预期影响，比如“把首屏的 CTA 按钮从蓝色改成橙色，预期点击率提升 5-10%，依据是对比色原则”。这样输出才能落地。

几条实在建议：

• 技能定义要迭代。第一版肯定不完美，跑几次之后根据输出质量调整。我自己的seo-audit.md改了七八版才稳定。
• 不要追求全自动。AI 输出的是初稿，人工审核不能省。尤其是涉及客户站点的，发出去之前一定要过一遍。
• 数据落盘要规范。中间数据和最终报告分开放，命名带日期。不然跑几次之后你自己都找不到哪个是哪个。
• 模型选择看任务。简单任务本地模型够用，复杂任务用云端。别为了省钱牺牲质量。
• 安全边界要清楚。技能定义里明确哪些操作不能做，比如不能修改生产环境的文件、不能提交表单、不能发请求到非目标域名。

这套东西的价值不在于“AI 能替你做营销”，而在于把重复的、标准化的部分自动化，让你把精力放在判断和决策上。SEO 审计里 80% 的检查项是机械的，CRO 诊断里 60% 的检查项是有清单可循的。这些交给 AI，剩下的 20% 和 40% 才是你的价值所在。

最后分享一个小技巧：如果你想让技能包更贴合自己的业务，可以在技能定义里加一个“业务上下文”字段，写明你的行业、目标用户、核心产品。AI 在输出建议时会参考这些信息，结果会更有针对性。这个字段我每接一个新项目都会重新填一遍，效果比通用技能定义好很多。